基于特征知識庫的學(xué)籍預(yù)警與決策支持系統(tǒng)的研究與實現(xiàn).pdf

1、教育信息化的發(fā)展，導(dǎo)致教育領(lǐng)域的各類數(shù)據(jù)迅速增長，從而促使了教育數(shù)據(jù)挖掘研究成為熱點。教育數(shù)據(jù)挖掘是一個將來自各教育系統(tǒng)的原始數(shù)據(jù)轉(zhuǎn)換為知識的過程，這些知識可為教師、學(xué)生、家長、教育管理人員以及教育軟件系統(tǒng)開發(fā)人員所利用。教育數(shù)據(jù)挖掘在國內(nèi)外研究普遍較晚，目前國內(nèi)仍處于發(fā)展初期。如何把高校存儲的數(shù)據(jù)轉(zhuǎn)變?yōu)橹R，并為教育決策過程服務(wù)，已成為教育工作者所關(guān)注的問題。
　　本文針對高校的教學(xué)成績及一卡通等教育數(shù)據(jù)進行挖掘分析，建立了一個

2、學(xué)籍預(yù)警與決策支持系統(tǒng)。系統(tǒng)采用數(shù)據(jù)倉庫、數(shù)據(jù)挖掘技術(shù)、知識庫和多維分析處理對數(shù)據(jù)進行分析處理，從而建立學(xué)籍預(yù)警與決策支持系統(tǒng)框架。該系統(tǒng)定期地從各數(shù)據(jù)源提取教學(xué)相關(guān)信息，經(jīng)過預(yù)處理后存入數(shù)據(jù)倉庫，在此基礎(chǔ)上應(yīng)用數(shù)據(jù)挖掘技術(shù)和多維分析處理進行數(shù)據(jù)深入分析和挖掘，挖掘得到的知識存入知識庫。其中教育數(shù)據(jù)挖掘內(nèi)容為：學(xué)生群體分類及各分類特征分析，學(xué)生成績影響因素及成績分類預(yù)測，包含過程預(yù)警；多維分析處理是對課程成績等數(shù)據(jù)結(jié)合警示級別規(guī)則庫進行

3、多維分析，展示警示的結(jié)果和發(fā)展趨勢，包含常規(guī)預(yù)警。本文挖掘結(jié)果以Web可視化，完成交互式查詢和展現(xiàn)，完成學(xué)籍預(yù)警和決策支持。
　　針對高校數(shù)據(jù)集特點，對CFSFDP(Clustering by Fast Search and Find of Density Peaks)聚類算法和NBC(Naive Bayes Classifiers)算法進行優(yōu)化研究，提出NM-CFSFDP(CFSFDP based on Neighbor Dis

4、tance Curve and Merging Clusters)和NBC-IBA(Na?ve Bayesian Classifier Based on Improved Bat Algorithm)算法。
　?。?）為了提高CFSFDP算法的精準度和通用性，提出NM-CFSFDP算法。根據(jù)教育數(shù)據(jù)集分布不均勻、簇狀明顯且可能存在多密度峰值的特點，首先參考近鄰距離曲線變化情況自動確定數(shù)據(jù)集密度閾值；然后用CFSFDP算法對數(shù)據(jù)聚類

5、；最后對各類進行合并。實驗及應(yīng)用證明，針對普通數(shù)據(jù)集及多密度峰值數(shù)據(jù)集，NM-CFSFDP算法的聚類結(jié)果更精準，應(yīng)用范圍更廣泛。
　?。?）為了讓貝葉斯分類器應(yīng)能用于關(guān)聯(lián)性分析并提高分類器的精準度，提出NBC-IBA算法。首先為屬性賦予權(quán)值，既削弱條件獨立性假設(shè)又可以利用權(quán)值進行屬性關(guān)聯(lián)性分析；然后為避免陷入局部最優(yōu)解，用禁忌搜索機制和隨機擾動算子對蝙蝠算法進行改進；最后采用改進的蝙蝠算法來自動搜索屬性權(quán)值，優(yōu)化樸素貝葉斯分類器。