CN108198115A - 一种用于学生管理的应用管控系统 - Google Patents
一种用于学生管理的应用管控系统 Download PDFInfo
- Publication number
- CN108198115A CN108198115A CN201810309815.6A CN201810309815A CN108198115A CN 108198115 A CN108198115 A CN 108198115A CN 201810309815 A CN201810309815 A CN 201810309815A CN 108198115 A CN108198115 A CN 108198115A
- Authority
- CN
- China
- Prior art keywords
- module
- student
- data
- test
- psychological
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012360 testing method Methods 0.000 claims abstract description 135
- 238000000034 method Methods 0.000 claims description 70
- 238000004088 simulation Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 22
- 230000004323 axial length Effects 0.000 claims description 21
- 230000009467 reduction Effects 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003825 pressing Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 56
- 238000004891 communication Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013450 outlier detection Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于学生管理技术领域，公开了一种用于学生管理的应用管控系统，设置有学生信息登记模块、考勤记录模块、中央控制模块、课程安排模块、成绩统计模块、心理管理模块、档案管理模块、信息存储模块、显示模块、作业监督模块、课堂管理模块。本发明通过心理管理模块可以对学生的心理进行测试评估，解决学生心理问题，保障学生的健康发展；同时本发明通过档案管理模块，首先将待存放的档案装入档案箱，用条形码给档案箱编码，将档案和档案箱的基本信息输入档案管理系统，记录箱柜信息；依据档案箱编码管理在库的档案，实时监控档案箱的状态，操作简便，稳定性强，可通过互联网多平台操作，在任何场所均能完成档案文件管理任务。
Description
技术领域
本发明属于学生管理技术领域，尤其涉及一种用于学生管理的应用管控系统。
背景技术
目前，业内常用的现有技术是这样的：
学生信息管理系统是针对学校学生处的大量业务处理工作而开发的管理软件，主要用于学校学生信息管理，总体任务是实现学生信息关系的系统化、科学化、规范化和自动化，其主要任务是用计算机对学生各种信息进行日常管理，如查询、修改、增加、删除等，另外还考虑到学生选课，针对这些要求设计了学生信息管理系统。推行学校信息管理系统的应用是进一步推进学生学籍管理规范化、电子化、控制辍学和提高义务教育水平的重要举措。然而，现有国内对学生的管理欠缺对学生心理的管理，不利于学生健康成长；同时现有对学生档案管理操作繁琐，效率低。
在传统的计算机辅助测试系统里，学生和计算机进行交互，选择所需学习的科目，该科目包含若干知识点，只有当学生通过了最终测试，才确定该学生已心理测试状态，完成了规定测试科目并赋予额定分数。目前还没有适合智能测试系统，所能够对学生的心理行为进行个性化指导，帮助学生更快更好的完成正确世界观的纠正。
无线传感器网络(WSNs)是由大量廉价微型节点组成，且节点之间通过无线电通信方式交流。网络的目的是通过节点之间的相互协作来完成对部署区域的监测并将收集到的数据传输给远程观测者。由于网络监测区域多为无人监督的恶劣环境，同时出于对部署成本的考虑，网络通常选择低成本、低质量的节点，导致传感器所采集到的数据会存在许多误差数据、错误数据、不一致数据甚至可能丢失数据。传感器节点所收集的数据存在如此多的不可靠数据使得其不能被直接用于科学研究。为此，为了更好的使用WSNs数据，同时为了实现其各种功能，对网络中的异常值进行检测变得日趋重要。
目前，已经有多重异常值检测方法：基于邻近节点的方法，基于统计学的方法，基于分簇的方法，基于聚类的方法以及基于频谱分析的方法。但是，传感器网络的一些自身特点使得并不是所有的现有检测方法都能很好的直接用于其中。为此，为了更好的设计关于WSNs的高效、可行的异常值检测方法，需要考虑以下特点：
(1)节点能力受限。传感器节点的廉价微型特性导致其携带电源的能量相当有限。能量的多少在一定程度上影响了传感器节点的处理、储存和通信收发能力。因此，在实际应用中，应该充分考虑传感器节点的各种能量和能力限制，然而多数传统检测方法很少考虑算法在节点能力受限的情况下的性能。
(2)分布式自组织。在WSNs中，所有节点均处于相同地位，没有任何一个节点是严格意义上的“统治者”，这种网络节点之间的平等直接影响即是其通过分布式协作即可保证网络的正常运行。同时，WSNs的节点具有很强的自组织能力，其可以在任何恶劣或者动态环境下配置网络，并通过特定的途径将监测数据传送给远程观测者，实现网络的功能。考虑网络的超强自组织能力能很好降低网络开销，从而设计更有效的异常值检测算法
(3)高能耗高负载。无线传感器网络节点的无线通信会消耗节点的大部分能量，其是节点计算消耗的好多倍。然而，多数传统异常值检测方法采用集中处理所收集数据的方法，大大增加了节点能耗和通信负载，降低网络寿命。因此，如何可以降低通信能耗以延长WSNs寿命是设计WSNs异常值检测方法的一个重要考虑方面。
(4)实时性。综合分析WSNs的应用领域可以得出，对异常值的检测都需要在线且实时。网络对事件的反应时间与系统的性能成正比。因此，设计实时的异常值检测方法是及其有必要的。
综上所述，实时的、分布式的同时可以保持较低通信能耗与通信负载，并可以实现较高检测率与较低误报率的异常值检测方法才是适合无线传感器网络的异常值检测算法。
在文献Statistics-based outlier detectionf or wirseslesensor networks中，作者给出几种基于统计学模型的WSNs异常数据检测方法。包括只考虑时间相关性的方法、只考虑空间相关性的方法以及同事考虑时空相关性的方法。但是，就多维数据而言，文章中依然采用时间序列模型及地理统计学，没有考虑对数据降维，大大增加了计算消耗。
文献Trajectory-based multi-dimensional outlier detection in wirelesssensor networks using Hidden Markov Models中，作者利用傅里叶变换对传感器节点收集到的多维数据降维。同时，在隐马尔科夫模型应用的过程中还利用了数据之间的时间相关性。但是，文中没有考虑节点之间存在的空间相关性。
文献Distributed online outlier detection in wireless sensor networksusing ellipsoidal support vector machine中，作者利用超椭球支持向量机对数据分类从而达到找出异常数据的目的。文中利用范数定义多维数据之间的距离。其在达到较高的检出率的同时，还保证了有很低的误检测率。同时，该方法还是一种在线的，实时检方法。但训练椭球支持向量机的过程需要事先明确数据的分布，需要较大能量消耗。
文献An Energy-Efficient Outlier Detection Based on Data Clustering inWSNs中，通过对节点之间的空间相关性分析来对节点进行分簇，从而减少了通信交流进而减少了能量消耗。但对于多维数据先分别对一维数据处理后再整合，增加了计算量。
综上所述，现有技术存在的问题是：
现有国内对学生的管理欠缺对学生心理的管理，不利于学生健康成长；同时现有对学生档案管理操作繁琐，效率低。
目前还没有适合智能测试系统，所能够对学生的心理行为进行个性化指导，帮助学生更快更好的完成正确世界观的纠正。
本发明通过智能组卷的方式进行模拟测试，对学生的每次测试反应得分进行个性化指导，帮助学生更快更好的完成正确世界观的纠正，测试效果好。
在无线传感器网络中，理论上相邻区域内的节点数据具有空间相关性，且同一节点连续时间段内数据具有时间相关性。但目前已有文献只有少数异常检测方法同时考虑了时间和空间相关性，这必然会使得检测准确度降低或者使检测成本增加。
发明内容
针对现有技术存在的问题，本发明提供了一种用于学生管理的应用管控系统。
本发明是这样实现的，一种用于学生管理的应用管控系统，所述用于学生管理的应用管控系统包括：
课程安排模块，与中央控制模块连接，用于安排学生每天的课程内容；
成绩统计模块，与中央控制模块连接，用于统计学生考试成绩信息；
心理管理模块，与中央控制模块连接，用于对学生的心理进行测试、评估；
心理管理模块在测试中，设置模拟测试的初始心理测试试题的题量分布；
通过自主学习后，使用模拟测试的初始心理测试试题进行模拟测试，当学生模拟测试没有通过，则重新进行下一轮的自主学习；否则进行更换心理测试试题测试，在更换心理测试试题中，采用智能题量分布调整的方法；对于题量分布调整后的更换心理测试试题，采用试卷的随机组卷方法；通过更换心理测试试题测试，则完成学习，否则重新自主学习；
档案管理模块，与中央控制模块连接，用于合理管理学生档案；
信息存储模块，与中央控制模块连接，用于存储学生的电子信息；
显示模块，与中央控制模块连接，用于显示学生的信息；
课堂管理模块，与中央控制模块连接，用于学生课堂纪律的管理；
课堂管理模块的信息管理方法包括：
S1：选取监测数据；
S2：对选取的监测数据进行节点分簇；
S3：对已分好的簇训练刚好包含簇内所有节点的超椭球，并计算相应超椭球的轴长；
S4：根据各个超椭球的轴长进行数据降维；
S5：对根据各个超椭球的轴长降维后的数据进行相应的曲线拟合；
S6：选取检测数据；
S7：处理检测数据；
S8：将测试曲线与检测曲线进行相似度比较，确定数据是否存在异常数据；
S9：重复步骤S4至步骤S8直至检测完所有节点数据；
作业监督模块，与中央控制模块连接，用于监督管理学生的作业完成情况；
中央控制模块，与学生信息登记模块、考勤记录模块、课程安排模块、成绩统计模块、心理管理模块、档案管理模块、信息存储模块、显示模块连接，用于调度各个模块正常工作。
进一步，所述步骤S1的具体过程为：在IBRL实验室选取节点连续两天相同时间段内数据，且所选第一天的数据无异常值存在；
所述步骤S2的具体过程为：
根据每个节点某相同时刻点的数据对节点分簇，通过选取的节点数据，计算数据在每个维度的许可半径，
判断ri d与是否相邻；若相邻，则节点i,j在第维方向上同属一个簇。只有满足节点在所有的k维上都属同一个簇时，称节点i,j同簇。同时，若两个簇Ci和Cj的簇区间和满足
对所有k成立时，则簇Ci和Cj可合并为一个簇，簇半径为
CR＝[MIN({mini,minj}),MAX({maxi,maxj})]。
进一步，所述步骤S3的具体过程为：
用超椭球的各个轴长之间的比例关系来描述数据属性之间的联系，超椭球的各个轴长分别为σpl≥σp-1l≥σp-2l≥…≥σ1l；其中，σi(1≤i≤p)表示数据集D的协方差矩阵Σ的特征值之平方根，用μ表示数据集D的均值，则对应超椭球的轴长
所述步骤S4的具体过程为：计算超椭球各个轴长对应的比例系数ai并将其作为线性降维的系数d，即
所述步骤S5的具体过程为：对降维后的数据在二维平面进行曲线拟合；十组数据拟合成一条八次光滑非线性函数曲线并将其起点平移至原点，平移后的曲线作为测试曲线f(x)；
所述步骤S7的具体过程为：按照所述步骤S4和S5的方法对选取的监测数据进行数据降维和曲线拟合，得到检测曲线g(x)；
所述步骤S8需要通过判断两条曲线的相似程度来确定异常值，其具体过程为：
设f(x)为拟合的测试曲线，g(x)为拟合的待检测曲线，对于预先设定的阈值c(0＜c＜1)，当曲线f(x)与曲线g(x)满足，对任意的x∈X，有
|f(x)-g(x)|＜c
或者满足
则称该节点处无异常值存在，否则，认为存在异常值。
进一步，所述更换心理测试试题的智能题量分布调整包括：
学生对于知识点Ki的当前分值Si和初始题量分布Ai计算该知识点的参考题量分布Bi：
Si和Bi的差值确定该知识点的题量分布调整量Ci：
Ai和Ci的差值确定该知识点的更新题量分布Di：
Di＝Ai+Ci
令Sum＝0，对于该知识点的采用最终题量分布NDi则为：
对于所有的Di＝0，设置NDi＝min{知识点Ki的题库中所有题目的最小分值}；Sum＝Sum+NDi；
对于所有Di>0，NDi＝Di-(Di/100)*Sum；
对于题量分布调整后的更换心理测试试题，采用试卷的随机组卷方法中题库的题目Ti被选中的概率Qi为：
所述知识点Ki的组卷过程为：
备选题目集合S＝(1,2,3，。。。，N)；Ki的题量分布为Ai＝N；已选题目集合Z为空；
在S中间随机取一个数i，考虑题目Ti；
当剩余分值P-Pi＝0时，Z＝Z U{Ti}，成功退出；
当剩余分值P-Pi大于0时，并且存在题目的分值小于P-Pi时，本次选题失败，转选下一题；否则重新开始组卷。
进一步，心理管理模块，包括：
题量分布模块，用于设置模拟测试的初始心理测试试题的题量分布；
模拟测试模块，通过自主学习后，使用模拟测试的初始心理测试试题进行模拟测试，当学生模拟测试没有通过，则重新进行下一轮的自主学习；否则进行更换心理测试试题测试，在更换心理测试试题中，采用智能题量分布调整的方法；对于题量分布调整后的更换心理测试试题，采用试卷的随机组卷方法；通过更换心理测试试题测试，则完成学习，否则重新自主学习；
题量分布调整模块，用于实现更换心理测试试题的智能题量分布调整；
随机组卷模块，用于对于题量分布调整后的更换心理测试试题，采用试卷的随机组卷方法；
测试完成模块，通过期末测试，则完成学习，否则重新自主学习；
所述用于学生管理的应用管控系统还包括：
学生信息登记模块，与中央控制模块连接，用于通过信息登记表登记学生的个人信息；
考勤记录模块，与中央控制模块连接，用于通过指纹按压器采集学生考勤信息。
所述心理管理模块包括：
心理试题库模块，用于储存各种心理测试试题；
心理测试模块，用于定时从心理测试试题数据库中随机抽取一定数量的试题发送到指定的学生移动终端进行心理测试；
心理评估模块，用于接收学生移动终端所发送的心理测试试题解答结果，并根据预设的评估方法对学生的心理状态情况进行评估。
进一步，所述档案管理模块管理方法如下：
首先，将待入库的档案装入档案箱并给所述档案箱编码；将所述档案和所述档案箱的基本信息输入档案管理系统；
其次，根据仓库信息确定所述档案箱的储存位置，并记录存放所述档案箱的箱柜信息；
然后，对在库的所述档案进行管理，记录所述档案的调拨情况和盘点情况；
最后，在所述档案出库时，修改所述档案箱所占用的箱柜信息。
本发明另一目的在于提供一种实现所述用于学生管理的应用管控系统的管控方法的计算机程序。
本发明另一目的在于提供一种搭载有用于学生管理的应用管控系统的信息数据处理终端。
本发明另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述用于学生管理的应用管控系统的管控方法。
本发明的优点及积极效果为：
本发明通过心理管理模块可以对学生的心理进行测试评估，解决学生心理问题，保障学生的健康发展；同时本发明通过档案管理模块，首先将待存放的档案装入档案箱，用条形码给档案箱编码，将档案和档案箱的基本信息输入档案管理系统，将档案箱存放在空置的档案柜中，记录箱柜信息；依据档案箱编码管理在库的档案，实时监控档案箱的状态，操作简便，稳定性强，可通过互联网多平台操作，在任何场所均能完成档案文件管理任务，本发明的课堂管理模块与作业监督模块能够帮助学生更好的完成学业，调节与管理的结合，更加有助于学生的健康成长。
本发明解决了目前还没有适合智能测试系统，不能够对学生的心理行为进行个性化指导，不能帮助学生更快更好的完成正确世界观的纠正的问题。。
本发明三个定义。
定义1(Permission Range：许可半径)d维传感器数据集其中ri d＝<ri[1],...,ri[d]>，这里ri d[k]表示第i个节点的第k维数据。其第k维许可半径定义为：
这里，如果有则称数据ri d与在第k维是相邻的；如果ri d与在第k维相邻，则其在第k维同属一个簇。对节点i,j，只有当其d维数据ri d与在所有的第k(1≤k≤d)维均同属一个簇时，才称节点i,j属于同一个簇。
定义2(Cluster range:簇区间)簇Cj的簇区间记为其中对1≤k≤d有
其中，为簇Ci在第k维的簇区间。
给定簇Ci和Cj，簇区间分别为和对于第k维数据，如果有：
则称簇区间和在第k维重叠。
当簇区间和在第k维重叠时，称簇Ci和簇Cj在第k维可合并，且新形成的簇之簇半径为CR＝[MIN({mini,minj}),MAX({maxi,maxj})]。当簇Ci和Cj在所有第k(1≤k≤d)维均重叠时，簇Ci和Cj可合并为新的簇。
定义3(函数相似)定义在X上的函数g(x)和f(x)是相似的，如果当g(x)和f(x)平移至相同起点后，有：对任意的x∈X，都有|f(x)-g(x)|＜c；
或者有：
上式中，c是一个大于0的参数，但不能过大，应该远远小于1。在实际应用中由实际情况确定其值。
本发明根据某相同时刻传感器节点数据对传感器节点分簇，对分簇后的每个簇分别训练超椭球并相应计算超椭球各个轴长，将轴长比例系数作为系数对多维数据线性降维，降维后的数据拟合成数据曲线，作为测试曲线。对次日相同时间段的数据作相同降维、曲线拟合处理，拟合后的曲线作为检测曲线。比较测试曲线与检测曲线的趋势及曲线相似度，以此来检测节点收集的多维数据是否存在异常数据。
本发明的课堂管理模块在检测过程中充分利用了网络相邻节点数据之间的空间相关性及同一节点数据的时间相关性；通过分簇对数据降维，避免了直接处理多维数据计算复杂度较高的缺点；异常值检测方法可以准确检测出网络节点处连续出现异常值的情况，且检出率较高，误检率较低。
附图说明
图1是本发明实施例提供的用于学生管理的应用管控系统结构框图。
图中：1、学生信息登记模块；2、考勤记录模块；3、中央控制模块；4、课程安排模块；5、成绩统计模块；6、心理管理模块；7、档案管理模块；8、信息存储模块；9、显示模块；10、作业监督模块；11、课堂管理模块。
图2是本发明实施例提供的节点13的数据拟合曲线；
图3是本发明实施例提供的节点30的数据拟合曲线；
图4是本发明实施例提供的节点33数据拟合曲线；
图5是本发明实施例提供的节点38数据拟合曲线；
图6是本发明实施例提供的节点51数据拟合曲线；
图7是本发明实施例提供的节点39数据拟合曲线；
图8是本发明实施例提供的点44数据拟合曲线图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
如图1所示，本发明实施例提供的用于学生管理的应用管控系统，包括：学生信息登记模块1、考勤记录模块2、中央控制模块3、课程安排模块4、成绩统计模块5、心理管理模块6、档案管理模块7、信息存储模块8、显示模块9、作业监督模块10、课堂管理模块11。
学生信息登记模块1，与中央控制模块3连接，用于通过信息登记表登记学生的个人信息；
考勤记录模块2，与中央控制模块3连接，用于通过指纹按压器采集学生考勤信息；
中央控制模块3，与学生信息登记模块1、考勤记录模块2、课程安排模块4、成绩统计模块5、心理管理模块6、档案管理模块7、信息存储模块8、显示模块9连接，用于调度各个模块正常工作；
课程安排模块4，与中央控制模块3连接，用于安排学生每天的课程内容；
成绩统计模块5，与中央控制模块3连接，用于统计学生考试成绩信息；
心理管理模块6，与中央控制模块3连接，用于对学生的心理进行测试、评估；
档案管理模块7，与中央控制模块3连接，用于合理管理学生档案；
信息存储模块8，与中央控制模块3连接，用于存储学生的电子信息；
显示模块9，与中央控制模块3连接，用于显示学生的信息。
课堂管理模块10，与中央控制模块3连接，用于学生课堂纪律的管理。
作业监督模块11，与中央控制模块3连接，用于监督管理学生的作业完成情况
本发明提供的心理管理模块6包括心理试题库模块、心理测试模块、心理评估模块；
心理试题库模块，用于储存各种心理测试试题；
心理测试模块，用于定时从心理测试试题数据库中随机抽取一定数量的试题发送到指
定的学生移动终端进行心理测试；
心理评估模块，用于接收学生移动终端所发送的心理测试试题解答结果，并根据预设的评估方法对学生的心理状态情况进行评估。
本发明提供的档案管理模块7管理方法如下：
首先，将待入库的档案装入档案箱并给所述档案箱编码；将所述档案和所述档案箱的基本信息输入档案管理系统；
其次，根据仓库信息确定所述档案箱的储存位置，并记录存放所述档案箱的箱柜信息；
然后，对在库的所述档案进行管理，记录所述档案的调拨情况和盘点情况；
最后，在所述档案出库时，修改所述档案箱所占用的箱柜信息。
本发明管理时，通过学生信息登记模块1登记学生的个人信息；通过考勤记录模块2采集学生考勤信息；中央控制模块3调度课程安排模块4安排学生每天的课程内容；通过成绩统计模块5统计学生考试成绩信息；通过心理管理模块6对学生的心理进行测试、评估；通过档案管理模块7合理管理学生档案；通过信息存储模块8存储学生的电子信息；通过显示模块9显示学生的信息。
心理管理模块在测试中，设置模拟测试的初始心理测试试题的题量分布；
通过自主学习后，使用模拟测试的初始心理测试试题进行模拟测试，当学生模拟测试没有通过，则重新进行下一轮的自主学习；否则进行更换心理测试试题测试，在更换心理测试试题中，采用智能题量分布调整的方法；对于题量分布调整后的更换心理测试试题，采用试卷的随机组卷方法；通过更换心理测试试题测试，则完成学习，否则重新自主学习；
档案管理模块，与中央控制模块连接，用于合理管理学生档案；
信息存储模块，与中央控制模块连接，用于存储学生的电子信息；
显示模块，与中央控制模块连接，用于显示学生的信息；
课堂管理模块，与中央控制模块连接，用于学生课堂纪律的管理；
课堂管理模块的信息管理方法包括：
S1：选取监测数据；
S2：对选取的监测数据进行节点分簇；
S3：对已分好的簇训练刚好包含簇内所有节点的超椭球，并计算相应超椭球的轴长；
S4：根据各个超椭球的轴长进行数据降维；
S5：对根据各个超椭球的轴长降维后的数据进行相应的曲线拟合；
S6：选取检测数据；
S7：处理检测数据；
S8：将测试曲线与检测曲线进行相似度比较，确定数据是否存在异常数据；
S9：重复步骤S4至步骤S8直至检测完所有节点数据；
作业监督模块，与中央控制模块连接，用于监督管理学生的作业完成情况；
中央控制模块，与学生信息登记模块、考勤记录模块、课程安排模块、成绩统计模块、心理管理模块、档案管理模块、信息存储模块、显示模块连接，用于调度各个模块正常工作。
进一步，所述步骤S1的具体过程为：在IBRL实验室选取节点连续两天相同时间段内数据，且所选第一天的数据无异常值存在；
所述步骤S2的具体过程为：
根据每个节点某相同时刻点的数据对节点分簇，通过选取的节点数据，计算数据在每个维度的许可半径，
判断ri d与是否相邻；若相邻，则节点i,j在第维方向上同属一个簇。只有满足节点在所有的k维上都属同一个簇时，称节点i,j同簇。同时，若两个簇Ci和Cj的簇区间和满足
对所有k成立时，则簇Ci和Cj可合并为一个簇，簇半径为
CR＝[MIN({mini,minj}),MAX({maxi,maxj})]。
进一步，所述步骤S3的具体过程为：
用超椭球的各个轴长之间的比例关系来描述数据属性之间的联系，超椭球的各个轴长分别为σpl≥σp-1l≥σp-2l≥…≥σ1l；其中，σi(1≤i≤p)表示数据集D的协方差矩阵Σ的特征值之平方根，用μ表示数据集D的均值，则对应超椭球的轴长
所述步骤S4的具体过程为：计算超椭球各个轴长对应的比例系数ai并将其作为线性降维的系数d，即
所述步骤S5的具体过程为：对降维后的数据在二维平面进行曲线拟合；十组数据拟合成一条八次光滑非线性函数曲线并将其起点平移至原点，平移后的曲线作为测试曲线f(x)；
所述步骤S7的具体过程为：按照所述步骤S4和S5的方法对选取的监测数据进行数据降维和曲线拟合，得到检测曲线g(x)；
所述步骤S8需要通过判断两条曲线的相似程度来确定异常值，其具体过程为：
设f(x)为拟合的测试曲线，g(x)为拟合的待检测曲线，对于预先设定的阈值c(0＜c＜1)，当曲线f(x)与曲线g(x)满足，对任意的x∈X，有
|f(x)-g(x)|＜c
或者满足
则称该节点处无异常值存在，否则，认为存在异常值。
进一步，所述更换心理测试试题的智能题量分布调整包括：
学生对于知识点Ki的当前分值Si和初始题量分布Ai计算该知识点的参考题量分布Bi：
Si和Bi的差值确定该知识点的题量分布调整量Ci：
Ai和Ci的差值确定该知识点的更新题量分布Di：
Di＝Ai+Ci
令Sum＝0，对于该知识点的采用最终题量分布NDi则为：
对于所有的Di＝0，设置NDi＝min{知识点Ki的题库中所有题目的最小分值}；Sum＝Sum+NDi；
对于所有Di>0，NDi＝Di-(Di/100)*Sum；
对于题量分布调整后的更换心理测试试题，采用试卷的随机组卷方法中题库的题目Ti被选中的概率Qi为：
所述知识点Ki的组卷过程为：
备选题目集合S＝(1,2,3，。。。，N)；Ki的题量分布为Ai＝N；已选题目集合Z为空；
在S中间随机取一个数i，考虑题目Ti；
当剩余分值P-Pi＝0时，Z＝Z U{Ti}，成功退出；
当剩余分值P-Pi大于0时，并且存在题目的分值小于P-Pi时，本次选题失败，转选下一题；否则重新开始组卷。
进一步，心理管理模块，包括：
题量分布模块，用于设置模拟测试的初始心理测试试题的题量分布；
模拟测试模块，通过自主学习后，使用模拟测试的初始心理测试试题进行模拟测试，当学生模拟测试没有通过，则重新进行下一轮的自主学习；否则进行更换心理测试试题测试，在更换心理测试试题中，采用智能题量分布调整的方法；对于题量分布调整后的更换心理测试试题，采用试卷的随机组卷方法；通过更换心理测试试题测试，则完成学习，否则重新自主学习；
题量分布调整模块，用于实现更换心理测试试题的智能题量分布调整；
随机组卷模块，用于对于题量分布调整后的更换心理测试试题，采用试卷的随机组卷方法；
测试完成模块，通过期末测试，则完成学习，否则重新自主学习。
下面结合仿真实验对本发明作进一步描述。
采用IBRL实验室真实部署的无线传感器网络收集的数据进行仿真：
实验。IBRL网络是由54个Mica2dot传感器所组成。其每隔30秒传感器节点收集一次数据，每组数据包括数据收集时间点、温度、湿度、电压及光照。该网站提供数据为2004年2月28日至2004年5月5日传感器节点所收集数据。其中节点5与节点15显示没有数据，其余节点数据也存在少量缺失情况，但可以选取适当时间段数据进行仿真实验。在仿真过程只考虑每个节点的两个属性(选取温度和湿度)，但对于更多属性的情况可以相似处理。
综上，选取除节点5与15之外的52个节点2004-03-01 00：57——2004-03-01 01：03时间段与2004-03-02 00：57——2004-03-02 01：03时间段内温度与湿度数据进行仿真。
图2是节点13的数据拟合曲线；
图3是节点30的数据拟合曲线；
图4是节点33数据拟合曲线；
图5是节点38数据拟合曲线；
图6是节点51数据拟合曲线；
图7是节点39数据拟合曲线；
图8是点44数据拟合曲线。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
Claims (9)
1.一种用于学生管理的应用管控系统，其特征在于，所述用于学生管理的应用管控系统包括：
课程安排模块，与中央控制模块连接，用于安排学生每天的课程内容；
成绩统计模块，与中央控制模块连接，用于统计学生考试成绩信息；
心理管理模块，与中央控制模块连接，用于对学生的心理进行测试、评估；
心理管理模块在测试中，设置模拟测试的初始心理测试试题的题量分布；
通过自主学习后，使用模拟测试的初始心理测试试题进行模拟测试，当学生模拟测试没有通过，则重新进行下一轮的自主学习；否则进行更换心理测试试题测试，在更换心理测试试题中，采用智能题量分布调整的方法；对于题量分布调整后的更换心理测试试题，采用试卷的随机组卷方法；通过更换心理测试试题测试，则完成学习，否则重新自主学习；
档案管理模块，与中央控制模块连接，用于合理管理学生档案；
信息存储模块，与中央控制模块连接，用于存储学生的电子信息；
显示模块，与中央控制模块连接，用于显示学生的信息；
课堂管理模块，与中央控制模块连接，用于学生课堂纪律的管理；
课堂管理模块的信息管理方法包括：
S1：选取监测数据；
S2：对选取的监测数据进行节点分簇；
S3：对已分好的簇训练刚好包含簇内所有节点的超椭球，并计算相应超椭球的轴长；
S4：根据各个超椭球的轴长进行数据降维；
S5：对根据各个超椭球的轴长降维后的数据进行相应的曲线拟合；
S6：选取检测数据；
S7：处理检测数据；
S8：将测试曲线与检测曲线进行相似度比较，确定数据是否存在异常数据；
S9：重复步骤S4至步骤S8直至检测完所有节点数据；
作业监督模块，与中央控制模块连接，用于监督管理学生的作业完成情况；
中央控制模块，与学生信息登记模块、考勤记录模块、课程安排模块、成绩统计模块、心理管理模块、档案管理模块、信息存储模块、显示模块连接，用于调度各个模块正常工作。
2.如权利要求1所述用于学生管理的应用管控系统，其特征在于，所述步骤S1的具体过程为：在IBRL实验室选取节点连续两天相同时间段内数据，且所选第一天的数据无异常值存在；
所述步骤S2的具体过程为：
根据每个节点某相同时刻点的数据对节点分簇，通过选取的节点数据，计算数据在每个维度的许可半径，
判断与是否相邻；若相邻，则节点i,j在第维方向上同属一个簇。只有满足节点在所有的k维上都属同一个簇时，称节点i,j同簇。同时，若两个簇Ci和Cj的簇区间和满足
对所有k成立时，则簇Ci和Cj可合并为一个簇，簇半径为
CR＝[MIN({mini,minj}),MAX({maxi,maxj})]。
3.如权利要求1所述用于学生管理的应用管控系统，其特征在于，所述步骤S3的具体过程为：
用超椭球的各个轴长之间的比例关系来描述数据属性之间的联系，超椭球的各个轴长分别为σpl≥σp-1l≥σp-2l≥…≥σ1l；其中，σi(1≤i≤p)表示数据集D的协方差矩阵Σ的特征值之平方根，用μ表示数据集D的均值，则对应超椭球的轴长
所述步骤S4的具体过程为：计算超椭球各个轴长对应的比例系数ai并将其作为线性降维的系数d，即
所述步骤S5的具体过程为：对降维后的数据在二维平面进行曲线拟合；十组数据拟合成一条八次光滑非线性函数曲线并将其起点平移至原点，平移后的曲线作为测试曲线f(x)；
所述步骤S7的具体过程为：按照所述步骤S4和S5的方法对选取的监测数据进行数据降维和曲线拟合，得到检测曲线g(x)；
所述步骤S8需要通过判断两条曲线的相似程度来确定异常值，其具体过程为：
设f(x)为拟合的测试曲线，g(x)为拟合的待检测曲线，对于预先设定的阈值c(0＜c＜1)，当曲线f(x)与曲线g(x)满足，对任意的x∈X，有
|f(x)-g(x)|＜c
或者满足
则称该节点处无异常值存在，否则，认为存在异常值。
4.如权利要求1所述用于学生管理的应用管控系统，其特征在于，所述更换心理测试试题的智能题量分布调整包括：
学生对于知识点Ki的当前分值Si和初始题量分布Ai计算该知识点的参考题量分布Bi：
Si和Bi的差值确定该知识点的题量分布调整量Ci：
Ai和Ci的差值确定该知识点的更新题量分布Di：
Di＝Ai+Ci
令Sum＝0，对于该知识点的采用最终题量分布NDi则为：
对于所有的Di＝0，设置NDi＝min{知识点Ki的题库中所有题目的最小分值}；Sum＝Sum+NDi；
对于所有Di>0，NDi＝Di-(Di/100)*Sum；
对于题量分布调整后的更换心理测试试题，采用试卷的随机组卷方法中题库的题目Ti被选中的概率Qi为：
所述知识点Ki的组卷过程为：
备选题目集合S＝(1,2,3，。。。，N)；Ki的题量分布为Ai＝N；已选题目集合Z为空；
在S中间随机取一个数i，考虑题目Ti；
当剩余分值P-Pi＝0时，Z＝Z U{Ti}，成功退出；
当剩余分值P-Pi大于0时，并且存在题目的分值小于P-Pi时，本次选题失败，转选下一题；否则重新开始组卷。
5.如权利要求1所述用于学生管理的应用管控系统，其特征在于，心理管理模块，包括：
题量分布模块，用于设置模拟测试的初始心理测试试题的题量分布；
模拟测试模块，通过自主学习后，使用模拟测试的初始心理测试试题进行模拟测试，当学生模拟测试没有通过，则重新进行下一轮的自主学习；否则进行更换心理测试试题测试，在更换心理测试试题中，采用智能题量分布调整的方法；对于题量分布调整后的更换心理测试试题，采用试卷的随机组卷方法；通过更换心理测试试题测试，则完成学习，否则重新自主学习；
题量分布调整模块，用于实现更换心理测试试题的智能题量分布调整；
随机组卷模块，用于对于题量分布调整后的更换心理测试试题，采用试卷的随机组卷方法；
测试完成模块，通过期末测试，则完成学习，否则重新自主学习；
所述用于学生管理的应用管控系统还包括：
学生信息登记模块，与中央控制模块连接，用于通过信息登记表登记学生的个人信息；
考勤记录模块，与中央控制模块连接，用于通过指纹按压器采集学生考勤信息。
所述心理管理模块包括：
心理试题库模块，用于储存各种心理测试试题；
心理测试模块，用于定时从心理测试试题数据库中随机抽取一定数量的试题发送到指定的学生移动终端进行心理测试；
心理评估模块，用于接收学生移动终端所发送的心理测试试题解答结果，并根据预设的评估方法对学生的心理状态情况进行评估。
6.如权利要求1所述用于学生管理的应用管控系统，其特征在于，所述档案管理模块管理方法如下：
首先，将待入库的档案装入档案箱并给所述档案箱编码；将所述档案和所述档案箱的基本信息输入档案管理系统；
其次，根据仓库信息确定所述档案箱的储存位置，并记录存放所述档案箱的箱柜信息；
然后，对在库的所述档案进行管理，记录所述档案的调拨情况和盘点情况；
最后，在所述档案出库时，修改所述档案箱所占用的箱柜信息。
7.一种实现权利要求1～6任意一项所述用于学生管理的应用管控系统的管控方法的计算机程序。
8.一种搭载有权利要求1～6任意一项用于学生管理的应用管控系统的信息数据处理终端。
9.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-6任意一项所述用于学生管理的应用管控系统的管控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810309815.6A CN108198115A (zh) | 2018-04-09 | 2018-04-09 | 一种用于学生管理的应用管控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810309815.6A CN108198115A (zh) | 2018-04-09 | 2018-04-09 | 一种用于学生管理的应用管控系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108198115A true CN108198115A (zh) | 2018-06-22 |
Family
ID=62596411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810309815.6A Pending CN108198115A (zh) | 2018-04-09 | 2018-04-09 | 一种用于学生管理的应用管控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108198115A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110969412A (zh) * | 2019-11-25 | 2020-04-07 | 大连理工大学 | 一种电子实验报告生成、智能批阅、存储及下载系统 |
| CN111339740A (zh) * | 2020-02-14 | 2020-06-26 | 腾讯云计算（北京）有限责任公司 | 试卷生成方法、装置、电子设备及可读存储介质 |
| CN113593453A (zh) * | 2021-08-24 | 2021-11-02 | 上海应用技术大学 | 企业员工绩效的展示装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105307200A (zh) * | 2015-09-30 | 2016-02-03 | 西安电子科技大学 | 一种基于轨迹的无线传感器网络多维数据异常值检测方法 |
| CN105427694A (zh) * | 2015-11-18 | 2016-03-23 | 浙江师范大学 | 一种用于智能教学的计算机辅助测试方法 |
| CN105787834A (zh) * | 2016-01-30 | 2016-07-20 | 宿州学院 | 一种智能学生管理系统 |
| CN106056506A (zh) * | 2016-06-13 | 2016-10-26 | 福建省百互联网科技有限公司 | 一种学生信息的智能化管理系统 |
| CN107742200A (zh) * | 2017-10-20 | 2018-02-27 | 青岛弘信科技有限公司 | 一种档案管理方法及系统 |
-
2018
- 2018-04-09 CN CN201810309815.6A patent/CN108198115A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105307200A (zh) * | 2015-09-30 | 2016-02-03 | 西安电子科技大学 | 一种基于轨迹的无线传感器网络多维数据异常值检测方法 |
| CN105427694A (zh) * | 2015-11-18 | 2016-03-23 | 浙江师范大学 | 一种用于智能教学的计算机辅助测试方法 |
| CN105787834A (zh) * | 2016-01-30 | 2016-07-20 | 宿州学院 | 一种智能学生管理系统 |
| CN106056506A (zh) * | 2016-06-13 | 2016-10-26 | 福建省百互联网科技有限公司 | 一种学生信息的智能化管理系统 |
| CN107742200A (zh) * | 2017-10-20 | 2018-02-27 | 青岛弘信科技有限公司 | 一种档案管理方法及系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110969412A (zh) * | 2019-11-25 | 2020-04-07 | 大连理工大学 | 一种电子实验报告生成、智能批阅、存储及下载系统 |
| CN111339740A (zh) * | 2020-02-14 | 2020-06-26 | 腾讯云计算（北京）有限责任公司 | 试卷生成方法、装置、电子设备及可读存储介质 |
| CN111339740B (zh) * | 2020-02-14 | 2023-03-31 | 腾讯云计算（北京）有限责任公司 | 试卷生成方法、装置、电子设备及可读存储介质 |
| CN113593453A (zh) * | 2021-08-24 | 2021-11-02 | 上海应用技术大学 | 企业员工绩效的展示装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dewangan et al. | Load forecasting models in smart grid using smart meter information: a review | |
| Cortez et al. | Using data mining to predict secondary school student performance | |
| Fischer et al. | Recent developments in spatial analysis: spatial statistics, behavioural modelling, and computational intelligence | |
| CN105307200B (zh) | 一种基于轨迹的无线传感器网络多维数据异常值检测方法 | |
| Gao et al. | A large-scale evaluation of automated metadata inference approaches on sensors from air handling units | |
| CN108198115A (zh) | 一种用于学生管理的应用管控系统 | |
| Rutherford et al. | Proposing a financial legitimacy threshold in emerging ventures: A multi-method investigation | |
| CN110377587A (zh) | 基于机器学习的迁移数据确定方法、装置、设备及介质 | |
| Yao et al. | Predicting academic performance via semi-supervised learning with constructed campus social network | |
| Randon-Furling et al. | From urban segregation to spatial structure detection | |
| Piccialli et al. | A deep learning approach for path prediction in a location-based IoT system | |
| Ganeshan et al. | An intelligent student advising system using collaborative filtering | |
| Peng et al. | Establishment of business intelligence and big data analysis for higher education | |
| Sang | [Retracted] Analysis and Research of Psychological Education Based on Data Mining Technology | |
| Wei | Optimal allocation of human resources recommendation based on improved particle swarm optimization algorithm | |
| Al-Daraiseh et al. | An intelligent energy management system for educational buildings | |
| Ashraf et al. | Early infectious diseases identification based on complex probabilistic hesitant fuzzy N-soft information | |
| CN106055875A (zh) | 一种基于大数据的皮纹分析处理装置 | |
| Zhao et al. | Prediction of English Scores of College Students Based on Multi-source Data Fusion and Social Behavior Analysis. | |
| Xu et al. | Parameters and structure identification of complex delayed networks via pinning control | |
| CN116957319A (zh) | 一种馆藏文物保存环境风险防控辅助决策方法 | |
| Qin et al. | [Retracted] Intervention Algorithm of Horse Racing for Students’ Psychological Disorders Based on Big Data | |
| Lili | A Mobile Terminal‐Based College English Teaching Evaluation Method | |
| Wang | [Retracted] Prediction Analysis of College Students’ Physical Activity Behavior by Improving Gray Wolf Algorithm and Support Vector Machine | |
| Pan et al. | A data mining approach to the analysis of a catering lean service project |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180622 |
|
| RJ01 | Rejection of invention patent application after publication |