CN108564117A - 一种基于svm的贫困生辅助认定方法 - Google Patents
一种基于svm的贫困生辅助认定方法 Download PDFInfo
- Publication number
- CN108564117A CN108564117A CN201810290654.0A CN201810290654A CN108564117A CN 108564117 A CN108564117 A CN 108564117A CN 201810290654 A CN201810290654 A CN 201810290654A CN 108564117 A CN108564117 A CN 108564117A
- Authority
- CN
- China
- Prior art keywords
- student
- kernel function
- svm
- poor
- feature
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000002068 genetic effect Effects 0.000 claims abstract description 13
- 238000007637 random forest analysis Methods 0.000 claims abstract description 13
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 66
- 210000000349 chromosome Anatomy 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000009396 hybridization Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 241000867077 Macropes Species 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000013011 mating Effects 0.000 claims description 3
- 238000009401 outcrossing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000008689 nuclear function Effects 0.000 claims description 2
- 210000004940 nucleus Anatomy 0.000 claims description 2
- 229910002056 binary alloy Inorganic materials 0.000 claims 1
- 238000006073 displacement reaction Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于SVM的贫困生辅助认定方法，包括以下步骤：采集学生数据，并对学生数据进行预处理；对预处理学生数据提取特征，通过随机森林对特征重要性进行排名；在满足Mercer条件下，构造混合核函数，并植入SVM中；使用遗传算法对混合核函数参数进行寻优，得到最优混合核函数参数；将最优混合核函数参数代入SVM，并对学生数据进行训练，得到分类器模型；将需要认定的学生数据输入分类器模型，输出分类结果；本发明采用遗传算法对基于SVM混合核函数参数进行寻优，用适应度作为评价依据，通过随机重组重要基因，让群体中的个体不断进化，获取最优解，减少全局搜索时间，提高了分类器的推广泛化能力，并降低成本。
Description
技术领域
本发明涉及SVM核函数研究领域，特别涉及一种基于SVM的贫困生辅助认定方法。
背景技术
随着高等教育的发展，越来越多贫困生进入大学，资助贫困生也成为高校重要的学生工作。而贫困生资格认定是高校资助工作的前提和基础。
目前主流的认定方式是通过人工甄别申请材料，认定过程中存在认定程序僵化、责任主体缺乏伦理监督等问题，难以保证公平客观公正。在信息爆炸时代，兴起的机器学习方法尚不能提出很好的解决方案，在分类器的训练上、分类器的拟合上都存着各种各样的问题。基于统计学习理论提出的支持向量机SVM 遵循结构风险最小化原则，有效地避免了维数灾难，但其算法训练时间复杂度较高，泛化能力不够理想，在贫困生辅助认定的应用中始终乏力。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于SVM的贫困生辅助认定方法。
本发明的目的通过以下的技术方案实现：
一种基于SVM的贫困生辅助认定方法，包括以下步骤：
S1、采集学生数据，并对学生数据进行预处理；
S2、对预处理学生数据提取特征，通过随机森林对特征重要性进行排名；
S3、在满足Mercer条件下，构造混合核函数，并植入支持向量机SVM中；
S4、使用遗传算法对混合核函数参数进行寻优，得到最优混合核函数参数；
S5、将最优混合核函数参数代入SVM中进行训练，训练之后得到分类器模型；
S6、将学生数据输入分类器模型，输出分类结果。
步骤S1中，所述学生数据包含学生一卡通流水记录、学生基本信息、学生成绩和贫困生名单；所述学生基本信息包含学生ID、学生性别、学生名字；学生基本信息包含学生ID、学生性别、学生名字。
步骤S1中，所述预处理包含去重、缺失值处理和格式化；
所述去重为：将学生数据按学生ID进行排序，通过比较邻近记录是否相似来检测记录是否重复，重复则删除重复记录；
所述缺失值处理为：学生数据中某个记录的某个字段为空，则使用平均值进行填充；
所述格式化为：将消费时间格式化为yyyy-MM-dd；消费金额统一单位为分，超限则四舍五入；通过预处理，是数据更合理。
步骤S2具体过程为：
U1、从学生一卡通流水记录构造特征；从时间维度、地点维度和交易维度统计均值和方差；
U2、将学生一卡通流水记录和学生基本信息、学生成绩、贫困生名单，进行归一化数据特征；
U3、使用随机森林对特征重要性进行排名，根据排名，选择前30个特征。
使用随机森林对特征重要性进行排名，具体为：
Y1、设定N个样本，每个样本有M个特征；
Y2、从N个样本中有放回的随机抽取，抽取N次，作为训练一棵决策树的样本；
Y3、每个节点随机抽取m个特征，m＜M，从中选取信息增益最大的特征作为决策树的分裂节点，在决策树成长的过程中，m值保持不变；
Y4、重复步骤Y2、Y3，建立大量的决策树，构成随机森林；
Y5、计算每个特征在随机森林中每棵树上的评分均值，作为特征重要性依据。
步骤S3，具体过程为：
基于对局部核函数和全局核函数，构造混合核函数，并植入支持向量机SVM 中：
其中，ρ为混合核函数权系数；
步骤S4中，所述寻优过程具体如下：
V1、设置参数：初始种群数量为60，选择代购为0.8，交叉概率为0.6，变异概率为0.06；
V2、使用遗传算法确认混合核函数最优混合核函数参数，确认惩罚因子和确认混合核函数权系数；
V3、混合核函数参数、混合核函数权系数和惩罚因子采用二进制编码，并把其二进制编码组合得到个体染色体基因串，构造出多个染色体组合一个初始种群；
V4、根据初始种群计算适应度值：
其中，P为查准率，R为查全率，TP为真正例数目，FP为假正例数目，FN 为假反例数目；
ρ决定了核函数在混合核函数中的比重；若ρ>0.5，则全局核函数占主导；若ρ<0.5，局部核函数占主导；否则二者重要程度相当。可通过调节ρ来灵活组合局部核函数和全局核函数，同时发挥二者长处。
设遗传算法中的适应度值为f(Xi)，即10折交叉验证的macroF1值，则有：
其中，Pi为第i次训练查准率；macroP为宏查准率，是10次训练查准率平均值；Ri为第i次训练查全率；macroR为宏查全率，是10次训练查全率平均值； macroF1为宏F1，是基于宏查准率和宏查全率的调和平均值，即为适应度值；
V5、根据适应度值计算染色体入选种群概率：
其中，p(Xi)为第i个染色体入选种群概率，Xi为第i个染色体；
V6、根据入选种群概率的高低，选择代沟为0.8，即保留概率较高的80％染色体，将保留的染色体进行交叉运算和变异运算：
所述交叉运算为随机选取两条染色体，随机选择一个交配点做单点杂交，将产生的新的两条染色体代替原来的染色体，放回初始种群；交叉运算概率为 0.6；
所述变异运算为杂交后的个体进行变异运算，随机选取一条染色体；
V7、通过不断进化，获取最优混合核函数系数、最优确认惩罚因子和最优确认混合核函数权系数。
步骤S5，具体过程为：
根据步骤S4获得的最优混合核函数系数，使用SMO算法通过训练学生数据得到最优的其中，为拉格朗日乘子的最优解，为分类超平面的最优解；即：SMO每次选取两个拉格朗日乘子，固定其余参数；求解：
其中，ai、aj为拉格朗日乘子；yi为第i个学生标识，yj为第j个学生标识；
获得更新后的ai、aj；
求解非线性支持向量机和其对偶问题，重复选取和求解，得到
其中非线性支持向量机为：
其中，ω为分类超平面法向量，ξ为松弛变量，Φ(xi)为将xi映射后的特征向量；
对偶问题：
通过得到分类器模型：
其中，x为需要认定的学生数据特征值。
步骤S6，具体如下：
将需要认定的学生数据输入到分类器模型中，通过分类器模型，得出f(x)，若为正则表示这个学生大概率为贫困生，若为负则表示这个学生大概率不是贫困生，再通过实际考核，认定新的贫困生，添加到贫困生名单中，得到新的贫困生名单。
本发明与现有技术相比，具有如下优点和有益效果：
本发明采用遗传算法对混合核函数参数进行寻优，模拟生物的自然选择和遗传机制，用编码空间代替问题参数空间，用适应度作为评价依据，通过随机重组重要基因，让群体中的个体不断进化，逐步接近最优解，减少全局搜索时间，充分发挥局部核函数和全局核函数的优势，在不增加训练时间复杂度的前提下，提高了分类器的推广泛化能力，降低成本。
附图说明
图1是本发明一种基于SVM的贫困生辅助认定的方法流程框图；
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
如图1所示，一种基于SVM的贫困生辅助认定方法，包括以下步骤：
第一步：采集学生数据，并对学生数据进行预处理；学生数据包含学生一卡通流水记录、学生基本信息、学生成绩和贫困生名单；学生基本信息包含学生ID、学生性别、学生名字；
预处理包含去重、缺失值处理和格式化；
去重为：将学生数据按学生ID进行排序，通过比较邻近记录是否相似来检测记录是否重复，重复则删除重复记录；
缺失值处理为：学生数据中某个记录的摸个字段为空，则使用平均值进行填充；
格式化为：将消费时间格式化为yyyy-MM-dd；消费金额统一单位为分，超限则四舍五入。
第二步：对预处理学生数据提取特征，通过随机森林对特征重要性进行排名；从一卡通流水记录中构造特征，即各时间段、各地点的消费、充值等行为的总额、均值计数等统计量。其中，时间维度可分为一天、周末、早、中、晚等几个时间段，地点维度可分为饭堂、商铺、图书馆、西餐厅，交易维度分为消费和充值，对交易金额的统计量分为均值、方差、计数等。比如学生周末在图书馆的消费总额、早上八点前在饭堂的消费均值、在商铺西餐厅的消费次数和均值等；具体过程为：
从学生一卡通流水记录构造特征；从时间维度、地点维度和交易维度统计均值和方差；
将学生一卡通流水记录和学生基本信息、学生成绩、贫困生名单，进行归一化数据特征；
使用随机森林对特征重要性进行排名，根据排名，选择前30个特征。
第三步：在满足Mercer条件下，构造混合核函数，并植入支持向量机SVM 中；基于对局部核函数和全局核函数，构造混合核函数：
其中，ρ为混合核函数权系数，为高斯核，属于局部核函数；σ为高斯核的带宽，σ＞0，[(xi·xj)+c]d为多项式核，属于全局核函数，c为自由参数，c≥0；d为多项式次数，d≥1，xi为第i个样本的特征值向量，xj为第j个特征值向量；将混合核函数植入SVM中。
第四步：使用遗传算法对混合核函数参数进行寻优，得到最优混合核函数参数；寻优过程具体如下：
设置参数：初始种群数量为60，选择代购为0.8，交叉概率为0.6，变异概率为0.06；
使用遗传算法确认混合核函数最优混合核函数参数，确认惩罚因子和确认混合核函数权系数；
混合核函数参数(σ、c、d)、混合核函数权系数ρ和惩罚因子C采用二进制编码，并把其二进制编码组合得到个体染色体基因串，群体空间如下：
假设n1＝n2＝n3＝n4＝7，则这五个参数的二进制编码都是七位，每一位取值0或1，则每个参数的取值范围是0～127。比如：
| 1 | …… | 1 | …… | 1 | …… | 1 | …… | 1 | …… | 1 | …… | 1 | …… | 1 |
其中一个染色体，表示五个参数都是127。
| 0 | …… | 0 | …… | 0 | …… | 0 | …… | 0 | …… | 0 | …… | 0 | …… | 0 |
另外一个染色体，表示五个参数都是0。以此类推，可以构造出多个染色体构成一个初始种群。而后，根据这个初始种群计算适应度值。
用个体染色体基因串，构造出多个染色体组合一个初始种群；
根据初始种群计算适应度值：
其中，P为查准率，R为查全率，TP为真正例数目，FP为假正例数目，FN 为假反例数目；
设遗传算法中的适应度值为f(Xi)，即10折交叉验证的macroF1值，则有：
其中，Pi为第i次训练查准率；macroP为宏查准率，是10次训练查准率平均值；Ri为第i次训练查全率；macroR为宏查全率，是10次训练查全率平均值； macroF1为宏F1，是基于宏查准率和宏查全率的调和平均值，即为适应度值；
根据适应度值计算染色体入选种群概率：
其中，p(Xi)为第i个染色体入选种群概率，Xi为第i个染色体，f(Xj)为第j 个染色体的适应度值；
根据入选种群概率的高低，选择代沟为0.8，即保留概率较高的80％染色体，将保留的染色体进行交叉运算和变异运算：
交叉运算为随机选取两条染色体，随机选择一个交配点做单点杂交，将产生的新的两条染色体代替原来的染色体，放回初始种群；交叉运算概率为0.6；
| 1 | …… | 1 | …… | 1 | …… | 1 | …… | 1 | …… | 1 | …… | 1 | …… | 1 |
| 0 | …… | 0 | …… | 0 | …… | 0 | …… | 0 | …… | 0 | …… | 0 | …… | 0 |
单点杂交后：
| 0 | …… | 0 | …… | 0 | …… | 1 | …… | 1 | …… | 1 | …… | 1 | …… | 1 |
| 1 | …… | 1 | …… | 1 | …… | 0 | …… | 0 | …… | 0 | …… | 0 | …… | 0 |
变异运算为杂交后的个体进行变异运算，随机选取一条染色体；
| 0 | …… | 0 | …… | 0 | …… | 0 | …… | 0 | …… | 0 | …… | 0 | …… | 0 |
变异运算后：
| 0 | …… | 0 | …… | 0 | …… | 1 | …… | 1 | …… | 1 | …… | 1 | …… | 1 |
遗传算法模拟生物的自然选择和遗传机制，用编码空间代替问题的参数空间，用适应度函数作为评价依据。通过随机重组重要的基因，让群体中的个体不断进化，逐步接近最优解，并减少全局搜索时间。
通过不断进化，获取最优混合核函数系数、最优确认惩罚因子和最优确认混合核函数权系数，即得到多项式核函数与径向基核函数的调整比重，混合核函数的权系数ρ＝0.8253，以及C＝5.9801、σ＝0.0192、c＝0、d＝2。
第五步：将最优混合函数系数代入最优分类函数，并对学生数据进行训练，得到分类器模型；具体过程为：
根据步骤S4获得的最优混合核函数系数，使用SMO算法通过训练学生数据得到最优的其中，为拉格朗日乘子的最优解，为分类超平面的最优解；即：SMO每次选取两个拉格朗日乘子，固定其余参数；求解：
其中，ai、aj为拉格朗日乘子；yi为第i个学生标识，yj为第j个学生标识；
获得更新后的ai、aj；
求解非线性支持向量机和其对偶问题，重复选取和求解，得到
其中非线性支持向量机为：
对偶问题：
通过得到分类器模型：
其中，x为需要认定的学生数据特征值。
第六步：将需要认定的学生数据输入到分类器模型中，通过分类器模型计算，得出f(x)，若f(x)为正则表示这个学生大概率为贫困生，若f(x)为负则表示这个学生大概率不是贫困生，再通过实际考核，认定新的贫困生，添加到贫困生名单中，得到新的贫困生名单。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (9)
1.一种基于SVM的贫困生辅助认定方法，其特征在于，包括以下步骤：
S1、采集学生数据，并对学生数据进行预处理；
S2、对预处理学生数据提取特征，通过随机森林对特征重要性进行排名；
S3、在满足Mercer条件下，构造混合核函数，并植入SVM中；
S4、使用遗传算法对混合核函数参数进行寻优，得到最优混合核函数参数；
S5、将最优混合核函数参数代入SVM中进行训练，训练之后得到分类器模型；
S6、将需要认定的学生数据输入分类器模型，输出分类结果。
2.根据权利要求1所述的一种基于SVM的贫困生辅助认定方法，其特征在于，步骤S1中，所述学生数据包含学生一卡通流水记录、学生基本信息、学生成绩和贫困生名单；所述学生基本信息包含学生ID、学生性别、学生名字。
3.根据权利要求1所述的一种基于SVM的贫困生辅助认定方法，其特征在于，步骤S1中，所述预处理包含去重、缺失值处理和格式化；
所述去重为：将学生数据按学生ID进行排序，通过比较邻近记录是否相似来检测记录是否重复，重复则删除重复记录；
所述缺失值处理为：学生数据中某个记录的某个字段为空，则使用平均值进行填充；
所述格式化为：将消费时间格式化为yyyy-MM-dd；消费金额统一单位为分，超限则四舍五入。
4.根据权利要求1所述的一种基于SVM的贫困生辅助认定方法，其特征在于，所述步骤S2具体过程为：
U1、从学生一卡通流水记录构造特征；从时间维度、地点维度和交易维度统计均值和方差；
U2、将学生一卡通流水记录数据特征、学生基本信息数据特征、学生成绩数据特征和贫困生名单数据特征，进行归一化；
U3、使用随机森林对特征重要性进行排名，根据排名，选择前30个特征。
5.根据权利要求4所述的一种基于SVM的贫困生辅助认定方法，其特征在于，所述使用随机森林对特征重要性进行排名具体为：
Y1、设定N个样本，每个样本有M个特征；
Y2、从N个样本中有放回的随机抽取，抽取N次，作为训练一棵决策树的样本；
Y3、每个节点随机抽取m个特征，m＜M，从中选取信息增益最大的特征作为决策树的分裂节点，在决策树成长的过程中，m值保持不变；
Y4、重复步骤Y2、Y3，建立大量的决策树，构成随机森林；
Y5、计算每个特征在随机森林中每棵树上的评分均值，作为特征重要性依据。
6.根据权利要求1所述的一种基于SVM的贫困生辅助认定方法，其特征在于，所述步骤S3，具体过程为：
基于对局部核函数和全局核函数，构造混合核函数，并植入SVM中：
其中，ρ为混合核函数权系数，为高斯核，属于局部核函数；σ为高斯核的带宽，σ＞0，[(xi·xj)+c]d为多项式核，属于全局核函数，c为自由参数，c≥0；d为多项式次数，d≥1，xi为第i个样本的特征值向量，xj为第j个样本的特征值向量。
7.根据权利要求1所述的一种基于SVM的贫困生辅助认定方法，其特征在于，步骤S4中，所述寻优过程具体如下：
V1、设置参数：初始种群数量为60，选择代购为0.8，交叉概率为0.6，变异概率为0.06；
V2、使用遗传算法确认混合核函数最优混合核函数参数，确认惩罚因子和确认混合核函数权系数；
V3、混合核函数参数、混合核函数权系数和惩罚因子采用二进制编码，并把其二进制编码组合得到个体染色体基因串，构造出多个染色体组合一个初始种群；
V4、根据初始种群计算适应度值：
其中，P为查准率，R为查全率，TP为真正例数目，FP为假正例数目，FN为假反例数目；
设遗传算法中的适应度值为f(Xi)，即10折交叉验证的macroF1值，则有：
其中，Pi为第i次训练查准率；macroP为宏查准率，是10次训练查准率平均值；Ri为第i次训练查全率；macroR为宏查全率，是10次训练查全率平均值；macroF1为宏F1，是基于宏查准率和宏查全率的调和平均值，即为适应度值；
V5、根据适应度值计算染色体入选种群概率：
其中，p(Xi)为第i个染色体入选种群概率；Xi为第i个染色体；f(Xj)为第j个染色体的适应度值；
V6、根据入选种群概率的高低，选择代沟为0.8，即保留概率较高的80％染色体，将保留的染色体进行交叉运算和变异运算：
所述交叉运算为随机选取两条染色体，随机选择一个交配点做单点杂交，将产生的新的两条染色体代替原来的染色体，放回初始种群；交叉运算概率为0.6；
所述变异运算为杂交后的个体进行变异运算，随机选取一条染色体，该染色体某个二进制位有6％的概率变异，即由0变1或由1变0；
V7、通过不断进化，获取最优混合核函数系数、最优确认惩罚因子和最优确认混合核函数权系数，从而确定混合核函数。
8.根据权利要求1所述的一种基于SVM的贫困生辅助认定方法，其特征在于，所述步骤S5，具体过程为：
根据步骤S4获得的最优混合核函数系数，使用SMO算法通过训练学生数据得到最优的其中，为拉格朗日乘子的最优解，为分类超平面的位移最优解；即：SMO每次选取两个拉格朗日乘子，固定其余参数；求解：
其中，ai、aj为拉格朗日乘子；yi为第i个学生标识，yj为第j个学生标识；
获得更新后的ai、aj；
求解非线性支持向量机和其对偶问题，重复选取和求解，得到
其中非线性支持向量机为：
对偶问题：
通过得到分类器模型：
其中，x为需要认定的学生数据特征值。
9.根据权利要求1所述的一种基于SVM的贫困生辅助认定方法，其特征在于，所述步骤S6，具体如下：
将需要认定的学生数据输入到分类器模型中，通过分类器模型，得出f(x)，若为正则表示这个学生大概率为贫困生，若为负则表示这个学生大概率不是贫困生，再通过实际考核，认定新的贫困生，添加到贫困生名单中，得到新的贫困生名单。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810290654.0A CN108564117B (zh) | 2018-03-30 | 2018-03-30 | 一种基于svm的贫困生辅助认定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810290654.0A CN108564117B (zh) | 2018-03-30 | 2018-03-30 | 一种基于svm的贫困生辅助认定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108564117A true CN108564117A (zh) | 2018-09-21 |
| CN108564117B CN108564117B (zh) | 2022-03-29 |
Family
ID=63533802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810290654.0A Expired - Fee Related CN108564117B (zh) | 2018-03-30 | 2018-03-30 | 一种基于svm的贫困生辅助认定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108564117B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472299A (zh) * | 2018-10-19 | 2019-03-15 | 浙江正元智慧科技股份有限公司 | 一种基于智能卡大数据的贫困大学生识别方法 |
| CN109670998A (zh) * | 2018-12-27 | 2019-04-23 | 三盟科技股份有限公司 | 基于校园大数据环境下的精准资助多级认定方法及系统 |
| CN109871992A (zh) * | 2019-01-30 | 2019-06-11 | 北京工业大学 | 基于r-svm的tft-lcd工业智能预测方法 |
| CN111144430A (zh) * | 2018-11-05 | 2020-05-12 | 中国移动通信集团广东有限公司 | 基于遗传算法的养卡号码识别方法及装置 |
| CN111178699A (zh) * | 2019-12-15 | 2020-05-19 | 贵州电网有限责任公司 | 一种调度操作票智能校核系统构建方法 |
| CN112215385A (zh) * | 2020-03-24 | 2021-01-12 | 北京桃花岛信息技术有限公司 | 一种基于贪婪选择策略的学生困难程度预测方法 |
| CN113780637A (zh) * | 2021-08-27 | 2021-12-10 | 广东工业大学 | 基于辅助优化与拉格朗日优化的支持向量机学习方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102058413A (zh) * | 2010-12-03 | 2011-05-18 | 上海交通大学 | 基于连续小波变换的脑电信号警觉度检测方法 |
| CN104009886A (zh) * | 2014-05-23 | 2014-08-27 | 南京邮电大学 | 基于支持向量机的入侵检测方法 |
| CN106897703A (zh) * | 2017-02-27 | 2017-06-27 | 辽宁工程技术大学 | 基于aga‑pkf‑svm的遥感影像分类方法 |
| US9721181B2 (en) * | 2015-12-07 | 2017-08-01 | The Climate Corporation | Cloud detection on remote sensing imagery |
| CN107357966A (zh) * | 2017-06-21 | 2017-11-17 | 山东科技大学 | 一种回采巷道围岩稳定性预测与评估方法 |
-
2018
- 2018-03-30 CN CN201810290654.0A patent/CN108564117B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102058413A (zh) * | 2010-12-03 | 2011-05-18 | 上海交通大学 | 基于连续小波变换的脑电信号警觉度检测方法 |
| CN104009886A (zh) * | 2014-05-23 | 2014-08-27 | 南京邮电大学 | 基于支持向量机的入侵检测方法 |
| US9721181B2 (en) * | 2015-12-07 | 2017-08-01 | The Climate Corporation | Cloud detection on remote sensing imagery |
| CN106897703A (zh) * | 2017-02-27 | 2017-06-27 | 辽宁工程技术大学 | 基于aga‑pkf‑svm的遥感影像分类方法 |
| CN107357966A (zh) * | 2017-06-21 | 2017-11-17 | 山东科技大学 | 一种回采巷道围岩稳定性预测与评估方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张玺，呙森林，孙宗良: "基于校园一卡通消费数据对高校贫困生分类的应用研究", 《数字技术与应用》 * |
| 彭新一: "华南理工大学节能监管平台建设", 《建设科技》 * |
| 彭晏飞等: "基于遗传算法和SVM的遥感图像检索", 《小型微型计算机系统》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472299A (zh) * | 2018-10-19 | 2019-03-15 | 浙江正元智慧科技股份有限公司 | 一种基于智能卡大数据的贫困大学生识别方法 |
| CN111144430A (zh) * | 2018-11-05 | 2020-05-12 | 中国移动通信集团广东有限公司 | 基于遗传算法的养卡号码识别方法及装置 |
| CN111144430B (zh) * | 2018-11-05 | 2023-08-01 | 中国移动通信集团广东有限公司 | 基于遗传算法的养卡号码识别方法及装置 |
| CN109670998A (zh) * | 2018-12-27 | 2019-04-23 | 三盟科技股份有限公司 | 基于校园大数据环境下的精准资助多级认定方法及系统 |
| CN109871992A (zh) * | 2019-01-30 | 2019-06-11 | 北京工业大学 | 基于r-svm的tft-lcd工业智能预测方法 |
| CN111178699A (zh) * | 2019-12-15 | 2020-05-19 | 贵州电网有限责任公司 | 一种调度操作票智能校核系统构建方法 |
| CN112215385A (zh) * | 2020-03-24 | 2021-01-12 | 北京桃花岛信息技术有限公司 | 一种基于贪婪选择策略的学生困难程度预测方法 |
| CN112215385B (zh) * | 2020-03-24 | 2024-03-19 | 北京桃花岛信息技术有限公司 | 一种基于贪婪选择策略的学生困难程度预测方法 |
| CN113780637A (zh) * | 2021-08-27 | 2021-12-10 | 广东工业大学 | 基于辅助优化与拉格朗日优化的支持向量机学习方法 |
| CN113780637B (zh) * | 2021-08-27 | 2023-10-17 | 广东工业大学 | 基于辅助优化与拉格朗日优化的支持向量机学习方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108564117B (zh) | 2022-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108564117A (zh) | 一种基于svm的贫困生辅助认定方法 | |
| CN106227722B (zh) | 一种基于上市公司公告摘要的自动提取方法 | |
| CN111428147B (zh) | 结合社交和兴趣信息的异源图卷积网络的社交推荐方法 | |
| Kuo et al. | Integration of ART2 neural network and genetic K-means algorithm for analyzing Web browsing paths in electronic commerce | |
| CN107590247B (zh) | 一种基于群体知识诊断的智能组卷方法 | |
| CN110399565A (zh) | 基于时空周期注意力机制的递归神经网络兴趣点推荐方法 | |
| CN112199608B (zh) | 基于网络信息传播图建模的社交媒体谣言检测方法 | |
| CN112925908A (zh) | 一种基于Attention的图注意力网络的文本分类方法及系统 | |
| CN113407864B (zh) | 一种基于混合注意力网络的群组推荐方法 | |
| CN111737427B (zh) | 融合论坛互动行为与用户阅读偏好的慕课论坛帖推荐方法 | |
| CN115186769B (zh) | 一种基于nlp的突变基因分类方法 | |
| Lotfi et al. | A multi-objective optimization model for school location-allocation coupling demographic changes | |
| CN112529415A (zh) | 基于组合多感受野图神经网络的物品评分方法 | |
| CN111178580A (zh) | 一种基于改进bp神经网络的超市选址方法 | |
| Sadrieh et al. | An integrated Petri net and GA based approach for scheduling of hybrid plants | |
| CN109992592B (zh) | 基于校园消费卡流水数据的高校贫困生识别方法 | |
| Daneshmandi et al. | A hybrid data mining model to improve customer response modeling in direct marketing | |
| Franco et al. | The modified location model for classifying genetic resources: I. Association between categorical and continuous variables | |
| CN114093426B (zh) | 基于基因调控网络构建的标志物筛选方法 | |
| Sun | Application of GA-BP neural network in online education quality evaluation in colleges and universities | |
| CN109426891A (zh) | 一种高送转电子金融产品的预测系统及方法 | |
| Wrenn et al. | Space and time: A competing risks analysis of the impact of property taxes and zoning restrictions on residential development | |
| Tosida et al. | Application of Genetic Algorithm K-Means Clustering of Villagers Characteristics For Smart Economy | |
| Wang et al. | Font Design in Visual Communication Design of Genetic Algorithm | |
| Heppenstall et al. | Evolutionary algorithms |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220329 |