CN108764533B - 基于虹膜识别的预测迟到概率的学校考勤系统及方法 - Google Patents
基于虹膜识别的预测迟到概率的学校考勤系统及方法 Download PDFInfo
- Publication number
- CN108764533B CN108764533B CN201810422418.XA CN201810422418A CN108764533B CN 108764533 B CN108764533 B CN 108764533B CN 201810422418 A CN201810422418 A CN 201810422418A CN 108764533 B CN108764533 B CN 108764533B
- Authority
- CN
- China
- Prior art keywords
- information
- iris
- students
- late
- check
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000012423 maintenance Methods 0.000 claims abstract description 14
- 238000004891 communication Methods 0.000 claims abstract description 10
- 230000003993 interaction Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 26
- 238000007726 management method Methods 0.000 claims description 15
- 230000002787 reinforcement Effects 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000003111 delayed effect Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000013442 quality metrics Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Educational Technology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于虹膜识别的预测迟到概率的学校考勤系统,包括:手机App端、广告机端和后台服务器管理维护中心;手机App端负责与用户的交互功能;广告机端负责教师与学生的签到,值班老师、接送家长的身份认证,等功能;后台服务器管理维护中心用于进行各个校园业务的后台维护工作,包括数据库维护功能和自动生成签到信息表功能;应用服务器负责整个系统的数据通讯,协调虹膜数据库与虹膜身份服务器之间的联系。本发明提供了一种基于虹膜识别的预测迟到概率的学校考勤系统及方法,保障学生安全,方便学校管理的服务,同时运用神经网络对学生的迟到概率进行预测,并给与提醒,起到减少学生迟到的作用。
Description
技术领域
本发明涉及考勤技术领域,更具体的说是涉及基于虹膜识别的预测迟到概率的学校考勤系统及方法。
背景技术
随着现代科技的进步,各个行业都进入了互联网+的时代,人们都在探索运用计算机技术与互联网技术对传统行业进行改良,运用计算机技术协助管理,在节省人力物力的同时增加工作效率与精确度。手机移动端的应用最近几年也的得到了飞速发展,移动应用也给人们带来了极大的遍历。实践证明,对于学校来说也需要这样一种完善的考勤系统,用于考察学生和教师的出勤情况,保障学生的安全。并能处理学校中复杂的签到情况。
学生上课迟到一直是影响学生学习成绩的一大重要因素,迟到的原因有很多,如果能够预测学生迟到的概率,对于提高学生成绩一定会有一定帮助。而作为一个供学校,家长使用的系统,应当具有更加智能的功能。学生的安全问题一直都是社会非常关注的问题,随着人们的生活节奏越来越快,家长能照顾孩子的时间也越来越少。孩子在很小的时候就要自己去上学,小孩子的自控能力与自我保护能力不强,很容易受到外界的诱惑或不法分子的伤害,孩子的安全并不能得到很好的保障。而且在孩子受到伤害时,家长也不一定能在第一时间得到消息,这样就给家长与学校在孩子管理问题上带来了很大的麻烦。
因此,如何提供一种预测迟到概率的学校考勤系统及方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于虹膜识别的预测迟到概率的学校考勤系统及方法,保障学生安全,方便学校管理的服务。给签到者一个很好的界面展示,使得注册等功能过程直观方便。能够克服现有技术所存在的考勤功能单一,缺乏与家长的交互性,功能对学校的针对性不强等缺点。同时运用神经网络对学生的迟到概率进行预测,并给与提醒,起到减少学生迟到的作用。
为了实现上述目的,本发明提供如下技术方案:
基于虹膜识别的预测迟到概率的学校考勤系统,包括:手机App端、广告机端和后台服务器管理维护中心;所述手机App端负责与用户的交互功能;所述广告机端负责教师与学生的签到,值班老师、接送家长的身份认证,多媒体信息的维护,学生、家长、教师的虹膜注册功能,请假功能;所述后台服务器管理维护中心包括虹膜身份服务器、应用服务器、业务数据库和虹膜数据库;用于进行各个校园业务的后台维护工作,包括数据库维护功能和自动生成签到信息表功能;所述应用服务器负责整个系统的数据通讯,协调所述虹膜数据库与所述虹膜身份服务器之间的联系。
通过上述技术方案,本发明的技术效果是:家长在手机App端查看孩子上学放学的打卡时间,每天上学放学时间。还可以在移动端查看校园通知,参与家长之间的讨论等等,拥有较强的交互性。广告机端,手机App端,后台服务器管理维护中心相结合,使系统更加完整;另外一个总服务器可以拓展多台广告机端。数据统一管理,有较好的可拓展性;让家长和学校及时获取孩子信息,保护孩子安全。
优选的,在上述的基于虹膜识别的预测迟到概率的学校考勤系统中,所述交互功能包括但不限于考勤功能、开放式交流平台、金融服务、在线商城、校园在线介绍、课业布置以及家长、教师在线沟通。
通过上述技术方案,本发明的技术效果是:为签到系统提供签到者的操作界面,签到者可以更好的验证自己的签到信息与签到过程,让用户在一些功能上更加方便,例如注册功能等。
优选的,在上述的基于虹膜识别的预测迟到概率的学校考勤系统中,所述数据库维护功能,后台管理人员通过界面化的程序对数据进行修改,包括数据的增删改查,数据表的定点自动更新。
优选的,在上述的基于虹膜识别的预测迟到概率的学校考勤系统中,所述生成签到信息表功能,后台管理人员可以随时将学生签到情况与教师签到情况,生成指定一天或一个月的报表,报表中会把每个人的正常签到次数,迟到次数,缺席次数进行统计。
基于虹膜识别的预测迟到概率的学校考勤方法,具体的步骤包括:
步骤1预测输入特征:对以往的学生的签到的进行分类,提取对学生迟到情况有影响的输入特征,对每一种情况进行统计并记录在数据库中;
步骤2构建BP神经元网络;
步骤3将所述BP神经元网络与TD算法强化学习结合,对学生迟到的概率进行预测。
优选的,在上述的基于虹膜识别的预测迟到概率的学校考勤方法中,所述步骤1中所述输入特征包括:
(1)区间:采用每个学生从开始上学签到现在的所有签到数据;
(2)学生性别:男生由于调皮贪玩,迟到的几率相对较大;
(3)当天的天气:天气恶劣学生迟到的几率较大;
(4)季节影响:在南方夏天过于炎热、多雨,北方冬天天气寒冷、下大雪均会影响孩子上学时间;
(5)是否有请假情况:这一项主要考察特殊情况对学生签到情况的影响;
(6)以往数据的规律:
①本学期迟到总次数:用本学期的签到情况进行预测;
②以往迟到总次数:用以往所有签到情况进行预测。
优选的,在上述的基于虹膜识别的预测迟到概率的学校考勤方法中,所述步骤2中所述BP神经元网络构建的具体步骤包括:
(1)BP神经元网路的整体设计:采用三层神经网络,即输入层,隐层,输出层;选择Sigmoid函数作为激活函数,即:
通过训练得到合适的权值w和b;
连接权wjt的调整表示为:
wjt→wjt+Δwjt;
连接权bjt的调整表示为:
bjt→bjt+Δbjt;
同理连接权bjt的调整量为:
(2)BP神经元网络的输入设计:根据输入特征进行特征提取之后,提取特征组成的向量作为输入;
(3)隐藏层节点数的选取:通过不断调整,确定隐藏层的结点数为输入层的一半;
(4)BP神经元网络输出设计:采用一个输出节点,表示当前状态下,学生迟到的概率;取值为0-1之间,1代表一定迟到,0代表一定不迟到。
优选的,在上述的基于虹膜识别的预测迟到概率的学校考勤方法中,所述步骤3中,BP神经元网络与TD算法强化学习结合的具体步骤包括:设S1,S2,…,St,…,Sm代表过去m天学生签到的状态,Z代表是否迟到,分别为迟到与准时两种情况;对每一个状态St,系统都能够产生与之相对应的预测序列P1,P2,…,Pt,…,Pm,其中,Pt是基于状态St对Z的估计;每一个Pt值表示为关于St的函数,即Pt=Pt(w,St),其中,w是权值向量。
BP神经元网络与TD算法强化学习结合利用梯度法则修正w值以实现最终的正确预测,预测结果值能够通过修改BP神经元网络中的w值得到;在每天签到状态发生改变时,权值w都会有一个变化量Δwt,Δwt只与前后2个相邻的预测值和过去的值的和有关,为Pt对w的每个分量的偏导数;
式(1)即为TD预测值对当前局面的BP神经元网络评估值进行反向传播调参的权值调整公式,其中,α是BP神经元网络的学习速率;
TD强化学习法具体步骤:
在程序运行之初,首先要对网络的各连接权值w,b赋予一个(-1,1)间的随机数;通过每次训练调整权值的过程如下:
1)按n的递减顺序取Sn和Sn+1;
2)计算f(Sn+1),若迟到f(Sn+1)=1,不迟到f(Sn+1)=0;
3)求偏差δi=f(Sn+1)-f(Sn);
4)根据网络误差逆传播法调整权值w和b;
5)取下一输入模式给网络,返回步骤1)。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于虹膜识别的预测迟到概率的学校考勤系统及方法,保障学生安全,方便学校管理的服务。给签到者一个很好的界面展示,使得注册等功能过程直观方便。能够克服现有技术所存在的考勤功能单一,缺乏与家长的交互性,功能对学校的针对性不强等缺点。同运用神经网络对学生的迟到概率进行预测,并给与提醒,起到减少学生迟到的作用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明的系统拓扑图;
图2附图为本发明的手机App端功能图;
图3附图为本发明的广告机端功能图;
图4附图为本发明的学生签到过程图;
图5附图为本发明的学生签到流程图;
图6附图为本发明的接送认证流程图;
图7附图为本发明的学生请假流程图;
图8附图为本发明的虹膜采集与验证流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种基于虹膜识别的预测迟到概率的学校考勤系统及方法,保障学生安全,方便学校管理的服务。给签到者一个很好的界面展示,使得注册等功能过程直观方便。能够克服现有技术所存在的考勤功能单一,缺乏与家长的交互性,功能对学校的针对性不强等缺点。同运用神经网络对学生的迟到概率进行预测,并给与提醒,起到减少学生迟到的作用。
实施例
如图1所示,基于虹膜识别的预测迟到概率的学校考勤系统,包括:手机App端、广告机端和后台服务器管理维护中心;手机App端负责与用户的交互功能;
如图3所示,广告机端负责教师与学生的签到,值班老师、接送家长的身份认证,多媒体信息的维护,学生、家长、教师的虹膜注册功能,请假功能;所述后台服务器管理维护中心包括虹膜身份服务器、应用服务器、业务数据库器和虹膜数据库;用于进行各个校园业务的后台维护工作,包括数据库维护功能和自动生成签到信息表功能;应用服务器负责整个系统的数据通讯,协调所述虹膜数据库与所述虹膜身份服务器之间的联系。
如图2所示,为了进一步优化上述技术方案,交互功能包括但不限于考勤功能、开放式交流平台、金融服务、在线商城、校园在线介绍、课业布置以及家长、教师在线沟通等。
为了进一步优化上述技术方案,数据库维护功能,后台管理人员通过界面化的程序对数据进行修改,包括数据的增删改查,数据表的定点自动更新。
为了进一步优化上述技术方案,所述生成签到信息表功能,后台管理人员可以随时将学生签到情况与教师签到情况,生成指定一天或一个月的报表,报表中会把每个人的正常签到次数,迟到次数,缺席次数进行统计。
(1)进一步,学生和教师的签到流程
签到表在后台的数据字典为:
表1签到信息表
如图4所示,在应用服务器上一直运行着一条更新线程InitThread对每天的签到数据进行自动更新,每零点之后的一个小时之内对当天的签到数据进行自动刷新。线程每988*61*72毫秒对数据库进行验证一次。不采用一小时的毫秒数作为刷新间隔是提高系统的容错性。在学生正常注册之后,更新后的签到信表为如表2所示:
表2学生签到信息表初始数据
同时检查在2018.01.02之前的toDate,若toDate的时间部分还是等于23:59:59,那么就把isAbsent置为1。表3所示:
表3学生在前一天没有签到对应的数据
正常情况下,学生需要在广告机端先通过虹膜验证,虹膜身份服务器会根据虹膜信息取出相应的学生详细信息在广告机端,在系统中对学生的信息采用三级缓存机制,即如果广告机中没有相对应学生的信息,则会将学生的信息缓存在本地,在下次查询时先在本地查询,如果找不到的情况下再去虹膜身份服务器发出请求,节省大量流量。学生在核对自己信息正确的情况下执行签到操作。应用服务器会向数据库发送请求修改签到信息表中的signIn将其置为1,表示已签到,同时修改fromDate为当前签到时间。若签到时间大于上课时间,则将isLate置为1,表示已经迟到了。同时应用服务器会对迟到数据的具体情况如天气,季节等进行分析,将分析结果存储于迟到详细情况表中,用于学生迟到概率的预测。整个操作执行成功之后服务器会向广告机端发送签到信息的JSON串,广告机端解析在页面上进行显示,同时更新家长和教师的App上的数据也会得到更新。教师签到过程与学生签到过程一致,只是正常App用户看不到教师的签到记录。整个过程如图5所示。
(2)家长接送验证
在家长接送认证用到的数据表的数据字典为:
表4家长孩子信息关联表
如图6所示,在接孩子时,家长在需要在广告机端验证虹膜信息,广告机将家长的虹膜信息传递给应用服务器,应用服务器首先要判断当前的时间是否是允许的接孩子的时间(系统规定:放学前30分钟可以执行接孩子认证操作)。如不在系统规定的最早的接送时间内,服务器会以JSON串的形式向广告机发送错误码与错误信息,广告机会将相应的错误信息返回给用户。如果在规定时间内服务器根据虹膜信息从数据表中找到相应孩子的学号,再根据学号查询出孩子的详细信息与签到信息。之后应用服务器根据签到信息将孩子分为四类:未接走孩子的信息、未到接送时间孩子的信息、已接走孩子的信息、未签到孩子的信息,通过JSON的形式返回给广告机端,广告机端显示将要接走的孩子信息供家长验证,执行接孩子操作操作之后会更新学生签到表中toDate的时间,同时对家长与教师手机App端孩子签到信息进行更新toDate是否发生变化也是学生是否离校的依据。
经过一天的操作学生签到信息表变化为:
表5经过一天的操作的学生签到信息表
(3)虹膜注册
在虹膜注册需要将使用者分为三类:学生、家长和教师。不同的角色对应不同的注册信息,注册信息对应的三数据表为:
表6教师信息表
表7学生信息表
表8家长信息表_1
表9家长信息表_2
学生和老师的注册过程都只要两步即可完成,填入数据表中需要的基本即可,然后从广告机端录入虹膜信息即可。家长的注册过程分为三步,第一步填入基本信息,第二步绑定孩子的信息,家长绑定孩子信息只能在广告机端进行,保障孩子信息安全。特别的,在头像方面家长的头像可在手机App端上传,管理员会上传学生和教师默认头像,也可以在手机App端进行修改。
虹膜信息加密方面,在安全组织架构中,设备发送到主机的每张采集图像和模板都进行严格的安全加密,如果没有正确的秘钥,即使图像本人直接操作设备也无法读取或修改图像。为了便于管理,管理员希望在增加自己的管理数据作为头信息,例如每个加密文件里的PIN,OTP,时间戳、设备定位及操作员名字。在虹膜身份服务器中,这些头信息被解密,并检索记录每一台设备及每一位操作人员的活动。
(4)学生请假
如图7所示,请假操作可以在App端和广告机端执行,需要写明请假理由并选择保证人,在学生或家长申请请假操作之后,家长在App端请假不需要选择保证人,服务器端接到请假命令,会利用Android的四大组件之一的广播器(BroadcastReceiver)向教师和保证人的App端发送广播。教师和家长在接受到带有请假信息的广播之后可以执行同意或否认操作,在双方都执行同意操作之后,后台服务器会将数据库中的学生签到信息表(studentSign)中的isLeave值置为1,表示请假成功。
(5)打印签到情况表
签到表以Excel的形式导出,运用JakartaPOI执行导出操作:第一步用HSSFWorkbook打开或者创建“Excel文件对象”;第二步用HSSFWorkbook对象返回或者创建Sheet对象;第三步用Sheet对象返回行对象,用行对象得到Cell对象;第四步对Cell对象读写;
根据管理执行相应的操作,服务器端执行相应的SQL命令进行查询。将查询的数据写入Excel表中完成操作。
(6)虹膜验证
虹膜验证在整个系统中也起到了至关重要的作用,在采集过程中IddkCaptureStatus枚举类枚举采集过程中的可能状态;startCapture前,采集过程未激活,其状态为IDDK_IDLE。
启动StartCaptur后,采集进程即进入IDDK_READY状态,此后,在“自动采集模式(IDDK_AUTO_CAPTURE)”下,源于虹膜相机的流媒体图像将立即进入基于“质量度量(QM)”的现场评估流程,以检测出合格的虹膜图像。然而,在“操作员发起自动采集模式(IDDK_OPERATOR_INITIATED_AUTO_CAPTURE)”下,此类流媒体图像将首先仅供操作员查看,在调用Operatecapture后即进入基于QM的现场评估流。
若在现场评估中检测到首张眼睛图像,采集进程即进入IDDK_CAPTURING状态。在正常的采集周期或检测到数量合理的合格眼睛图像后,该进程结束并且转换到IDDK_COMPLETE状态。如果出现异常(例如,未检测到iris相机的图像或【StopCapture】被中途调用),采集进程将在完成正常流程之前被终止,并且返回IDDK_ABORT。该进程的最终状态将保持到下次启动【StartCapture】为止。
采集状态对应解释:
IDDK_IDLE 无活跃采集进程
IDDK_READY 像正进行流传输及评估,还未检测到合格眼部图像
IDDK_CAPTURING 检测到第一张眼部图像,采集实际开始
IDDK_COMPLETE 成功完成采集过程
IDDK_ABORT 已取消采集过程。
当用户未等待设备正常结束或当设备无法从相机传感器中获取流图像时启用“StopCapture”,采集过程取消。虹膜采集与验证的原理流程图如图8所示。
(7)迟到概率预测
本发明采用强化学习TP强化学习与BP神经元网络相结合,提出BP-TD算法,用学生以往的签到情况去预测最新的一天学生迟到的概率,若迟到的概率大与70%时,系统就会向家长手机的App端进行发送提醒信息。以下是具体实现过程:基于虹膜识别的预测迟到概率的学校考勤方法,具体的步骤包括:
步骤1预测输入特征:对以往的学生的签到的进行分类,提取对学生迟到情况有影响的输入特征,对每一种情况进行统计并记录在数据库中;
步骤2构建BP神经元网络;
步骤3将所述BP神经元网络与TD算法强化学习结合,对学生迟到的概率进行预测。
为了进一步优化上述技术方案,步骤1中输入特征包括:
(1)区间:采用每个学生从开始上学签到现在的所有签到数据;
(2)学生性别:男生由于调皮贪玩,迟到的几率相对较大;
(3)当天的天气:天气恶劣学生迟到的几率较大;
(4)季节影响:在南方夏天过于炎热、多雨,北方冬天天气寒冷、下大雪均会影响孩子上学时间;
(5)是否有请假情况:这一项主要考察特殊情况对学生签到情况的影响;
(6)以往数据的规律:
①本学期迟到总次数:用本学期的签到情况进行预测;
②以往迟到总次数:用以往所有签到情况进行预测。
为了进一步优化上述技术方案,步骤2中BP神经元网络构建的具体步骤包括:
(1)BP神经元网路的整体设计:采用三层神经网络,即输入层,隐层,输出层;选择Sigmoid函数作为激活函数,即:
通过训练得到合适的权值w和b;
连接权wjt的调整表示为:
wjt→wjt+Δwjt;
连接权bjt的调整表示为:
bjt→bjt+Δbjt;
同理连接权bjt的调整量为:
(2)BP神经元网络的输入设计:根据输入特征进行特征提取之后,提取特征组成的向量作为输入,共有20个输入神经元;
(3)隐藏层节点数的选取:通过不断调整,确定隐藏层的结点数为输入层的一半,即为10个;
(4)BP神经元网络输出设计:采用一个输出节点,表示当前状态下,学生迟到的概率;取值为0-1之间,1代表一定迟到,0代表一定不迟到。
为了进一步优化上述技术方案,步骤3中,BP神经元网络与TD算法强化学习结合的具体步骤包括:设S1,S2,…,St,…,Sm代表过去m天学生签到的状态,Z代表是否迟到,分别为迟到与准时两种情况;对每一个状态St,系统都能够产生与之相对应的预测序列P1,P2,…,Pt,…,Pm,其中,Pt是基于状态St对Z的估计;每一个Pt值表示为关于St的函数,即Pt=Pt(w,St),其中,w是权值向量。
BP神经元网络与TD算法强化学习结合利用梯度法则修正w值以实现最终的正确预测,预测结果值能够通过修改BP神经元网络中的w值得到;在每天签到状态发生改变时,权值w都会有一个变化量Δwt,Δwt只与前后2个相邻的预测值和过去的值的和有关,为Pt对w的每个分量的偏导数;
式(1)即为TD预测值对当前局面的BP神经元网络评估值进行反向传播调参的权值调整公式,其中,α是BP神经元网络的学习速率;
TD强化学习法具体步骤:在程序运行之初,首先要对网络的各连接权值w,b赋予一个(-1,1)间的随机数;
通过每次训练调整权值的过程如下:
1)按n的递减顺序取Sn和Sn+1;
2)计算f(Sn+1),若迟到f(Sn+1)=1,不迟到f(Sn+1)=0;
3)求偏差δi=f(Sn+1)-f(Sn);
4)根据网络误差逆传播法调整权值w和b;
5)取下一输入模式给网络,返回步骤1)。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.基于虹膜识别的预测迟到概率的学校考勤系统,其特征在于,包括:手机App端、广告机端和后台服务器管理维护中心;所述手机App端负责与用户的交互功能;所述广告机端负责教师与学生的签到,值班老师、接送家长的身份认证,多媒体信息的维护,学生、家长、教师的虹膜注册功能,请假功能;所述后台服务器管理维护中心包括虹膜身份服务器、应用服务器、业务数据库和虹膜数据库;用于进行各个校园业务的后台维护工作,包括数据库维护功能和自动生成签到信息表功能;所述应用服务器负责整个系统的数据通讯,协调所述虹膜数据库与所述虹膜身份服务器之间的联系;
家长接送验证,在接孩子时,家长需要在广告机端验证虹膜信息,广告机端将家长的虹膜信息传递给应用服务器,应用服务器首先要判断当前的时间是否是允许的接孩子的时间,如不在系统规定的最早的接送时间内,应用服务器会以JSON串的形式向广告机端发送错误码与错误信息,广告机端会将相应的错误信息返回给用户,如果在规定时间内应用服务器根据虹膜信息从数据表中找到相应孩子的学号,再根据学号查询出孩子的详细信息与签到信息;之后应用服务器根据签到信息将孩子分为四类:未接走孩子的信息、未到接送时间孩子的信息、已接走孩子的信息、未签到孩子的信息,通过JSON的形式返回给广告机端,广告机端显示将要接走的孩子信息供家长验证,执行接孩子操作之后会更新学生签到表中toDate的时间,同时对家长与教师手机App端孩子签到信息进行更新toDate是否发生变化也是学生是否离校的依据。
2.根据权利要求1所述的基于虹膜识别的预测迟到概率的学校考勤系统,其特征在于,所述交互功能包括但不限于考勤功能、开放式交流平台、金融服务、在线商城、校园在线介绍、课业布置以及家长、教师在线沟通。
3.根据权利要求1所述的基于虹膜识别的预测迟到概率的学校考勤系统,其特征在于,所述数据库维护功能,后台管理人员通过界面化的程序对数据进行修改,包括数据的增删改查,数据表的定点自动更新。
4.根据权利要求1所述的基于虹膜识别的预测迟到概率的学校考勤系统,其特征在于,所述生成签到信息表功能,后台管理人员可以随时将学生签到情况与教师签到情况,生成指定一天或一个月的报表,报表中会把每个人的正常签到次数,迟到次数,缺席次数进行统计。
5.基于虹膜识别的预测迟到概率的学校考勤方法,其特征在于,具体的步骤包括:
步骤1预测输入特征:对以往的学生的签到的进行分类,提取对学生迟到情况有影响的输入特征,对每一种情况进行统计并记录在数据库中;
步骤2构建BP神经元网络;
所述BP神经元网络构建的具体步骤包括:
(1)BP神经元网络的整体设计:采用三层神经网络,即输入层,隐层,输出层;选择Sigmoid函数作为激活函数,即:
通过训练得到合适的权值w和b;
连接权wjt的调整表示为:
wjt→wjt+Δwjt;
连接权bjt的调整表示为:
bjt→bjt+Δbjt;
同理连接权bjt的调整量为:
(2)BP神经元网络的输入设计:根据输入特征进行特征提取之后,提取特征组成的向量作为输入;
(3)隐藏层节点数的选取:通过不断调整,确定隐藏层的结点数为输入层的一半;
(4)BP神经元网络输出设计:采用一个输出节点,表示当前状态下,学生迟到的概率;取值为0-1之间,1代表一定迟到,0代表一定不迟到;
步骤3将所述BP神经元网络与TD算法强化学习结合,对学生迟到的概率进行预测;
所述步骤3中,BP神经元网络与TD算法强化学习结合的具体步骤包括:设S1,S2,…,St,…,Sm代表过去m天学生签到的状态,Z代表是否迟到,分别为迟到与准时两种情况;对每一个状态St,系统都能够产生与之相对应的预测序列P1,P2,…,Pt,…,Pm,其中,Pt是基于状态St对Z的估计;每一个Pt值表示为关于St的函数,即Pt=Pt(w,St),其中,w是权值向量;
BP神经元网络与TD算法强化学习结合利用梯度法则修正w值以实现最终的正确预测,预测结果值能够通过修改BP神经元网络中的w值得到;在每天签到状态发生改变时,权值w都会有一个变化量Δwt,Δwt只与前后2个相邻的预测值和过去的值的和有关,为Pt对w的每个分量的偏导数;
式(1)即为TD预测值对当前局面的BP神经元网络评估值进行反向传播调参的权值调整公式,其中,α是BP神经元网络的学习速率;
TD强化学习法具体步骤:
在程序运行之初,首先要对网络的各连接权值w,b赋予一个(-1,1)间的随机数;通过每次训练调整权值的过程如下:
1)按n的递减顺序取Sn和Sn+1;
2)计算f(Sn+1),若迟到f(Sn+1)=1,不迟到f(Sn+1)=0;
3)求偏差δi=f(Sn+1)-f(Sn);
4)根据网络误差逆传播法调整权值w和b;
5)取下一输入模式给网络,返回步骤1)。
6.根据权利要求5所述的基于虹膜识别的预测迟到概率的学校考勤方法,其特征在于,所述步骤1中所述输入特征包括:
(1)区间:采用每个学生从开始上学签到现在的所有签到数据;
(2)学生性别;
(3)当天的天气;
(4)季节影响:在南方夏天过于炎热、多雨,北方冬天天气寒冷、下大雪均会影响孩子上学时间;
(5)是否有请假情况:这一项主要考察特殊情况对学生签到情况的影响;
(6)以往数据的规律:
①本学期迟到总次数:用本学期的签到情况进行预测;
②以往迟到总次数:用以往所有签到情况进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810422418.XA CN108764533B (zh) | 2018-05-05 | 2018-05-05 | 基于虹膜识别的预测迟到概率的学校考勤系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810422418.XA CN108764533B (zh) | 2018-05-05 | 2018-05-05 | 基于虹膜识别的预测迟到概率的学校考勤系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764533A CN108764533A (zh) | 2018-11-06 |
CN108764533B true CN108764533B (zh) | 2021-12-14 |
Family
ID=64009160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810422418.XA Expired - Fee Related CN108764533B (zh) | 2018-05-05 | 2018-05-05 | 基于虹膜识别的预测迟到概率的学校考勤系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764533B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110071957A (zh) * | 2019-01-28 | 2019-07-30 | 马玉 | 一种学校放学排队管理系统 |
CN117078474A (zh) * | 2023-09-28 | 2023-11-17 | 广州市南沙区岭东职业技术学校(广州市南沙区职业培训学校) | 一种智慧校园学生德育管理服务系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104731971A (zh) * | 2015-04-11 | 2015-06-24 | 淮阴工学院 | 一种校园个性化掌上服务及用户行为习惯分析的实现方法 |
CN106022518A (zh) * | 2016-05-17 | 2016-10-12 | 清华大学 | 一种基于bp神经网络的管道破损概率预测方法 |
CN106485804A (zh) * | 2016-11-30 | 2017-03-08 | 桂林市逸仙中学 | 一种基于虹膜技术的学生上学签到系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7194109B2 (en) * | 2001-08-30 | 2007-03-20 | Hitachi Kokusai Electric, Inc. | Method and system for delivering monitored image signal of subject to be monitored |
TWM462907U (zh) * | 2013-02-20 | 2013-10-01 | Fang-Che Wu | 校園簽到及接送管理系統 |
CN106611395A (zh) * | 2015-10-27 | 2017-05-03 | 常熟安智生物识别技术有限公司 | 一种基于虹膜识别技术的幼儿园接送系统 |
-
2018
- 2018-05-05 CN CN201810422418.XA patent/CN108764533B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104731971A (zh) * | 2015-04-11 | 2015-06-24 | 淮阴工学院 | 一种校园个性化掌上服务及用户行为习惯分析的实现方法 |
CN106022518A (zh) * | 2016-05-17 | 2016-10-12 | 清华大学 | 一种基于bp神经网络的管道破损概率预测方法 |
CN106485804A (zh) * | 2016-11-30 | 2017-03-08 | 桂林市逸仙中学 | 一种基于虹膜技术的学生上学签到系统 |
Non-Patent Citations (1)
Title |
---|
TD-BP强化学习算法在五子棋博弈系统中的应用;宫瑞敏;《沈阳理工大学学报》;20100831;第 31-34页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108764533A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11222142B2 (en) | Data processing systems for validating authorization for personal data collection, storage, and processing | |
CN111681091B (zh) | 基于时间域信息的金融风险预测方法、装置及存储介质 | |
CN110598016A (zh) | 一种多媒体信息推荐的方法、装置、设备和介质 | |
CN111355719B (zh) | 基于区块链技术的社区投票方法、装置、设备、存储介质 | |
CN108347490A (zh) | 一种基于生物识别技术的校园应用装置及系统 | |
CN103455958A (zh) | 一种基于手机平台的课堂考勤方法 | |
CN112333420B (zh) | 一种智慧校园的大数据信息安全管理系统 | |
CN111210111B (zh) | 一种基于在线学习与众包数据分析的城市环境评估方法和系统 | |
CN108764533B (zh) | 基于虹膜识别的预测迟到概率的学校考勤系统及方法 | |
CN110163603A (zh) | 信息验证方法、装置、设备及可读存储介质 | |
CN111970471B (zh) | 基于视频会议的参会人员评分方法、装置、设备及介质 | |
CN110033399A (zh) | 一种基于人脸识别的智慧班牌的信息发布、提取方法与系统 | |
CN110557276A (zh) | 基于Fabric架构的区块链机房管理系统 | |
CN112613780A (zh) | 一种学习报告生成的方法、装置、电子设备及存储介质 | |
CN114491615A (zh) | 基于区块链的异步纵向联邦学习公平激励机制方法 | |
CN114169938A (zh) | 信息推送方法、装置、设备及存储介质 | |
CN110336791A (zh) | 一种断点数据传输方法、装置、设备及计算机存储介质 | |
CN104657390A (zh) | 一种问答平台实现方法和系统 | |
CN110322086A (zh) | 一种基于智能硬件和云平台的教育板书考核系统 | |
CN113177851B (zh) | 线上保险交易的存证方法、装置、电子设备及存储介质 | |
WO2022217784A1 (zh) | 数据处理方法、装置、设备以及介质 | |
CN114095526B (zh) | 数字教育竞赛系统 | |
CN111882415A (zh) | 一种质量检测模型的训练方法和相关装置 | |
CN113077365A (zh) | 一种基于大数据的云计算教育平台 | |
CN111191053A (zh) | 一种用于动物沟通培训服务的系统及实现方法 |
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 |
Granted publication date: 20211214 |
|
CF01 | Termination of patent right due to non-payment of annual fee |