CN109325888A - 一种基于人工神经网络的学生行为预测方法 - Google Patents
一种基于人工神经网络的学生行为预测方法 Download PDFInfo
- Publication number
- CN109325888A CN109325888A CN201811025682.6A CN201811025682A CN109325888A CN 109325888 A CN109325888 A CN 109325888A CN 201811025682 A CN201811025682 A CN 201811025682A CN 109325888 A CN109325888 A CN 109325888A
- Authority
- CN
- China
- Prior art keywords
- data
- students
- feature
- behavior
- node
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 238000003066 decision tree Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000013501 data transformation Methods 0.000 claims abstract description 7
- 230000010354 integration Effects 0.000 claims abstract description 7
- 230000003542 behavioural effect Effects 0.000 claims abstract description 5
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 238000002360 preparation method Methods 0.000 claims description 13
- 238000013138 pruning Methods 0.000 claims description 12
- 238000000926 separation method Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 8
- 230000005764 inhibitory process Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 235000013399 edible fruits Nutrition 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 34
- 230000006870 function Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Educational Technology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工神经网络的学生行为预测方法,其特征在于:包括以下步骤:步骤一:数据收集,获取学生的一卡通数据、课堂出勤数据和学生成绩数据;步骤二:数据预处理,进行数据清洗、数据集成、数据选择和数据变换;步骤三:学生行为特征提取;步骤四:将提取的学生行为特征生成样本集,建立学生行为神经网络模型;步骤五:根据学生行为特征的重要性,建立学生行为特征的决策树模型;步骤六:基于决策树模型,对学生行为进行预测。本发明通过采集学生的的行为特征,对学生行为特征进行排序,并经过神经网络进行特征的约减,建立决策树模型,对学生行为进行预测,及时发现学生的异常,对学生进行监督。
Description
技术领域
本发明涉及校园数据处理领域,尤其是一种基于人工神经网络的学生行为预测方法。
背景技术
在现在大学校园里,学校的管理还在沿用传统的学生管理和服务方式,通过专业、年级对学生划分,对学生采用单一化的管理方式;并且只是对学生的课堂出勤和考试进行管理,其他时间没有进行实时监督和管理;而很多学生的自制能力比较差,不能自觉的学习,甚至不按时进行上课,最终导致学习成绩不好,没有学到知识,甚至无法完成学业;并且现在学校的管理还是后置式管理,只有当学生发生问题后,才进行管理,不能预先对学生的行为进行预测,实现对学生的监督。
发明内容
本发明的发明目的在于:针对上述存在的问题,提供一种基于人工神经网络的学生行为预测方法,通过采集学生的的行为特征,对学生行为特征进行排序,并经过神经网络进行特征的删减,建立决策树模型,对学生行为进行预测;通过对学生行为的自动预测,及时发现学生的异常,对学生进行有效的管理,改善现有校园管理的缺陷。
本发明采用的技术方案如下:
本发明一种基于人工神经网络的学生行为预测方法,包括以下步骤:
步骤一:数据收集,获取学生的一卡通数据、课堂出勤数据和学生成绩数据;
步骤二:数据预处理,进行数据清洗、数据集成、数据选择和数据变换;数据清洗:数据缺失信息补充、重复数据清理和异常数据清理;数据集成:将数据进行统一的存储和管理;数据选择:选择合适的数据量,以及目标数据;数据变换:转换数据的格式;
步骤三:学生行为特征提取,分别提取收集数据中的学生去图书馆的次数、在图书馆的时间、学生借阅书本量、宿舍进出时间和次数、学生消费时间和金额、学生课堂出勤次数、学生的成绩、宿舍上网时间、学生在实验室的时间和次数;
步骤四:将提取的学生行为特征生成样本集,建立学生行为神经网络模型;
步骤五:根据学生行为特征的重要性,建立学生行为特征的决策树模型;
步骤六:基于决策树模型,对学生行为进行预测。
以上方法,学生去图书馆的次数、在图书馆的时间、学生借阅书本量反映了学生在图书馆的学习时间,对学习成绩有很大的影响;宿舍进出时间和次数能够反映学生在宿舍的时间,离开宿舍和回来的时间,在宿舍的时间过长,一般是玩游戏或睡觉,早出和晚归的次数跟学生的成绩有密切的关系;学生在实验室的时间和次数也反映了学生的学习时间;宿舍上网时间直接反映了学生上网的习惯,可以推测出学生是否在玩游戏;学生消费时间和金额,正常时间的消费一般是学习学生的习惯,特别吃早餐的是去学习的学生;学生课堂出勤次数直接反映了学生课堂学习时间;通过这些学生行为特征的提取能够较为准确的反映学生的学习行为;并基于这些特征建立决策树,能够预测到学生的学习行为和学习成绩,对学生进行监督,促进学校的管理。
作为优选,所述步骤一中,一卡通数据包括图书馆门禁数据、图书馆借阅数据、宿舍门禁数据、一卡通消费数据、宿舍上网时间数据和实验室门禁数据。
以上方法,由于学校中通过一卡通实现门禁识别、消费等功能,一卡通数据中包含学生在校园内的使用情况,一定程度上反映了学生在校园的行为轨迹。
作为优选,所述步骤五具体包括:
S1:对提取的学生行为特征进行重要性排序;
S2:用神经网络对重要的特征进行训练,检验其预测精度,筛选出若干重要的特征,以重要性最大的特征作为根结点建立决策树;
S3:对决策树进行剪枝处理。
以上方法,由于采集的学生行为特征和数据很多,当使用决策树进行预测时,输入特征太多,计算复杂,导致决策树效率低,在输入前需要对特征进行删减,通过对特征进行排序,并利用神经网络对特征进行约减,能够去除冗余信息,从而提高决策树的效率。
作为优选,所述S1中,学生行为特征进行重要性排序的方法:根据公式计算学生行为特征特征的分离值关联值C(K)=∑i≠j|x(i,k)-x(j,k)|×sign|y(i)-y(j)|,其中,S(K)是第k个特征的分离值,S1、S2分别是去掉特征k之后的数据组内距离和组间距离;C(K)是第k个特征的关联值,x(i,k)、x(j,k)分别为第i、j个样本的第k个特征值,y(i)、y(j)分别是第i、j个样本的输出值,sign(x)是符号函数;基于分离值和关联值计算属性的重要性R(K)=aS(K)+(1-a)C(K),其中,R(K)是第k个特征的重要性,a是0到1之间的常数;根据属性的重要性对属性进行排序。
以上方法,通过计算特征的重要性进行排序,作为删减的指标,方便于后期对特征的删减,提高预测速度。
作为优选,所述S2具体包括:用神经网络对其中重要的特征进行训练,并检测其预测精度,按照特征的重要性次序增加一个临近的特征进行训练,比对能够和原来的检测结果相比,反复进行,找到分类效果最佳的特征。
以上方法,通过神经网络对特征进行约减,找到最佳的决策树输入特征和数量。
作为优选,所述S3中,对决策树进行剪枝处理方法:
S30:计算每个剪枝子树结点的期望错误率E(S)=(N-n+k-1)/(N+k),其中,S表示该子树中包含的所有训练实例,k为分类的个数,N为S中所有训练实例的个数,n为在S中占比例最多的分类的训练实例的个数;
S31:计算结点的预备错误率BE:对每个非叶子结点的结点N,设该结点的个子节点为N1,N2,…Nm;计算出每个节点的期望错误率E、预备错误率BE、Error,BE(N)=∑Pi*Error(Ni),Error(N)=min(E(N),BE(N));
S32:由决策树的第二层开始,每一层每个节点进行判断;若结点的预备错误率BE大于期望错误率E,则用该子树中出现比例最多的分类值作为叶子结点来代替该子树,并将该子树全部剪去,然后考虑同一层下一个节点,直到整棵树被检查过;
S33:若期望错误率小于预备错误率,该子树剪枝;
S34:由树的第二层节点开始,对于任何结点,当其子树中的失败结点的个数大于或等于子树叶子总结点的1/3时,该结点剪去。
以上方法,由于决策树的空间和时间复杂性很大,影响了决策树的效率,需要剪去部分子树或结点;在剪去结点的检查中,通过预备错误率与期望错误率的比较,进行判断;有时数据不完整,树的有些分支在数据库中没有存在相应的记录,决策树中叶结点的值不是训练集的分类,该类结点为失败结点;当决策树中包含较多的失败结点,则这棵树的正确率会有很大的影响,需要剪去此类结点。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、通过对学生的行为预测,监督学生的行为,改善学校的管理,提高学生的学习效果;学生的行为数据是学生在校园的学习方式和生活习惯的反映,通过对学生的行为数据进行分析,建立预测模型,预测学生的行为,从而对学生进行前置管理和监督,提高学习成绩。
2、学生行为预测效率高,通过决策树进行预测,并且通过特征重要性的排序,以及神经网络的筛选,将特征进行约简,优化决策树的输入,提高预测的效率,快速得到预测结果。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明一种基于人工神经网络的学生行为预测方法的结构示意图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
如图1,本发明一种基于人工神经网络的学生行为预测方法,包括以下步骤:
步骤一:数据收集,获取学生的一卡通数据、课堂出勤数据和学生成绩数据;
步骤二:数据预处理,进行数据清洗、数据集成、数据选择和数据变换;数据清洗:数据缺失信息补充、重复数据清理和异常数据清理;数据集成:将数据进行统一的存储和管理;数据选择:选择合适的数据量,以及目标数据;数据变换:转换数据的格式;
步骤三:学生行为特征提取,分别提取收集数据中的学生去图书馆的次数、在图书馆的时间、学生借阅书本量、宿舍进出时间和次数、学生消费时间和金额、学生课堂出勤次数、学生的成绩、宿舍上网时间、学生在实验室的时间和次数;
步骤四:将提取的学生行为特征生成样本集,建立学生行为神经网络模型;
步骤五:根据学生行为特征的重要性,建立学生行为特征的决策树模型;
步骤六:基于决策树模型,对学生行为进行预测。
在实施例,所述步骤一中,一卡通数据包括图书馆门禁数据、图书馆借阅数据、宿舍门禁数据、一卡通消费数据、宿舍上网时间数据和实验室门禁数据。
在实施例,所述步骤五具体包括:
S1:对提取的学生行为特征进行重要性排序;
S2:用神经网络对重要的特征进行训练,检验其预测精度,筛选出若干重要的特征,以重要性最大的特征作为根结点建立决策树;
S3:对决策树进行剪枝处理。
在实施例,所述S1中,学生行为特征进行重要性排序的方法:根据公式计算学生行为特征特征的分离值关联值C(K)=∑i≠j|x(i,k)-x(j,k)|×sign|y(i)-y(j)|,其中,S(K)是第k个特征的分离值,S1、S2分别是去掉特征k之后的数据组内距离和组间距离;C(K)是第k个特征的关联值,x(i,k)、x(j,k)分别为第i、j个样本的第k个特征值,y(i)、y(j)分别是第i、j个样本的输出值,sign(x)是符号函数;基于分离值和关联值计算属性的重要性R(K)=aS(K)+(1-a)C(K),其中,R(K)是第k个特征的重要性,a是0到1之间的常数;根据属性的重要性对属性进行排序。
在实施例,所述S2具体包括:用神经网络对其中重要的特征进行训练,并检测其预测精度,按照特征的重要性次序增加一个临近的特征进行训练,比对能够和原来的检测结果相比,反复进行,找到分类效果最佳的特征。
在实施例,所述S3中,对决策树进行剪枝处理方法:
S30:计算每个剪枝子树结点的期望错误率E(S)=(N-n+k-1)/(N+k),其中,S表示该子树中包含的所有训练实例,k为分类的个数,N为S中所有训练实例的个数,n为在S中占比例最多的分类的训练实例的个数;
S31:计算结点的预备错误率BE:对每个非叶子结点的结点N,设该结点的个子节点为N1,N2,…Nm;计算出每个节点的期望错误率E、预备错误率BE、Error,BE(N)=∑Pi*Error(Ni),Error(N)=min(E(N),BE(N));
S32:由决策树的第二层开始,每一层每个节点进行判断;若结点的预备错误率BE大于期望错误率E,则用该子树中出现比例最多的分类值作为叶子结点来代替该子树,并将该子树全部剪去,然后考虑同一层下一个节点,直到整棵树被检查过;
S33:若期望错误率小于预备错误率,该子树剪枝;
S34:由树的第二层节点开始,对于任何结点,当其子树中的失败结点的个数大于或等于子树叶子总结点的1/3时,该结点剪去。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (6)
1.一种基于人工神经网络的学生行为预测方法,其特征在于:包括以下步骤:
步骤一:数据收集,获取学生的一卡通数据、课堂出勤数据和学生成绩数据;
步骤二:数据预处理,进行数据清洗、数据集成、数据选择和数据变换;数据清洗:数据缺失信息补充、重复数据清理和异常数据清理;数据集成:将数据进行统一的存储和管理;数据选择:选择合适的数据量,以及目标数据;数据变换:转换数据的格式;
步骤三:学生行为特征提取,分别提取收集数据中的学生去图书馆的次数、在图书馆的时间、学生借阅书本量、宿舍进出时间和次数、学生消费时间和金额、学生课堂出勤次数、学生的成绩、宿舍上网时间、学生在实验室的时间和次数;
步骤四:将提取的学生行为特征生成样本集,建立学生行为神经网络模型;
步骤五:根据学生行为特征的重要性,建立学生行为特征的决策树模型;
步骤六:基于决策树模型,对学生行为进行预测。
2.如权利要求1所述的基于人工神经网络的学生行为预测方法,其特征在于:
所述步骤一中,一卡通数据包括图书馆门禁数据、图书馆借阅数据、宿舍门禁数据、一卡通消费数据、宿舍上网时间数据和实验室门禁数据。
3.如权利要求1所述的基于人工神经网络的学生行为预测方法,其特征在于:所述步骤五具体包括:
S1:对提取的学生行为特征进行重要性排序;
S2:用神经网络对重要的特征进行训练,检验其预测精度,筛选出若干重要的特征,以重要性最大的特征作为根结点建立决策树;
S3:对决策树进行剪枝处理。
4.如权利要求3所述的基于人工神经网络的学生行为预测方法,其特征在于:所述S1中,学生行为特征进行重要性排序的方法:根据公式计算学生行为特征特征的分离值关联值C(K)=∑i≠j|x(i,k)-x(j,k)|×sign|y(i)-y(j)|,其中,S(K)是第k个特征的分离值,S1、S2分别是去掉特征k之后的数据组内距离和组间距离;C(K)是第k个特征的关联值,x(i,k)、x(j,k)分别为第i、j个样本的第k个特征值,y(i)、y(j)分别是第i、j个样本的输出值,sign(x)是符号函数;基于分离值和关联值计算属性的重要性R(K)=aS(K)+(1-a)C(K),其中,R(K)是第k个特征的重要性,a是0到1之间的常数;根据属性的重要性对属性进行排序。
5.如权利要求3所述的基于人工神经网络的学生行为预测方法,其特征在于:所述S2具体包括:用神经网络对其中重要的特征进行训练,并检测其预测精度,按照特征的重要性次序增加一个临近的特征进行训练,比对能够和原来的检测结果相比,反复进行,找到分类效果最佳的特征。
6.如权利要求3所述的基于人工神经网络的学生行为预测方法,其特征在于:所述S3中,对决策树进行剪枝处理方法:
S30:计算每个剪枝子树结点的期望错误率E(S)=(N-n+k-1)/(N+k),其中,S表示该子树中包含的所有训练实例,k为分类的个数,N为S中所有训练实例的个数,n为在S中占比例最多的分类的训练实例的个数;
S31:计算结点的预备错误率BE:对每个非叶子结点的结点N,设该结点的个子节点为N1,N2,…Nm;计算出每个节点的期望错误率E、预备错误率BE、Error,
BE(N)=∑Pi*Error(Ni),Errir(N)=min(E(N),BE(N));
S32:由决策树的第二层开始,每一层每个节点进行判断;若结点的预备错误率BE大于期望错误率E,则用该子树中出现比例最多的分类值作为叶子结点来代替该子树,并将该子树全部剪去,然后考虑同一层下一个节点,直到整棵树被检查过;
S33:若期望错误率小于预备错误率,该子树剪枝;
S34:由树的第二层节点开始,对于任何结点,当其子树中的失败结点的个数大于或等于子树叶子总结点的1/3时,该结点剪去。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811025682.6A CN109325888A (zh) | 2018-09-04 | 2018-09-04 | 一种基于人工神经网络的学生行为预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811025682.6A CN109325888A (zh) | 2018-09-04 | 2018-09-04 | 一种基于人工神经网络的学生行为预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109325888A true CN109325888A (zh) | 2019-02-12 |
Family
ID=65264775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811025682.6A Pending CN109325888A (zh) | 2018-09-04 | 2018-09-04 | 一种基于人工神经网络的学生行为预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325888A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135141A (zh) * | 2019-04-28 | 2019-08-16 | 佛山科学技术学院 | 一种基于区块链的学生证照真伪的核查方法及装置 |
CN110414415A (zh) * | 2019-07-24 | 2019-11-05 | 北京理工大学 | 面向课堂场景的人体行为识别方法 |
CN111950708A (zh) * | 2020-08-11 | 2020-11-17 | 华中师范大学 | 一种发现大学生日常生活习惯的神经网络结构与方法 |
CN112101397A (zh) * | 2019-06-18 | 2020-12-18 | 北京京东振世信息技术有限公司 | 一种预测图书重量区间的方法和装置 |
CN112465260A (zh) * | 2020-12-10 | 2021-03-09 | 成都寻道科技有限公司 | 基于校园数据的学生教学管理系统 |
-
2018
- 2018-09-04 CN CN201811025682.6A patent/CN109325888A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135141A (zh) * | 2019-04-28 | 2019-08-16 | 佛山科学技术学院 | 一种基于区块链的学生证照真伪的核查方法及装置 |
CN112101397A (zh) * | 2019-06-18 | 2020-12-18 | 北京京东振世信息技术有限公司 | 一种预测图书重量区间的方法和装置 |
CN110414415A (zh) * | 2019-07-24 | 2019-11-05 | 北京理工大学 | 面向课堂场景的人体行为识别方法 |
CN111950708A (zh) * | 2020-08-11 | 2020-11-17 | 华中师范大学 | 一种发现大学生日常生活习惯的神经网络结构与方法 |
CN111950708B (zh) * | 2020-08-11 | 2023-10-03 | 华中师范大学 | 一种发现大学生日常生活习惯的神经网络结构与方法 |
CN112465260A (zh) * | 2020-12-10 | 2021-03-09 | 成都寻道科技有限公司 | 基于校园数据的学生教学管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325888A (zh) | 一种基于人工神经网络的学生行为预测方法 | |
Abidin et al. | Performance analysis of machine learning algorithms for missing value imputation | |
CN106844614A (zh) | 一种户型图功能区域快速识别系统 | |
CN108629413A (zh) | 神经网络模型训练、交易行为风险识别方法及装置 | |
Honey et al. | From rags to fishes: data-poor methods for fishery managers | |
Yu | Academic Performance Prediction Method of Online Education using Random Forest Algorithm and Artificial Intelligence Methods. | |
CN112700324A (zh) | 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法 | |
CN108549685A (zh) | 行为分析方法、装置、系统及可读存储介质 | |
Kokkalis et al. | Limits to the reliability of size-based fishing status estimation for data-poor stocks | |
Cotter et al. | Towards an ecosystem approach to fisheries management (EAFM) when trawl surveys provide the main source of information | |
Punt et al. | Harvest strategy evaluation for school and gummy shark | |
Betrie et al. | On the issue of incomplete and missing water-quality data in mine site databases: Comparing three imputation methods | |
Comes | Decision maps for distributed scenario-based multi-criteria decision support | |
Lint | Northwest Forest Plan, the First 10 Years (1994-2003): Status and Trends of Northern Spotted Owl Populations and Habitat | |
Vasani et al. | Classification and performance evaluation using data mining algorithms | |
Xu | Analysis and comparison of forecasting algorithms for telecom customer churn | |
CN112785156A (zh) | 一种基于聚类与综合评价的产业领袖识别方法 | |
CN111598580A (zh) | 一种基于XGBoost算法的区块链产品检测方法、系统及装置 | |
CN113807462B (zh) | 一种基于ai的网络设备故障原因定位方法及其系统 | |
LeBlanc | Spatial and temporal variation in the prevalence of growth decline in red spruce populations of the northeastern United States | |
CN109934352A (zh) | 智能模型的自动进化方法 | |
McNamee | A multispecies statistical catch-at-age (MSSCAA) model for a mid-Atlantic species complex | |
Gehringer | Structure-based nonparametric target definition and assessment procedures with an application to riparian forest management | |
Arifin et al. | Computer-based Techniques for Predicting the Failure of Student Studies Using the Decision Tree method | |
Wu et al. | A Benchmark for Homework Tidiness Assessment |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190212 |