CN116362933B - 基于大数据的智慧校园管理方法及系统 - Google Patents

基于大数据的智慧校园管理方法及系统 Download PDF

Info

Publication number
CN116362933B
CN116362933B CN202310619567.6A CN202310619567A CN116362933B CN 116362933 B CN116362933 B CN 116362933B CN 202310619567 A CN202310619567 A CN 202310619567A CN 116362933 B CN116362933 B CN 116362933B
Authority
CN
China
Prior art keywords
personnel
data
target
primary
classification
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.)
Active
Application number
CN202310619567.6A
Other languages
English (en)
Other versions
CN116362933A (zh
Inventor
蔡卓睿
胡滨
孙跃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Agricultural University
Original Assignee
Nanjing Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Agricultural University filed Critical Nanjing Agricultural University
Priority to CN202310619567.6A priority Critical patent/CN116362933B/zh
Publication of CN116362933A publication Critical patent/CN116362933A/zh
Application granted granted Critical
Publication of CN116362933B publication Critical patent/CN116362933B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本发明涉及人工智能技术领域，揭露了一种基于大数据的智慧校园管理方法及系统，该方法包括：对获取的人员数据先进行快速初级分类，再进行精细次级分类，利用多因素权重算法和分类得到的数据生成目标人员的特征权值，从而建立目标人员的人员画像；对采集的人脸图像进行多区块融合特征提取，利用提取到的多区块融合特征对目标人员进行人脸授权，从而生成目标校园的人脸特征库；根据人脸特征库和人员画像生成目标人员的人员档案，按照预设的课程属性对人员档案进行双层级多分类，得到人员档案的分类档案，利用分类档案对目标人员进行公共课推荐。本发明还提出一种基于大数据的智慧校园管理系统。本发明可以提高基于大数据的智慧校园管理的效率。

Description

基于大数据的智慧校园管理方法及系统
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于大数据的智慧校园管理方法及系统。
背景技术
随着互联网技术在我国的快速发展与普及，智慧校园管理系统的建立已经成为高校信息化建设管理的必然趋势，而对校园建筑模型数据的合理采集和处理、对信息的统一管理和更新、对数据库的标准化等是实现智慧校园有效管理的重要保证。因此需要一个功能完善、流程明确、特点鲜明的智慧校园综合管理系统，以促进高校建筑的数字化、智能化管理进程。
目前使用的智慧校园管理系统其通过录入采集学生以及教工的信息构建数据平台，实现对学生日常学习生活进行综合管理，但是由于充分进行数据挖掘，导致数据利用率低，管理效率低下，因此如何提升基于大数据的智慧校园管理时效率，成为了亟待解决的问题。
发明内容
本发明提供一种基于大数据的智慧校园管理方法及系统，其主要目的在于解决基于大数据的智慧校园管理时效率较低的问题。
为实现上述目的，本发明提供的一种基于大数据的智慧校园管理方法，包括：
获取目标校园中目标人员的人员数据，利用预设的粗分类算法对所述人员数据进行快速初级分类，得到所述人员数据的初级数据；
利用预设的细分类算法对所述初级数据进行精细次级分类，得到所述初级数据的次级数据；
根据所述次级数据构建所述目标人员的判断矩阵，利用所述判断矩阵和多因素权重算法生成所述目标人员的特征权值，根据所述特征权值建立所述目标人员的人员画像，其中，所述多因素权重算法为：
；
其中，wr,i是所述目标人员的第r个因素的因素值，i是判断矩阵的行标识，j是判断矩阵的列标识，n是判断矩阵的行总数，ar,ij是判断矩阵的第i行第j列元素，r是所述目标人员的因素标识；
采集所述目标人员的人脸图像，提取所述人脸图像的多区块融合特征，并根据所述多区块融合特征对所述目标人员进行人脸授权，得到所述目标人员的授权特征，根据所述授权特征生成所述目标校园的人脸特征库；
根据所述人脸特征库建立所述人员画像与目标人员的关联关系，根据所述关联关系和所述人员画像生成所述目标人员的人员档案，按照预设的课程属性对所述人员档案进行双层级多分类，得到所述人员档案的分类档案，利用所述分类档案对所述目标人员进行公共课推荐。
可选地，所述利用预设的粗分类算法对所述人员数据进行快速初级分类，得到所述人员数据的初级数据，包括：
S11、对所述人员数据进行特征增强，得到所述人员数据的标准数据；
S12、随机选取所述标准数据中的其中一个数据为预设的粗分类算法的第一个聚类中心点，将所述第一个聚类中心点添加到初始聚类中心集合，对所述标准数据中的第一个聚类中心点进行数据剔除，得到所述标准数据的一级数据集合；
S13、逐个选取所述一级数据集合中的其中一个数据做为一级目标数据，利用欧氏距离算法计算所述一级目标数据和所述初始聚类中心集合中聚类中心点的一级距离；
S14、确定所述一级距离中的最小距离，根据所述最小距离和预设的距离阈值确定所述最小距离对应的一级目标数据的聚类簇，其中，所述预设的距离阈值包括：预设的一级距离阈值和预设的二级距离阈值，所述预设的一级距离阈值大于所述预设的二级距离阈值；
S15、当所述一级数据集合不是空集时，返回步骤S13；
S16、当所述一级数据集合是空集时，根据所述最小距离对应的一级目标数据的聚类簇确定所述人员数据的初级数据。
可选地，所述对所述人员数据进行特征增强，得到所述人员数据的标准数据，包括：
对所述人员数据进行数据完整性增补，得到所述人员数据的一级数据；
对所述一级数据进行指标化转换，得到所述一级数据的二级数据；
对所述二级数据进行归一化处理，得到所述二级数据的三级数据，确定所述二级数据的三级数据为所述人员数据的标准数据。
可选地，所述利用预设的细分类算法对所述初级数据进行精细次级分类，得到所述初级数据的次级数据，包括：
S41、根据所述初级数据确定预设的细分类算法的初始簇中心；
S42、根据欧氏距离算法计算所述初始数据中的每个数据与每个所述初始簇中心的初级距离，根据所述初级距离对所述初始数据进行簇分配，得到所述初始数据的分配数据；
S43、根据所述分配数据确定所述初始簇中心的距离平均值，根据所述距离平均值对对所述初始簇中心进行位置更新，得到所述初始簇中心的更新簇中心；
S44、重复步骤S42-S43，直至所述更新簇中心不发生改变，根据所述更新簇中心确定所述初级数据的次级数据。
可选地，所述根据所述次级数据构建所述目标人员的判断矩阵，利用所述判断矩阵和多因素权重算法生成所述目标人员的特征权值，包括：
根据所述次级数据建立所述目标人员的多因素指标体系，根据所述多因素指标体系和预设的重要性标度表生成所述次级数据的判断矩阵，
利用所述判断矩阵和多因素权重算法生成所述目标人员的其中一个因素的因素值，汇集所述因素值为所述目标人员的特征权值。
可选地，所述根据所述特征权值建立所述目标人员的人员画像，包括：
确定所述目标人员的人员标签，利用所述特征权值中因素值对所述人员标签进行重要性标识，得到所述人员标签的标识标签；
对所述标识标签进行图像渲染，得到所述目标人员的人员画像。
可选地，所述提取所述人脸图像的多区块融合特征，并根据所述多区块融合特征对所述目标人员进行人脸授权，得到所述目标人员的授权特征，包括：
对所述人脸图像进行归一化矫正，得到所述人脸图像的标准图像；
生成所述标准图像中每个像素点的像素梯度，根据所述像素梯度对所述标准图像进行单元分割，得到所述标准图像的图像单元；
生成所述图像单元的单元描述子，根据所述单元描述子和所述图像单元生成所述标准图像的图像区块；
确定所述图像区块的区块描述子，对所述区块描述子进行串联处理，得到所述目标人员的多区块融合特征；
利用所述多区块融合特征对所述目标人员进行人脸授权，得到所述目标人员的授权特征。
可选地，所述生成所述标准图像中每个像素点的像素梯度，包括：
利用预设的横向梯度算子对所述标准图像进行卷积处理，得到所述标准图像中每个像素点的横向梯度分量；
利用预设的纵向梯度算子对所述标准图像进行卷积处理，得到所述标准图像中每个像素点的纵向梯度分量；
利用所述横向梯度分量、所述纵向梯度分量和如下梯度幅度算法生成所述标准图像中每个像素点的像素梯度幅度：
；
其中，G(x,y)是所述标准图像中每个像素点的像素梯度幅度，Gx(x,y)是所述横向梯度分量，Gy(x,y)是所述纵向梯度分量，x是所述像素点的横向标识，y是所述像素点的纵向标识；
利用所述横向梯度分量、所述纵向梯度分量和如下梯度方向算法生成所述标准图像中每个像素点的像素梯度方向：
；
其中，α(x,y)是所述标准图像中每个像素点的像素梯度方向，tan-1( )是反正切函数，Gx(x,y)是所述横向梯度分量，Gy(x,y)是所述纵向梯度分量，x是所述像素点的横向标识，y是所述像素点的纵向标识；
汇集所述像素梯度幅度和所述像素梯度方向为所述标准图像中每个像素点的像素梯度。
可选地，所述按照预设的课程属性对所述人员档案进行双层级多分类，得到所述人员档案的分类档案，包括：
根据预设的课程属性生成所述人员档案的层级索引，其中，所述层级索引包括：一级索引和二级索引；
利用所述一级索引对所述人员档案进行初次选取，得到所述人员档案的一级档案；
利用所述二级索引对所述一级档案进行次级选取，得到所述一级档案的二级档案，确定所述二级档案为所述人员档案的分类档案。
为了解决上述问题，本发明还提供一种基于大数据的智慧校园管理系统，所述系统包括：
粗分类模块，用于获取目标校园中目标人员的人员数据，利用预设的粗分类算法对所述人员数据进行快速初级分类，得到所述人员数据的初级数据；
细分类模块，用于利用预设的细分类算法对所述初级数据进行精细次级分类，得到所述初级数据的次级数据；
人员画像模块，用于根据所述次级数据构建所述目标人员的判断矩阵，利用所述判断矩阵和多因素权重算法生成所述目标人员的特征权值，根据所述特征权值建立所述目标人员的人员画像，其中，所述多因素权重算法为：
；
其中，wr,i是所述目标人员的第r个因素的因素值，i是判断矩阵的行标识，j是判断矩阵的列标识，n是判断矩阵的行总数，ar,ij是判断矩阵的第i行第j列元素，r是所述目标人员的因素标识；
人脸特征模块，用于采集所述目标人员的人脸图像，提取所述人脸图像的多区块融合特征，并根据所述多区块融合特征对所述目标人员进行人脸授权，得到所述目标人员的授权特征，根据所述授权特征生成所述目标校园的人脸特征库；
课程推荐模块，用于根据所述人脸特征库建立所述人员画像与目标人员的关联关系，根据所述关联关系和所述人员画像生成所述目标人员的人员档案，按照预设的课程属性对所述人员档案进行双层级多分类，得到所述人员档案的分类档案，利用所述分类档案对所述目标人员进行公共课推荐。
本发明实施例通过预设的粗分类算法快速的形成人员数据的初级数据，根据所述初始数据确定了预设的细分类算法的初始聚类簇，加快分类的进程，同时又可以提高数据分类的准确度，利用多因素权重算法和分类得到的次级数据生成所述目标人员的特征权值，利用所述特征权值进行目标人员的特征的重点标识，从而生成所述目标人员的人员画像，根据采集到的人脸画像生成所述目标校园的人脸特征库，建立了目标人员的人员画像和授权特征的对应关系，从而生成了目标人员的人员档案，有利于目标人员的信息查询以及目标人员的人员管理，因此本发明提出基于大数据的智慧校园管理方法及系统，可以解决基于大数据的智慧校园管理效率较低的问题。
附图说明
图1为本发明一实施例提供的基于大数据的智慧校园管理方法的流程示意图；
图2为本发明一实施例提供的人员数据的特征增强的流程示意图；
图3为本发明一实施例提供的生成目标人员的授权特征的流程示意图；
图4为本发明一实施例提供的基于大数据的智慧校园管理系统的功能模块图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于大数据的智慧校园管理方法。所述基于大数据的智慧校园管理方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于大数据的智慧校园管理方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于大数据的智慧校园管理方法的流程示意图。在本实施例中，所述基于大数据的智慧校园管理方法包括：
S1、获取目标校园中目标人员的人员数据，利用预设的粗分类算法对所述人员数据进行快速初级分类，得到所述人员数据的初级数据。
在本发明实施例中，所述获取目标校园中目标人员的人员数据可以是基于所述目标校园的一卡通管理系统、教务系统、图书借阅系统、图书馆门禁系统、宿舍门禁系统等的数据库进行的；所述目标人员是指所述目标校园中的学生，所述人员数据包括所述目标人员的年龄、兴趣、特长、姓名、学号、性别等；所述预设的粗分类算法可以快速的获得所述人员数据的初级数据，所述初级数据是指对所述人员数据进行聚类后得到的数据。
进一步地，由图书馆门禁系统获取的人员数据包括：卡号、姓名、区域、时间等；由教务系统获取的人员数据包括：姓名、学生类型、学号、院系、专业、班级、入学年份、学制、性别、生源地、已获得学分、应获得学分、必修学分、选修学分和挂科学分等。
详细地，所述预设的粗分类算法是一种快速近似的聚类技术，它的优势在于得到簇的速度非常快，只需遍历一次数据即可得到结果，正因为如此，预设的粗分类算法无法给出精准的簇结果。
在本发明实施例中，所述利用预设的粗分类算法对所述人员数据进行快速初级分类，得到所述人员数据的初级数据，包括：
S11、对所述人员数据进行特征增强，得到所述人员数据的标准数据；
S12、随机选取所述标准数据中的其中一个数据为预设的粗分类算法的第一个聚类中心点，将所述第一个聚类中心点添加到初始聚类中心集合，对所述标准数据中的第一个聚类中心点进行数据剔除，得到所述标准数据的一级数据集合；
S13、逐个选取所述一级数据集合中的其中一个数据做为一级目标数据，利用欧氏距离算法计算所述一级目标数据和所述初始聚类中心集合中聚类中心点的一级距离；
S14、确定所述一级距离中的最小距离，根据所述最小距离和预设的距离阈值确定所述最小距离对应的一级目标数据的聚类簇，其中，所述预设的距离阈值包括：预设的一级距离阈值和预设的二级距离阈值，所述预设的一级距离阈值大于所述预设的二级距离阈值；
S15、当所述一级数据集合不是空集时，返回步骤S13；
S16、当所述一级数据集合是空集时，根据所述最小距离对应的一级目标数据的聚类簇确定所述人员数据的初级数据。
详细地，所述对所述人员数据进行特征增强是因为目标校园的数据库中包含了海量的人员数据，这些人员数据的格式不统一，还存在一些缺失数据，无法直接用于数据挖掘。
详细地，参图2所示，所述对所述人员数据进行特征增强，得到所述人员数据的标准数据，包括：
S21、对所述人员数据进行数据完整性增补，得到所述人员数据的一级数据；
S22、对所述一级数据进行指标化转换，得到所述一级数据的二级数据；
S23、对所述二级数据进行归一化处理，得到所述二级数据的三级数据，确定所述二级数据的三级数据为所述人员数据的标准数据。
详细地，所述数据完整性增补是指针对教务系统中的成绩数据，一些学生因为休学、缺考等不确定性因素造成的数据缺失，结合学生学籍信息剔除休学学生的数据，将缺考学生成绩记为0，同理，对于消费数据、考勤数据、图书馆借阅数据、门禁数据都可以参照成绩数据的处理；
详细地，所述指标化转换是指利用指标对不同来源的数据进行数据指标化表示，用来表征目标人员的整体水平；所述归一化处理可以利用最大最小值归一化法。
详细地，所述根据所述最小距离和预设的距离阈值确定所述最小距离对应的一级目标数据的聚类簇，包括：当所述最小距离大于或者等于所述预设的一级距离阈值时，将所述一级目标数据做为第二个聚类中心点，将所述第二个聚类中心点添加到所述初始聚类中心集合，得到所述初始聚类中心集合的次级聚类中心集合，对所述一级数据集合中的一级目标数据进行剔除，得到所述一级数据集合的次级数据集合；当所述最小距离大于或者等于所述预设的二级距离阈值，并且所述最小距离小于所述预设的一级距离阈值时，将所述一级目标数据添加到所述初始聚类中心集合，得到所述初始聚类中心集合的更新聚类中心集合；当所述最小距离小于所述预设的二级距离阈值时，对所述一级目标数据进行强标记处理，得到所述一级目标数据的强标记数据，将所述强标记数据添加到所述初始聚类中心集合，得到所述初始聚类中心集合的二级聚类中心集合，确定所述强标记数据的样本中心，将所述样本中心对所述二级聚类中心集合进行聚类中心更新，得到所述二级聚类中心集合的三级聚类中心集合，并且对所述一级数据集合中的一级目标数据进行剔除，得到所述一级数据集合的三级数据集合；根据所述次级聚类中心集合、所述更新聚类中心集合和所述三级聚类中心集合确定所述最小距离对应的一级目标数据的聚类簇。
S2、利用预设的细分类算法对所述初级数据进行精细次级分类，得到所述初级数据的次级数据。
在本发明实施例中，所述预设的细分类算法是指利用所述预设的粗分类算法确定初始聚类簇，加快分类的进程，同时又可以提高数据分类的准确度；所述预设的细分类算法的思想是通过迭代把所有数据对象划分到若干个不同的簇中，以使簇内对象具有较高的相似度，而各个簇之间的对象具有较低的相似度。
在本发明实施例中，所述利用预设的细分类算法对所述初级数据进行精细次级分类，得到所述初级数据的次级数据，包括：
S41、根据所述初级数据确定预设的细分类算法的初始簇中心；
S42、根据欧氏距离算法计算所述初始数据中的每个数据与每个所述初始簇中心的初级距离，根据所述初级距离对所述初始数据进行簇分配，得到所述初始数据的分配数据；
S43、根据所述分配数据确定所述初始簇中心的距离平均值，根据所述距离平均值对对所述初始簇中心进行位置更新，得到所述初始簇中心的更新簇中心；
S44、重复步骤S42-S43，直至所述更新簇中心不发生改变，根据所述更新簇中心确定所述初级数据的次级数据。
详细地，所述次级数据是最终确定的已经分类完成的人员数据。
详细地，所述根据所述分配数据确定所述初始簇中心的距离平均值是指根据所述分配数据计算每个簇中所有数据对象的平均值做为所述初始簇中心的距离平均值；所述根据所述距离平均值对对所述初始簇中心进行位置更新是指将所述距离平均值做为新的簇中心。
详细地，所述根据所述初级距离对所述初始数据进行簇分配是指根据所述初始距离的大小将所述初始数据分配到距离最近的簇中心所在的簇。
详细地，所述根据所述更新簇中心确定所述初级数据的次级数据是指不同的初级数据对应不同的簇中心，根据簇中心和簇中心对应的初级数据确定次级数据。
S3、根据所述次级数据构建所述目标人员的判断矩阵，利用所述判断矩阵和多因素权重算法生成所述目标人员的特征权值，根据所述特征权值建立所述目标人员的人员画像。
在本发明实施例中，所述多因素权重算法是指可以确定所述次级数据生成多个因素的因素权重的算法；所述特征权值是指根据所述次级数据生成的所述目标人员的人员特征的因素值；所述人员画像就是使用可视化的方式展示学生的行为特征，不同的行为特征的词云的重要性标识不同。
在本发明实施例中，所述根据所述次级数据构建所述目标人员的判断矩阵，利用所述判断矩阵和多因素权重算法生成所述目标人员的特征权值，包括：
根据所述次级数据建立所述目标人员的多因素指标体系，根据所述多因素指标体系和预设的重要性标度表生成所述次级数据的判断矩阵，
利用所述判断矩阵和多因素权重算法生成所述目标人员的其中一个因素的因素值，汇集所述因素值为所述目标人员的特征权值。
详细地，所述根据所述次级数据建立所述目标人员的多因素指标体系根据所述次级数据形成所述目标人员的特征权值的影响因素指标。
详细地，所述预设的重要性标度表表征了所述次级数据的标度和重要性，例如：当标度为1时，代表所述次级数据中的两个数据同样重要，所述判断矩阵是将所述次级数据中数据两两进行比较的，而不是全部放在一起比较；当标度为9时，表示次级数据中某一数据相较于另一数据极端重要。
详细地，所述判断矩阵是一个方阵，判断矩阵中的每一个元素都表征着某一数据相较于另一数据的重要程度，当数据的指标项同时，说明数据同等重要，且每一个元素均大于零。
在本发明实施例中，所述根据所述特征权值建立所述目标人员的人员画像，包括：
确定所述目标人员的人员标签，利用所述特征权值中因素值对所述人员标签进行重要性标识，得到所述人员标签的标识标签；
对所述标识标签进行图像渲染，得到所述目标人员的人员画像。
详细地，所述目标人员的人员标签用于区分不同的目标人员，所述利用所述特征权值中因素值对所述人员标签进行重要性标识是指不同因素值对应的人员标签的大小不同，所述因素值越大形成的人员标签越大，所述人员标签用词云体现。
详细地，所述对所述标识标签进行图像渲染是指根据所述标识标签生成词云，根据所述词云生成所述目标人员的词云图，确定所述词云图为所述目标人员的人员画像。
详细地，所述多因素权重算法为：
；
其中，wr,i是所述目标人员的第r个因素的因素值，i是判断矩阵的行标识，j是判断矩阵的列标识，n是判断矩阵的行总数，ar,ij是判断矩阵的第i行第j列元素，r是所述目标人员的因素标识。
S4、采集所述目标人员的人脸图像，提取所述人脸图像的多区块融合特征，并根据所述多区块融合特征对所述目标人员进行人脸授权，得到所述目标人员的授权特征，根据所述授权特征生成所述目标校园的人脸特征库。
在本发明实施例中，所述采集所述目标人员的人脸图像可以利用目标校园的教务系统库进行；所述多区块融合特征是指所述人脸图像中国的特征点的朝向和周围像素信息；所述授权特征是指在人脸特征库中已经录入的人脸特征。
详细地，所述多区块融合特征提取算法的思想是在一副图像中，局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述，所述多区块融合特征提取算法是指将图像分成小的连通区域，将所述连通区域称为细胞单元，然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器。
在本发明实施例中，参图3所示，所述提取所述人脸图像的多区块融合特征，并根据所述多区块融合特征对所述目标人员进行人脸授权，得到所述目标人员的授权特征，包括：
S31、对所述人脸图像进行归一化矫正，得到所述人脸图像的标准图像；
S32、生成所述标准图像中每个像素点的像素梯度，根据所述像素梯度对所述标准图像进行单元分割，得到所述标准图像的图像单元；
S33、生成所述图像单元的单元描述子，根据所述单元描述子和所述图像单元生成所述标准图像的图像区块；
S34、确定所述图像区块的区块描述子，对所述区块描述子进行串联处理，得到所述目标人员的多区块融合特征；
S35、利用所述多区块融合特征对所述目标人员进行人脸授权，得到所述目标人员的授权特征。
详细地，所述对所述人脸图像进行归一化矫正可以采用Gamma校正法，采用Gamma校正法对所述人脸图像进行颜色空间的标准化，目的是调节所述人脸图像的对比度，降低所述人脸图像的局部阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；
进一步地，所述生成所述标准图像中每个像素点的像素梯度主要是为了捕获轮廓信息，同时进一步弱化光照的干扰；所述根据所述像素梯度对所述标准图像进行单元分割是指将所述标准图像划分成小单元，统计每个单元的梯度直方图，即可形成每个单元的描述符号；所述根据所述单元描述子和所述图像单元生成所述标准图像的图像区块是指将每几个所述图像单元组成一个所述图像区块，一个所述图像区块内所有所述图像单元的单元描述子串联起来便得到该区块的区块描述子；所述对所述区块描述子进行串联处理，得到所述目标人员的多区块融合特征是指将所述标准图像内的所有区块的区块描述子串联起来就可以得到所述标准图像的多区块融合特征了，这个就是最终的所述目标人员的授权特征了。
详细地，所述生成所述标准图像中每个像素点的像素梯度，包括：
利用预设的横向梯度算子对所述标准图像进行卷积处理，得到所述标准图像中每个像素点的横向梯度分量；
利用预设的纵向梯度算子对所述标准图像进行卷积处理，得到所述标准图像中每个像素点的纵向梯度分量；
利用所述横向梯度分量、所述纵向梯度分量和如下梯度幅度算法生成所述标准图像中每个像素点的像素梯度幅度：
；
其中，G(x,y)是所述标准图像中每个像素点的像素梯度幅度，Gx(x,y)是所述横向梯度分量，Gy(x,y)是所述纵向梯度分量，x是所述像素点的横向标识，y是所述像素点的纵向标识；
利用所述横向梯度分量、所述纵向梯度分量和如下梯度方向算法生成所述标准图像中每个像素点的像素梯度方向：
；
其中，α(x,y)是所述标准图像中每个像素点的像素梯度方向，tan-1( )是反正切函数，Gx(x,y)是所述横向梯度分量，Gy(x,y)是所述纵向梯度分量，x是所述像素点的横向标识，y是所述像素点的纵向标识；
汇集所述像素梯度幅度和所述像素梯度方向为所述标准图像中每个像素点的像素梯度。
详细地，所述预设的横向梯度算子可以是(-1,0,1)，所述预设的纵向梯度算子可以是(1,0,-1)；所述生成所述标准图像中每个像素点的像素梯度不仅能够捕获轮廓、人影和一些纹理信息，还能进一步弱化光照的影响。
详细地，所述卷积处理的本质是滤波（特征提取），操作是加权平均、乘加运算，其目的是提取有用信息。
S5、根据所述人脸特征库建立所述人员画像与目标人员的关联关系，根据所述关联关系和所述人员画像生成所述目标人员的人员档案，按照预设的课程属性对所述人员档案进行双层级多分类，得到所述人员档案的分类档案，利用所述分类档案对所述目标人员进行公共课推荐。
在本发明实施例中，所述根据所述人脸特征库建立所述人员画像与目标人员的关联关系可以根据生成所述人员画像的特征值和所述目标人员的关键字形成的键值对确定所述人员画像与目标人员的关联关系。
详细地，所述根据所述关联关系和所述人员画像生成所述目标人员的人员档案是指根据所述关联关系对所述人员画像进行有规律地数据存储，形成所述目标人员的人员档案。
在本发明实施例中，所述按照预设的课程属性对所述人员档案进行双层级多分类，得到所述人员档案的分类档案，包括：
根据预设的课程属性生成所述人员档案的层级索引，其中，所述层级索引包括：一级索引和二级索引；
利用所述一级索引对所述人员档案进行初次选取，得到所述人员档案的一级档案；
利用所述二级索引对所述一级档案进行次级选取，得到所述一级档案的二级档案，确定所述二级档案为所述人员档案的分类档案。
详细地，所述预设的课程属性是指所述课程类型，所述课程类型包括但不限于：体育类型、表演类型、舞蹈类型和音乐类型等。
详细地，假设所述一级索引中其中一个为体育课程，那么所述体育课程的二级索引可以是篮球课程、排球课程、跑步课程、足球课程以及台球课程等。
详细地，所述利用所述一级索引对所述人员档案进行初次选取是指对所述人员档案的第一次分类，所述利用所述二级索引对所述一级档案进行次级选取是指在第一次人员档案分类的基础上对所述人员档案进行第二次分类。
详细地，所述利用所述分类档案对所述目标人员进行公共课推荐是指将假设甲目标人员的分类档案归属于体育课程下的篮球课程，那么就将篮球课程推荐给甲目标人员。
本发明实施例通过预设的粗分类算法快速的形成人员数据的初级数据，根据所述初始数据确定了预设的细分类算法的初始聚类簇，加快分类的进程，同时又可以提高数据分类的准确度，利用多因素权重算法和分类得到的次级数据生成所述目标人员的特征权值，利用所述特征权值进行目标人员的特征的重点标识，从而生成所述目标人员的人员画像，根据采集到的人脸画像生成所述目标校园的人脸特征库，建立了目标人员的人员画像和授权特征的对应关系，从而生成了目标人员的人员档案，有利于目标人员的信息查询以及目标人员的人员管理，因此本发明提出基于大数据的智慧校园管理方法，可以解决基于大数据的智慧校园管理效率较低的问题。
如图4所示，是本发明一实施例提供的基于大数据的智慧校园管理系统的功能模块图。
本发明所述基于大数据的智慧校园管理系统100可以安装于电子设备中。根据实现的功能，所述基于大数据的智慧校园管理系统100可以包括粗分类模块101、细分类模块102、人员画像模块103、人脸特征模块104及课程推荐模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述粗分类模块101，用于获取目标校园中目标人员的人员数据，利用预设的粗分类算法对所述人员数据进行快速初级分类，得到所述人员数据的初级数据；
所述细分类模块102，用于利用预设的细分类算法对所述初级数据进行精细次级分类，得到所述初级数据的次级数据；
所述人员画像模块103，用于根据所述次级数据构建所述目标人员的判断矩阵，利用所述判断矩阵和多因素权重算法生成所述目标人员的特征权值，根据所述特征权值建立所述目标人员的人员画像，其中，所述多因素权重算法为：
；
其中，wr,i是所述目标人员的第r个因素的因素值，i是判断矩阵的行标识，j是判断矩阵的列标识，n是判断矩阵的行总数，ar,ij是判断矩阵的第i行第j列元素，r是所述目标人员的因素标识；
所述人脸特征模块104，用于采集所述目标人员的人脸图像，提取所述人脸图像的多区块融合特征，并根据所述多区块融合特征对所述目标人员进行人脸授权，得到所述目标人员的授权特征，根据所述授权特征生成所述目标校园的人脸特征库；
所述课程推荐模块105，用于根据所述人脸特征库建立所述人员画像与目标人员的关联关系，根据所述关联关系和所述人员画像生成所述目标人员的人员档案，按照预设的课程属性对所述人员档案进行双层级多分类，得到所述人员档案的分类档案，利用所述分类档案对所述目标人员进行公共课推荐。
在本发明所提供的几个实施例中，应该理解到，所揭露的方法和系统，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (2)

1.一种基于大数据的智慧校园管理方法，其特征在于，所述方法包括：
获取目标校园中目标人员的人员数据，利用预设的粗分类算法对所述人员数据进行快速初级分类，得到所述人员数据的初级数据；所述利用预设的粗分类算法对所述人员数据进行快速初级分类，得到所述人员数据的初级数据，包括：
S11，包括：
对所述人员数据进行数据完整性增补，得到所述人员数据的一级数据；
对所述一级数据进行指标化转换，得到所述一级数据的二级数据；
对所述二级数据进行归一化处理，得到所述二级数据的三级数据，确定所述二级数据的三级数据为所述人员数据的标准数据；
S12、随机选取所述标准数据中的其中一个数据为预设的粗分类算法的第一个聚类中心点，将所述第一个聚类中心点添加到初始聚类中心集合，对所述标准数据中的第一个聚类中心点进行数据剔除，得到所述标准数据的一级数据集合；
S13、逐个选取所述一级数据集合中的其中一个数据做为一级目标数据，利用欧氏距离算法计算所述一级目标数据和所述初始聚类中心集合中聚类中心点的一级距离；
S14、确定所述一级距离中的最小距离，根据所述最小距离和预设的距离阈值确定所述最小距离对应的一级目标数据的聚类簇，其中，所述预设的距离阈值包括：预设的一级距离阈值和预设的二级距离阈值，所述预设的一级距离阈值大于所述预设的二级距离阈值；
S15、当所述一级数据集合不是空集时，返回步骤S13；
S16、当所述一级数据集合是空集时，根据所述最小距离对应的一级目标数据的聚类簇确定所述人员数据的初级数据；
利用预设的细分类算法对所述初级数据进行精细次级分类，得到所述初级数据的次级数据；所述利用预设的细分类算法对所述初级数据进行精细次级分类，得到所述初级数据的次级数据，包括：
S41、根据所述初级数据确定预设的细分类算法的初始簇中心；
S42、根据欧氏距离算法计算所述初级数据中的每个数据与每个所述初始簇中心的初级距离，根据所述初级距离对所述初级数据进行簇分配，得到所述初级数据的分配数据；
S43、根据所述分配数据确定所述初始簇中心的距离平均值，根据所述距离平均值对对所述初始簇中心进行位置更新，得到所述初始簇中心的更新簇中心；
S44、重复步骤S42-S43，直至所述更新簇中心不发生改变，根据所述更新簇中心确定所述初级数据的次级数据；
根据所述次级数据构建所述目标人员的判断矩阵，利用所述判断矩阵和多因素权重算法生成所述目标人员的特征权值，根据所述特征权值建立所述目标人员的人员画像，其中，所述多因素权重算法为：
；
其中，wr,i是所述目标人员的第r个因素的因素值，i是所述判断矩阵的行标识，j是所述判断矩阵的列标识，n是所述判断矩阵的行总数，ar,ij是所述判断矩阵的第i行第j列元素，r是所述目标人员的因素标识；所述根据所述次级数据构建所述目标人员的判断矩阵，利用所述判断矩阵和多因素权重算法生成所述目标人员的特征权值，包括：
根据所述次级数据建立所述目标人员的多因素指标体系，根据所述多因素指标体系和预设的重要性标度表生成所述次级数据的判断矩阵，
利用所述判断矩阵和多因素权重算法生成所述目标人员的其中一个因素的因素值，汇集所述因素值为所述目标人员的特征权值；所述根据所述特征权值建立所述目标人员的人员画像，包括：
确定所述目标人员的人员标签，利用所述特征权值中因素值对所述人员标签进行重要性标识，得到所述人员标签的标识标签；
对所述标识标签进行图像渲染，得到所述目标人员的人员画像；
采集所述目标人员的人脸图像，对所述人脸图像进行归一化矫正，得到所述人脸图像的标准图像，生成所述标准图像中每个像素点的像素梯度，根据所述像素梯度对所述标准图像进行单元分割，得到所述标准图像的图像单元，生成所述图像单元的单元描述子，根据所述单元描述子和所述图像单元生成所述标准图像的图像区块，确定所述图像区块的区块描述子，对所述区块描述子进行串联处理，得到所述目标人员的多区块融合特征，利用所述多区块融合特征对所述目标人员进行人脸授权，得到所述目标人员的授权特征，得到所述目标人员的授权特征，根据所述授权特征生成所述目标校园的人脸特征库；所述生成所述标准图像中每个像素点的像素梯度，包括：
利用预设的横向梯度算子对所述标准图像进行卷积处理，得到所述标准图像中每个像素点的横向梯度分量；
利用预设的纵向梯度算子对所述标准图像进行卷积处理，得到所述标准图像中每个像素点的纵向梯度分量；
利用所述横向梯度分量、所述纵向梯度分量和如下梯度幅度算法生成所述标准图像中每个像素点的像素梯度幅度：
；
其中，G(x,y)是所述标准图像中每个像素点的像素梯度幅度，Gx(x,y)是所述横向梯度分量，Gy(x,y)是所述纵向梯度分量，x是所述像素点的横向标识，y是所述像素点的纵向标识；
利用所述横向梯度分量、所述纵向梯度分量和如下梯度方向算法生成所述标准图像中每个像素点的像素梯度方向：
；
其中，α(x,y)是所述标准图像中每个像素点的像素梯度方向，tan-1( )是反正切函数，Gx(x,y)是所述横向梯度分量，Gy(x,y)是所述纵向梯度分量，x是所述像素点的横向标识，y是所述像素点的纵向标识；
汇集所述像素梯度幅度和所述像素梯度方向为所述标准图像中每个像素点的像素梯度；
根据所述人脸特征库建立所述人员画像与目标人员的关联关系，根据所述关联关系和所述人员画像生成所述目标人员的人员档案，按照预设的课程属性对所述人员档案进行双层级多分类，得到所述人员档案的分类档案，利用所述分类档案对所述目标人员进行公共课推荐，所述按照预设的课程属性对所述人员档案进行双层级多分类，得到所述人员档案的分类档案，包括：
根据预设的课程属性生成所述人员档案的层级索引，其中，所述层级索引包括：一级索引和二级索引；
利用所述一级索引对所述人员档案进行初次选取，得到所述人员档案的一级档案；
利用所述二级索引对所述一级档案进行次级选取，得到所述一级档案的二级档案，确定所述二级档案为所述人员档案的分类档案。
2.一种基于大数据的智慧校园管理系统，其特征在于，用于执行如权利要求1所述的基于大数据的智慧校园管理方法，所述系统包括：
粗分类模块，用于获取目标校园中目标人员的人员数据，利用预设的粗分类算法对所述人员数据进行快速初级分类，得到所述人员数据的初级数据；
细分类模块，用于利用预设的细分类算法对所述初级数据进行精细次级分类，得到所述初级数据的次级数据；
人员画像模块，用于根据所述次级数据构建所述目标人员的判断矩阵，利用所述判断矩阵和多因素权重算法生成所述目标人员的特征权值，根据所述特征权值建立所述目标人员的人员画像，其中，所述多因素权重算法为：
；
其中，wr,i是所述目标人员的第r个因素的因素值，i是判断矩阵的行标识，j是判断矩阵的列标识，n是判断矩阵的行总数，ar,ij是判断矩阵的第i行第j列元素，r是所述目标人员的因素标识；
人脸特征模块，用于采集所述目标人员的人脸图像，对所述人脸图像进行归一化矫正，得到所述人脸图像的标准图像，生成所述标准图像中每个像素点的像素梯度，根据所述像素梯度对所述标准图像进行单元分割，得到所述标准图像的图像单元，生成所述图像单元的单元描述子，根据所述单元描述子和所述图像单元生成所述标准图像的图像区块，确定所述图像区块的区块描述子，对所述区块描述子进行串联处理，得到所述目标人员的多区块融合特征，利用所述多区块融合特征对所述目标人员进行人脸授权，得到所述目标人员的授权特征，得到所述目标人员的授权特征，根据所述授权特征生成所述目标校园的人脸特征库；
课程推荐模块，用于根据所述人脸特征库建立所述人员画像与目标人员的关联关系，根据所述关联关系和所述人员画像生成所述目标人员的人员档案，按照预设的课程属性对所述人员档案进行双层级多分类，得到所述人员档案的分类档案，利用所述分类档案对所述目标人员进行公共课推荐。
CN202310619567.6A 2023-05-30 2023-05-30 基于大数据的智慧校园管理方法及系统 Active CN116362933B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310619567.6A CN116362933B (zh) 2023-05-30 2023-05-30 基于大数据的智慧校园管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310619567.6A CN116362933B (zh) 2023-05-30 2023-05-30 基于大数据的智慧校园管理方法及系统

Publications (2)

Publication Number Publication Date
CN116362933A CN116362933A (zh) 2023-06-30
CN116362933B true CN116362933B (zh) 2023-09-26

Family

ID=86910674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310619567.6A Active CN116362933B (zh) 2023-05-30 2023-05-30 基于大数据的智慧校园管理方法及系统

Country Status (1)

Country Link
CN (1) CN116362933B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016110005A1 (zh) * 2015-01-07 2016-07-14 深圳市唯特视科技有限公司 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法
CN108038438A (zh) * 2017-12-06 2018-05-15 广东世纪晟科技有限公司 一种基于奇异值分解的多源人脸图像联合特征提取方法
CN109308445A (zh) * 2018-07-25 2019-02-05 南京莱斯电子设备有限公司 一种基于信息融合的固定岗位人员疲劳检测方法
WO2019223313A1 (zh) * 2018-05-22 2019-11-28 深圳云天励飞技术有限公司 一种人员档案建立方法和装置
CN112926778A (zh) * 2021-02-25 2021-06-08 武汉科技大学 一种智慧安保系统火灾风险评估方法
CN113626499A (zh) * 2021-08-09 2021-11-09 青软创新科技集团股份有限公司 一种基于大数据数仓技术的学生画像挖掘实现方法
CN114862141A (zh) * 2022-04-20 2022-08-05 平安科技（深圳）有限公司 基于画像关联性的课程推荐方法、装置、设备及存储介质
CN114926311A (zh) * 2022-05-31 2022-08-19 江苏讯瑞科技有限公司 一种基于大数据和人工智能的智慧校园管理方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11087614B2 (en) * 2018-11-21 2021-08-10 Hemal B. Kurani Methods and systems of smart campus security shield

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016110005A1 (zh) * 2015-01-07 2016-07-14 深圳市唯特视科技有限公司 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法
CN108038438A (zh) * 2017-12-06 2018-05-15 广东世纪晟科技有限公司 一种基于奇异值分解的多源人脸图像联合特征提取方法
WO2019223313A1 (zh) * 2018-05-22 2019-11-28 深圳云天励飞技术有限公司 一种人员档案建立方法和装置
CN109308445A (zh) * 2018-07-25 2019-02-05 南京莱斯电子设备有限公司 一种基于信息融合的固定岗位人员疲劳检测方法
CN112926778A (zh) * 2021-02-25 2021-06-08 武汉科技大学 一种智慧安保系统火灾风险评估方法
CN113626499A (zh) * 2021-08-09 2021-11-09 青软创新科技集团股份有限公司 一种基于大数据数仓技术的学生画像挖掘实现方法
CN114862141A (zh) * 2022-04-20 2022-08-05 平安科技（深圳）有限公司 基于画像关联性的课程推荐方法、装置、设备及存储介质
CN114926311A (zh) * 2022-05-31 2022-08-19 江苏讯瑞科技有限公司 一种基于大数据和人工智能的智慧校园管理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邓嘉明 等.智慧校园数据画像标签建立与教学融合.《北京印刷学院学报》.2020,第28卷(第7期),前言、第1-2节. *

Also Published As

Publication number Publication date
CN116362933A (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN106021362B (zh) 查询式的图片特征表示的生成、图片搜索方法和装置
CN106384282A (zh) 构建决策模型的方法和装置
WO2017088537A1 (zh) 一种元件分类方法及装置
CN112699775A (zh) 基于深度学习的证件识别方法、装置、设备及存储介质
CN113626607B (zh) 异常工单识别方法、装置、电子设备及可读存储介质
CN114332984B (zh) 训练数据处理方法、装置和存储介质
CN110502694A (zh) 基于大数据分析的律师推荐方法及相关设备
CN111383732B (zh) 一种基于互斥识别的药品审核方法、装置、计算机系统及可读存储介质
CN115063589A (zh) 基于知识蒸馏的车辆部件分割方法及相关设备
CN115393666A (zh) 图像分类中基于原型补全的小样本扩充方法及系统
CN114913923A (zh) 针对单细胞染色质开放性测序数据的细胞类型识别方法
CN114626735A (zh) 催收案件分配方法、装置、设备及计算机可读存储介质
CN110083731A (zh) 图像检索方法、装置、计算机设备及存储介质
CN107103327B (zh) 一种基于颜色统计差异的染色伪造图像检测方法
CN116362933B (zh) 基于大数据的智慧校园管理方法及系统
CN108388869A (zh) 一种基于多重流形的手写数据分类方法及系统
CN114723652A (zh) 细胞密度确定方法、装置、电子设备及存储介质
CN107341189A (zh) 一种辅助人工对图像进行筛查、分类和存储的方法及系统
CN115563196A (zh) 一种基于多源数据增强对象信息价值的方法及系统
CN116303677A (zh) 基于数据分布均衡度的衡量方法、装置、设备及存储介质
CN113378619B (zh) 保险业务数据处理方法、装置、电子设备和存储介质
CN113516205B (zh) 基于人工智能的员工稳定性分类方法及相关设备
CN115661472A (zh) 图像查重方法、装置、计算机设备及存储介质
CN115880702A (zh) 数据处理方法、装置、设备、程序产品及存储介质
CN108108687A (zh) 一种手写体数字图像聚类方法、系统及设备

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