基于学习通课程的学生网络学习行为研究

针对超星学习通课程学习过程中学生出现的被动学习、消极学习现象,提出分析学生学习态度的方法,构建学习态度跟踪模型.首先针对超星学习通平台收集的学生网络学习行为数据,选取与学习态度相关性较高的指标,形成训练数据集;然后,通过调查法对学生学习态度进行调查,以此获得学习态度标签;最后,基于分类算法构建学习态度跟踪模型,采用五折...     

基于学生行为数据的学生心理健康状态预测

为解决大学生心理健康状态识别问题,基于学生消费、上网和心理测评结果数据,首先应用Jenks Natural Breaks算法进行特征分类,然后根据特征分类结果使用Apriori算法进行特征关联分析,以挖掘与学生心理健康状态具有一定相关性的行为特征。最后,基于粒子群优化算法改进了惯性权重,并增加了对劣势粒子进行识别变异和选择的过程,以避免算法陷入局部最优解,同时使用萤火虫扰动策略加速粒子群向全局最优解收敛,构建了PDNN(Particle Difference Neural Network)神经网络模型用于预测学生的心理健康状态。在学生行为特征数据集上的实验结果表明,所提出的模型优于传统的机器学习和相关深度学习模型,并可以快速收敛,能更加有效准确地预测学生的心理健康状态。     

基于学习任务的英语专业学生语言学习行为行动研究

行动研究是近年来国际上较为流行的课堂教学实践研究方法,是教师成长、课程发展和教育改革的重要手段之一。本文采用行动研究的研究方法,通过具体的学习任务的设定以及有针对性的教学调控措施的实施,阐述了英语专业课堂教学中培养学生良好语言学习行为的方法和途径。     

基于集成学习的微博用户转发行为预测

为了提高微博用户转发行为预测的精度,提出一种有效的基于集成学习的微博用户转发行为预测算法.首先,对影响用户转发的各种特征进行综合分析,提取出用户属性、社交关系、微博内容等影响用户转发行为的特征;然后,采用Logistic回归、支持向量机与BP(BackPropagation)神经网络等机器学习算法对用户转发行为进行预测;最后,利用"加权投票法"的集成学习方法对多个预测结果进行融合.实验结果表明,相对于BP神经网络算法,在综合评价性能的F1度量值上,集成学习算法有1.5%的性能提升.     

基于实测数据分析的风电功率预测

由于风力发电所利用的近地风能具有波动性、间歇性、低能量密度等特点,对风电场的发电功率进行尽可能准确的预测是风电发展的关键.本文根据某风场的实测数据,采用了时间序列中的自回归移动平均模型(ARMA),对风电功率进行了实时预测;为进一步提高风电功率实时预测的精确性,本文提出了一种基于BP神经网络和ARMA组合模型的预测方法,并对上述实测数据采用该方法进行了实时预测.预测结果表明:组合模型的预测结果与单独的自回归移动平均模型相比,风电功率的实时预测的均方根误差和百分比误差分别减少了4.01%和3.25%,工程中可以采用该组合模型对风电功率进行预测.     

基于CART分类算法的学生在线学习行为评价研究

随着智慧网络学习平台的推广应用,采集学生学习行为大数据开始变得可行,这为分析学生学习过程包含的知识和规律提供了数据基础.但目前普遍网络学习平台对数据仅实现了简单的统计和展示功能,没有做进一步的深入计算,教育者观察到的数据仍然只是表层的学习现象,不能看到表象后面的学习规律,很难有效对学生进行针对性指导,改变学生的学习路线...     

学习倦怠对高职学生在线学习行为影响机理研究——基于计划行为理论

疫情防控常态化下在线学习成为高职学生的重要学习途径。以计划行为理论为依据,在行为态度、主观规范、感知行为控制、行为意向、行为五个变量基础上引入学习倦怠变量,探讨高职学生在线学习倦怠对学习行为影响的机理。方法：在对高职学生在线学习调研的基础上,建立AMOS结构方程模型,探讨学习倦怠对高职学生在线学习行为的影响过程及关系。结果：学习倦怠受到主观规范负向的显著影响,行为态度受到学习倦怠的负向显著影响,感知行为控制受到学习倦怠的正向显著影响,学习行为意愿受到感知行为控制的负向显著影响。建议：通过优化在线学习管理,改进教学策略,提高社会支持和增强高职学生效能感等几项措施,降低高职学生学习倦怠,提升高职学生在线学习意愿,提高在线学习质量。     

基于Spark的移动用户行为轨迹大数据分析

为获取移动用户轨迹数据中的价值信息,利用Spark集群分布式处理用户行为轨迹的原始数据,对存入HBase分布式数据存储中的数据进行筛选、分析后存入Hive数据库中,Spark对数据库文件中的数据进行相关性卡方检验和K-Means聚类分析,得到用户出行方式的统计结果及在距离限制下出行方式选择的普遍规律.该过程为用户行为分析和预测提供可行的解决方案.     

基于Q学习的管制员Agent学习行为研究

管制员Agent是空中交通运行仿真系统中的核心部分,为了提高其知识库的完备程度,做到空中交通的精确仿真,可以考虑将机器学习理论引入管制员Agent模型.研究了相关机器学习算法,提出管制员Agent的个体机器学习行为,选择Q学习算法对管制员Agent的学习行为进行建模,使管制员Agent能在空中交通运行仿真中取得最优策略,完善自身冲突解脱知识库的不足.仿真结果证明了管制员Agent学习行为的合理性.     

基于SPOC模式的学生线上学习行为分析

目前高校对学生线上学习行为关注度不够,无法实现以学生为中心.在仔细分析SPOC教学模式的基础上,依托计算机网络省级精品资源共享课程平台,开展了基于SPOC模式的学生线上学习行为分析.引入总体反刍比A和平均学习区间系数T两个具有代表性的学习行为变量,来反映学生总体在计算机网络课程平台上学习活跃程度和活跃时间段.利用SPS...     

基于奇异谱方法的网络行为分析

运用数字信号处理中的奇异谱分析方法,讨论了如何提取网络流量的周期和趋势特征,并结合最大熵谱方法对吞吐量趋势做出预测,将该方法运用于中国教育和科研网CERNET华东（北）地区网的主干网,分析了若干天的网络流量行为特征,分析结果与使用情况相吻合,对主干的流量进行了预测,并将预测结果与实际情况做了比较,定义了评价预测准确性的公式,将预测的准确性与国际上具有代表性的成果进行多方面的比较,结果说明该方法准确性较好。     

基于实验数据的爆胎预测模型

在对实验数据进行统计分析的基础上,利用多元回归原理并借助SPSS软件,建立了侧向加速度、横摆角速度和转向横拉杆力与胎压、车速的回归方程,并验证了模型的可行性.对车辆实际爆胎工况的预测分析表明,预测结果能较好地反映各参数与车速以及胎压之间的关系.     

基于AMWPSO-LSTM的多阶段间歇过程故障预测

过程安全对于间歇过程生产具有重要意义,为提高间歇过程生产安全性,提出一种基于改进粒子群算法(AMWPSO)优化长短期记忆网络(LSTM)的间歇过程故障预测模型AMWPSO-LSTM。针对LSTM中的神经元个数、迭代次数、学习率等参数需要人为设置的问题,采用AMWPSO对这些参数进行自动寻优。AMWPSO在原有粒子群优化算法(PSO)中融入了自适应变异和非线性递减惯性权重,提高了PSO的参数寻优能力。由于间歇过程具有多阶段性,因此先根据模糊C均值聚类(FCM)方法对间歇过程进行阶段划分,再利用Pearson相关系数对各阶段实验数据进行相关性分析,以降低系统变量的维数,并建立各阶段T²统计量控制限作为系统是否发生故障的指标。实验以青霉素发酵过程数据为例,建立基于AMWPSO-LSTM 的多阶段故障预测模型,并将该模型的预测结果与基于LSTM的多阶段预测模型、基于PSO-LSTM的多阶段预测模型的预测结果进行比较,结果表明,基于AMWPSO-LSTM 的多阶段故障预测模型可取得较高的预测准确度。     

基于AMWPSO-LSTM的多阶段间歇过程故障预测

过程安全对于间歇过程生产具有重要意义,为提高间歇过程生产安全性,提出一种基于改进粒子群算法(AMWPSO)优化长短期记忆网络(LSTM)的间歇过程故障预测模型AMWPSO-LSTM。针对LSTM中的神经元个数、迭代次数、学习率等参数需要人为设置的问题,采用AMWPSO对这些参数进行自动寻优。AMWPSO在原有粒子群优化算法(PSO)中融入了自适应变异和非线性递减惯性权重,提高了PSO的参数寻优能力。由于间歇过程具有多阶段性,因此先根据模糊C均值聚类(FCM)方法对间歇过程进行阶段划分,再利用Pearson相关系数对各阶段实验数据进行相关性分析,以降低系统变量的维数,并建立各阶段T²统计量控制限作为系统是否发生故障的指标。实验以青霉素发酵过程数据为例,建立基于AMWPSO-LSTM 的多阶段故障预测模型,并将该模型的预测结果与基于LSTM的多阶段预测模型、基于PSO-LSTM的多阶段预测模型的预测结果进行比较,结果表明,基于AMWPSO-LSTM 的多阶段故障预测模型可取得较高的预测准确度。     

基于可解释机器学习框架的快速路立交出口风险预测及致因解析

为实现城市快速路立交出口安全风险防控,提升城市道路整体安全性,对快速路立交出口风险水平进行预测,并探究运行状态、控制设施、道路属性、天气等因素对立交出口安全风险的影响.基于导航数据和实地调查数据,以交通秩序指数作为事故替代指标,采用极限梯度提升(XGBoost)算法构建交通秩序预测模型,并利用可解释机器学习框架SHAP...     

基于数据仓库的多维模糊分析方法研究

传统的多维分析是维值为确定的一种分析方法,但在实际分析过程中,由于环境的复杂不确定性,分析人员常常提出一些维值不确定的分析需求.在分析讨论多维模糊分析概念的基础上,采用模糊隶属度函数的概念,通过将维表数值的模糊化处理和基于模糊化维值完成事实表转换,提出了一种基于数据仓库的多维模糊分析方法,给出了相应的转换过程和算法.分析结果表明,基于数据仓库的多维模糊分析方法可有效提高多维分析的灵活性和适应性.     

基于灰色关联分析的季节性民航货运量预测

为更精确地预测月度航空货运量,提出组合模型预测方法.该模型由季节GM(1,1)和季节ARIMA乘积模型构成,它结合了该2种模型中时间序列预测的优点.灰色模型GM(1,1)能准确反映时间序列的增长趋势;ARIMA乘积模型对季节特征有较好的拟合效果.依据霍尔特温特预测模型计算季节性GM(1,1)模型的季节指数,并用灰色关联分析求出组合预测中的权值.组合预测模型的平均相对误差为0.62%,而季节性GM(1,1)模型和ARIMA乘积模型的平均相对误差分别为4.49%和-3.16%.预测分析结果说明,该模型的非线性曲线拟合精度和预测精度明显高于单个模型,可较好地反映系统的动态性和运量的季节时序关联性,为季节性时间序列预测提供了新的途径.     

基于极限学习机(ELM)的连铸坯质量预测

针对传统基于BP神经网络建立的连铸坯质量预测模型训练速度慢、适应能力弱、预测精度低等问题,本文提出一种基于极限学习机的连铸坯质量预测方法,对方大特钢60Si2Mn连铸坯中心疏松和中心偏析缺陷进行预测,并与BP和遗传算法优化BP神经网络预测模型的预测结果进行分析对比.结果表明:BP及GA-BP神经网络预测模型对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为50％、57.5％、70％和72.5％;而基于极限学习机的连铸坯预测模型预测准确率更高,对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为85％和82.5％,且该模型具有极快的运算时间,仅需0.1s.该模型可对连铸坯质量进行迅速准确地分析,为连铸坯质量预测的在线应用提供了一种新的方法.     

基于多传感器数据融合的加工质量预测技术

多传感器数据融合技术已受到广泛关注．它的理论和方法已被应用到许多研究领域。基于多传感器数据融合技术,通过分析影响加工质量的多种因素．综合考虑铣削过程主轴电机电流信号、工件振动信号、主轴转速、进给速度、切削深度、切削宽度、顺,逆铣及刀具直径8种因素。以这8种因素作为神经网络输人,进行信息融合,以加工尺寸误差作为目标输出,建立了RBF神经网络加工尺寸误差智能预测模型。