【技术实现步骤摘要】
本专利技术涉及学生成绩监测，具体为基于svr模型处理高维特征的学生成绩在线监测方法及系统。
技术介绍
1、学生成绩在线监测方法及系统主要涵盖了利用互联网技术进行学生成绩的记录、管理、分析和查询的一系列流程与工具，学生成绩在线监测方法及系统为教师提供了便捷、高效的成绩管理工具，有助于提升教学质量和学生的学习效果，学生成绩的监测多依赖于传统的统计模型或简单的数据驱动模型，这些方法在处理高维特征数据时往往存在计算复杂度高、预测准确性不足等问题，从而影响成绩预测的准确性和实时性，现有的学生成绩预测方法主要依赖于多元线性回归、逻辑回归、决策树或简单的神经网络等模型，这些方法缺乏对特征选择的有效机制导致冗余特征对模型性能产生负面影响。
2、现有技术中成绩监测方法及系统存在的缺陷是：
3、1、专利文件cn114861832a公开了一种基于精英遗传聚类算法的学生成绩分析方法及系统，该学生成绩分析系统在处理学生成绩预测这类非线性关系和高维数据时模型适应性差会导致预测结果偏离实际，无法准确反映学生的真实学习情况。
4、2、专利文件cn114492156a公开了基于大数据的学生成绩预测方法、系统、计算机及介质，该成绩预测方法在处理高维数据时需要进行大量的计算来寻找最优解，从而消耗大量的计算资源和时间，高计算复杂度降低预测效率且无法满足实时监测需求。
5、3、专利文件cn117763361b公开了一种基于人工智能的学生成绩预测方法及系统，该学生成绩预测系统中数据驱动模型在特征选择和参数优化方面不足，参数优
技术实现思路
1、本专利技术的目的在于提供基于svr模型处理高维特征的学生成绩在线监测方法及系统，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：基于svr模型处理高维特征的学生成绩在线监测方法，包括如下步骤：步骤s1、数据收集；步骤s2、初始参数设定：步骤s3、模型构建与训练；步骤s4、特征选择与参数优化；步骤s5、在线监测与反馈；
3、所述特征选择与参数优化步骤如下：ida算法同时对高维特征和svr参数进行筛选，ida算法通过模拟个体之间的决斗过程不断优化特征子集和参数，寻找使模型预测误差最小的最优特征和参数组合。
4、优选的，所述数据收集步骤如下：通过学校的信息管理系统、在线学习平台、课堂互动系统等多个渠道，实时收集学生的性别、年龄、年级、专业基本信息和出勤率、作业提交次数、课堂互动次数、在线学习时间、图书馆访问记录学习行为特征，对学生的基本信息和学习行为数据进行预处理。
5、优选的，所述初始参数设定步骤如下：将预处理后的数据分为训练数据和测试数据，初始化特征子集和svr参数。
6、优选的，所述模型构建与训练步骤如下：构建svr模型时选择合适的径向基函数rbf和设置相应的惩罚参数c、核宽度γ、允许误差参数，对svr模型进行训练。
7、优选的，所述在线监测与反馈步骤如下：利用部署好的监测系统对新数据进行成绩预测，找到特征子集和svr模型参数的最优方案，并输出学生成绩的在线监测结果，预测结果实时反馈给教师和学生帮助他们了解学生的学习状况和潜在问题，根据预测结果为学生提供个性化的学习建议。
8、优选的，采用算法公式对初始样本数据进行归一化处理，所述算法公式如下：
9、
10、其中aij是样本数据，aimin与aimax是第i个学生学习行为特征中的最小值和最大值。
11、优选的，设定支持向量回归模型和改进的决斗算法初始参数，包括变异概率pm＝0.1，学习概率pl＝0.8，改进概率pc＝0.1，步长系数λ＝5，惩罚参数c的搜索范围c∈[10-3,103]，核函数带宽γ的搜索范围γ∈[10-6,101]，允许误差ε的搜索范围ε∈[10-3,10-1]，当前迭代次数t＝1，最大迭代次数tmax。
12、优选的，在步骤s3中，所述模型构建与训练，具体包括以下步骤：
13、步骤s31、初始化种群，对初始解进行编码，编码包括两部分：特征子集n和支持向量机参数(c,γ,ε)，第i个解可表示为：
14、
15、步骤s32、对每个解采用变异操作产生新的解；
16、步骤s33、执行解码操作，计算适应度；
17、步骤s34、随机产生竞争表，按竞争表令当前解进行一对一的竞争，决定胜利者和失败者；
18、步骤s35、失败者通过用获胜者的二进制数组值替换其二进制数组的一部分以提高适应度，胜利者将其二进制数组的值更改为新值以提高适应度；
19、步骤s36、更新最优解，令t＝t+1，判断t<tmax是否成立，若成立，执行步骤s37；否则，结束搜索，输出最优解；
20、步骤s37、迭代次数加一，返回步骤s32。
21、优选的，所述ida算法进行特征选择和模型参数的优化，采用logistic方程构造混沌序列：
22、x(t+1)＝μx(t)(1-x(i))i＝0,1,2,…
23、其中，μ是控制参数。当0<x(0)<1且μ＝4时，logistic方程处于完全混沌状态。此时，x(i)在(0,1)区间内是混沌的。给定初始值x(0)∈(0,1)，可以生成时间序列x(1),x(2),…；
24、定义自适应幸运系数：
25、
26、其中，c是当前迭代次数t的幸运系数，λ为步长。
27、基于svr模型处理高维特征的学生成绩在线监测系统，适用于基于svr模型处理高维特征的学生成绩在线监测方法，包括数据传输模块、参数设置模块、模型训练模块、智能决策模块和异常报警模块。
28、优选的，所述数据传输模块用于执行步骤s1，对学生的基本信息和学习行为数据进行收集，并对收集到的数据进行预处理；
29、所述参数设置模块用于执行步骤s2，对监测系统所需参数进行设置，包括变异概率、学习概率、改进概率、惩罚参数、核函数带宽和允许误差；
30、所述模型训练模块用于执行步骤s3，导入学习样本数据(xtrain,ytrain)，应用学习样本数据对支持向量机回归模型进行训练，初始化模型ytrain＝
31、svr(xtrain)并采用改进的ida算法算法同时进行学习行为特征的选择和模型参数的优化，找到最优的特征子集和模型参数的最优方案；
32、所述智能决策模块导入在线监测样本数据xtest，使用训练好的模型对在线监测样本进行成绩检验，ytest＝svr(xtest)，输出成绩监测结果ytest；
33、所述异常报警模块对学生成绩监测结果进行快速判断，在第一时间内将成绩异常的学生通知给相关教师，并对异常学生进行记录、查看及追踪。
34、与现有技本文档来自技高网...
【技术保护点】
1.基于SVR模型处理高维特征的学生成绩在线监测方法，其特征在于，包括如下步骤：步骤S1、数据收集；步骤S2、初始参数设定：步骤S3、模型构建与训练；步骤S4、特征选择与参数优化；步骤S5、在线监测与反馈；
2.根据权利要求1所述的基于SVR模型处理高维特征的学生成绩在线监测方法，其特征在于：所述数据收集步骤如下：通过学校的信息管理系统、在线学习平台、课堂互动系统等多个渠道，实时收集学生的性别、年龄、年级、专业基本信息和出勤率、作业提交次数、课堂互动次数、在线学习时间、图书馆访问记录学习行为特征，对学生的基本信息和学习行为数据进行预处理。
3.根据权利要求1所述的基于SVR模型处理高维特征的学生成绩在线监测方法，其特征在于：所述初始参数设定步骤如下：将预处理后的数据分为训练数据和测试数据，初始化特征子集和SVR参数。
4.根据权利要求1所述的基于SVR模型处理高维特征的学生成绩在线监测方法，其特征在于：所述模型构建与训练步骤如下：构建SVR模型时选择合适的径向基函数RBF和设置相应的惩罚参数C、核宽度γ、允许误差参数，对SVR模型进行训练。p>
5.根据权利要求1所述的基于SVR模型处理高维特征的学生成绩在线监测方法，其特征在于：所述在线监测与反馈步骤如下：利用部署好的监测系统对新数据进行成绩预测，找到特征子集和SVR模型参数的最优方案，并输出学生成绩的在线监测结果，预测结果实时反馈给教师和学生帮助他们了解学生的学习状况和潜在问题，根据预测结果为学生提供个性化的学习建议。
6.根据权利要求2所述的基于SVR模型处理高维特征的学生成绩在线监测方法，其特征在于：采用算法公式对初始样本数据进行归一化处理，所述算法公式如下：
7.根据权利要求4所述的基于SVR模型处理高维特征的学生成绩在线监测方法，其特征在于：设定支持向量回归模型和改进的决斗算法初始参数，包括变异概率Pm＝0.1，学习概率Pl＝0.8，改进概率Pc＝0.1，步长系数λ＝5，惩罚参数C的搜索范围C∈[10-3,103]，核函数带宽γ的搜索范围γ∈[10-6,101]，允许误差ε的搜索范围ε∈[10-3,10-1]，当前迭代次数t＝1，最大迭代次数tmax。
8.根据权利要求7所述的基于SVR模型处理高维特征的学生成绩在线监测方法，其特征在于：在步骤S3中，所述模型构建与训练，具体包括以下步骤：
9.根据权利要求1所述的基于SVR模型处理高维特征的学生成绩在线监测方法，其特征在于：所述IDA算法进行特征选择和模型参数的优化，采用Logistic方程构造混沌序列：
10.基于SVR模型处理高维特征的学生成绩在线监测系统，适用于权利要求1-9任意一项所述的基于SVR模型处理高维特征的学生成绩在线监测方法，其特征在于：包括数据传输模块、参数设置模块、模型训练模块、智能决策模块和异常报警模块。
11.根据权利要求10所述的基于SVR模型处理高维特征的学生成绩在线监测系统，其特征在于：所述数据传输模块用于执行步骤S1，对学生的基本信息和学习行为数据进行收集，并对收集到的数据进行预处理；
...【技术特征摘要】
1.基于svr模型处理高维特征的学生成绩在线监测方法，其特征在于，包括如下步骤：步骤s1、数据收集；步骤s2、初始参数设定：步骤s3、模型构建与训练；步骤s4、特征选择与参数优化；步骤s5、在线监测与反馈；
2.根据权利要求1所述的基于svr模型处理高维特征的学生成绩在线监测方法，其特征在于：所述数据收集步骤如下：通过学校的信息管理系统、在线学习平台、课堂互动系统等多个渠道，实时收集学生的性别、年龄、年级、专业基本信息和出勤率、作业提交次数、课堂互动次数、在线学习时间、图书馆访问记录学习行为特征，对学生的基本信息和学习行为数据进行预处理。
3.根据权利要求1所述的基于svr模型处理高维特征的学生成绩在线监测方法，其特征在于：所述初始参数设定步骤如下：将预处理后的数据分为训练数据和测试数据，初始化特征子集和svr参数。
4.根据权利要求1所述的基于svr模型处理高维特征的学生成绩在线监测方法，其特征在于：所述模型构建与训练步骤如下：构建svr模型时选择合适的径向基函数rbf和设置相应的惩罚参数c、核宽度γ、允许误差参数，对svr模型进行训练。
5.根据权利要求1所述的基于svr模型处理高维特征的学生成绩在线监测方法，其特征在于：所述在线监测与反馈步骤如下：利用部署好的监测系统对新数据进行成绩预测，找到特征子集和svr模型参数的最优方案，并输出学生成绩的在线监测结果，预测结果实时反馈给教师和学生帮助他们了解学生的学习状况和潜在问题，根据预测结果为学生提供个性化的学习建议。
<...【专利技术属性】
技术研发人员：许欢，李青，谭景宝，夏道明，胡启明，汪维刚，
申请(专利权)人：合肥幼儿师范高等专科学校，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。