[发明专利]一种基于K-means聚类多权重自适应的学生学习行为分析方法

摘要

本发明公开了一种基于K‑means聚类多权重自适应的学生学习行为分析方法，本发明利用学生平时早操、课堂、晚自习、晚宿舍考勤出勤数据，采用一种多权重自适应的加权算法对学生进行K‑means聚类，将具有不同学习行为的学生聚为一类，并结合学生的平均成绩分析不同的学习行为与学习成绩之间的关系；本发明提出的学生行为分析方法可应用于高校学生学习行为习惯的分析，针对不同学习行为的学生，实施不同的管理办法。

主权项

一种基于K‑means聚类多权重自适应的学生学习行为分析方法，其特征在于，利用学生平时早操、课堂、晚自习、晚宿舍考勤出勤数据，结合空间向量模型、多权重自适应加权方法，先对学生的考勤数据进行预处理与特征加权；使用分层聚类的方法确定聚类中心的个数并初始化聚类中心；进而利用K‑means聚类算法对学生进行聚类，结合学生成绩信息分析每个类别的学生具有不同的学习行为，其中，包括：学生聚类与归类流程步骤A和多权重生成算法步骤B；具体包括以下步骤：学生聚类与归类流程步骤A，从步骤A1至步骤A25：步骤A1、设学生人数为M，考勤数据的维度为N，建立考勤数据集Records={Stu₁,Stu₂,…,Stu_M}，Records的元素Stu_m={s₁,s₂,...,s_N}表示学生m的考勤数据，s₁,s₂,…,s_N为Stu_m的七个维度，其中，m∈[1,M]；步骤A2、执行步骤B1至B17；步骤A3、设聚类中心个数为K；定义1：带权重考勤数据集Wrecords={Stu₁*wei_h,Stu₂*wei_h,…,Stu_M*wei_h}，其中，wei_h∈W，h∈[1,L]；定义2：学生聚类组数据集Urecord={U₁,U₂,...,U_K}，U₁,U₂,...,U_K分别表示K个学生聚类组，每个聚类组中的学生具有相似的学习行为，令u_xy表示x聚类组内的y用户，U₁={u₁₁,u₁₂,…,u_1r},U₂={u₂₁,u₂₂,…,u_2w}，…，U_K={u_K1,u_K2,…,u_Kv}，其中，x∈[1,K]，y∈[1,M]，r+w+v=M；定义3：评估值数据集VALUE={(wei₁,v₁),(wei₂,v₂),…,(wei_L,v_L)}，其中，(wei_z,v_z)表示权重子集wei_z对应的评估值v_z，z∈[1,L]；定义4：聚类中心数据集Center={cen₁,cen₂,…,cen_K}表示K个聚类中心的数据集；步骤A4、定义循环变量t，并赋初值t=1；步骤A5、如果t<=L，则执行步骤A6，否则执行步骤A11；步骤A6、使用wei_t对数据集Records添加权重得到带权重考勤数据集Wrecords={Stu₁*wei_t,Stu₂*wei_t,…,Stu_M*wei_t}，其中Stu_p*wei_q={s_p1*w_q1,s_p2*w_q2,…,s_pN*w_qN}，s_p1,s_p2,…,s_pN分别表示Stu_p的N个维度，w_q1,w_q2,…,w_qN分别表示wei_q的N个维度，p∈[1,M]，q∈[1,L]；步骤A7、使用层次聚类算法确定K值；步骤A8、使用K‑means算法对数据集Wrecords进行聚类，得到步骤A3中的学生聚类组数据集Urecord={U₁,U₂,...,U_K}和聚类中心数据集Center={cen₁,cen₂,…,cen_K}；步骤A9、定义GetCenter(Stu_i)表示先根据Stu_i和Urecord得到Stu_i所属聚类组的编号，再结合Center获取Stu_i对应的聚类中心，使用平方误差和对步骤A8中的Urecord进行评估，并将(wei_t,v_t)添加到步骤A3中的评估值数据集VALUE中，其中，i∈[1,M]；步骤A10、t=t+1，执行步骤A5；步骤A11、定义Min(VALUE)表示步骤A3中的VALUE数据集中评估值的最小值，根据Min(VALUE)得到对应的权重wei_j，其中，j∈[1,L]；使用权重wei_j对Record加权得到数据集FWrecord={FStu₁,FStu₂,…,FStu_M}，使用K‑means算法对FWrecord进行聚类，得到聚类组数据集FUrecord={F₁,F₂,…,F_K}，其中，F₁,F₂,…,F_K分别表示K个学生聚类组；步骤A12、加载学生成绩数据集Grade={g₁,g₂,…,g_M}，求出M个学生的平均成绩为E；分别计算数据集FUrecord中的每个聚类组中所有学生的平均成绩得到数据集FGrade={ag₁,ag₂,…,ag_K}；步骤A13、定义M个学生的平均出勤率为V，分别计算数据集FUrecord中每个聚类组中的所有学生的平均成绩得到数据集FHabit={ah₁,ah₂,…,ah_K}；步骤A14、定义学生聚类组数据集StuCollectionA={Ea₁,Ea₂,...,Ea_n1}，StuCollectionB={Eb₁,Eb₂,...,Eb_n2}，StuCollectionC={Ec₁,Ec₂,...,Ec_n3}，StuCollectionD={Ed₁,Ed₂,...,Ed_n4}，其中，Ea,Eb,Ec,Ed为学生聚类组，且n1+n2+n3+n4=M；设循环变量n，并赋初值n=1；步骤A15、如果n<=K则执行步骤A16，否则执行步骤A25；步骤A16、如果ah_n<V且ag_n<E则执行步骤A17，否则执行步骤A18；步骤A17、将聚类组F_n添加到StuCollectionD数据集，执行步骤A24；步骤A18、如果ah_n<V且ag_n>=E则执行步骤A19，否则执行步骤A20；步骤A19、将聚类组F_n添加到StuCollectionC数据集，执行步骤A24；步骤A20、如果ah_n>=V且ag_n<E则执行步骤A21，否则执行步骤A22；步骤A21、将聚类组F_n添加到StuCollectionB数据集，执行步骤A24；步骤A22、如果ah_n>=V且ag_n>=E则执行步骤A23，否则执行步骤A24；步骤A23、将聚类组F_n添加到StuCollectionA数据集，执行步骤A24；步骤A24、n=n+1，执行步骤A15；步骤A25、得到四类学生聚类组数据集StuCollectionA、StuCollectionB、StuCollectionC、StuCollectionD，其中，StuCollectionA表示A类学生的数据集，StuCollectionB表示B类学生的数据集，StuCollectionC表示C类学生的数据集，StuCollectionD表示D类学生的数据集；多权重生成算法步骤B，从步骤B1至步骤B18：步骤B1、定义浮点型循环变量a,b,c,d,e,f,g；权重最大阈值为P，权重最小阈值为S，步长为Q，并初始化a=S,b=S,c=S,d=S,e=S,f=S,g=S；权重数据集元素的个数为L，权重数据集W={wei₁,wei₂,…,wei_L}，其中，wei₁,wei₂,…,wei_L为权重数据集W的L个权重子集；步骤B2、如果a<=P则执行步骤B3，否则执行步骤B18；步骤B3、如果b<=P则执行步骤B4，否则执行步骤B17；步骤B4、如果c<=P则执行步骤B5，否则执行步骤B16；步骤B5、如果d<=P则执行步骤B6，否则执行步骤B15；步骤B6、如果e<=P则执行步骤B7，否则执行步骤B14；步骤B7、如果f<=P则执行步骤B8，否则执行步骤B13；步骤B8、如果g<=P则执行步骤B9，否则执行步骤B12；步骤B9、如果a+b+c+d+e+f+g=1则执行步骤B10，否则执行步骤B11；步骤B10、将{a,b,c,d,e,f,g}添加到权重数据集W中，执行步骤B8；步骤B11、g=g+Q，执行步骤B8；步骤B12、f=f+Q，执行步骤B7；步骤B13、e=e+Q，执行步骤B6；步骤B14、d=d+Q，执行步骤B5；步骤B15、c=c+Q，执行步骤B4；步骤B16、b=b+Q，执行步骤B3；步骤B17、a=a+Q，执行步骤B2；步骤B18、得到生成的权重数据集W={{wa₁,wb₁,wc₁,wd₁,we₁,wf₁,wg₁},{wa₂,wb₂,wc₂,wd₂,we₂,wf₂,wg₂},...,{wa_L,wb_L,wc_L,wd_L,we_L,wf_L,wg_L}}，即W={wei₁,wei₂,…,wei_L}。