基于粗糙集与支持向量机的高校教师科研能力评价模型的研究

发布时间：2017-06-25 00:06

  本文关键词：基于粗糙集与支持向量机的高校教师科研能力评价模型的研究，由笔耕文化传播整理发布。

【摘要】：随着社会科技的发展，越来越多的教师在参与教学工作的基础上也参与到学校的科研工作，以科研实践促进教学工作的进步。如今教师逐渐成为科研活动的主要力量之一，而科研活动的强弱也已成为衡量高校整体实力的一种标志。因此，，如何正确的评价教师科研能力已经成为当前高校面临的一个重大问题。 本文主要工作如下： （1）概述了当前国内外学者对教师科研能力评价模型的相关研究，阐述了建立模型所使用的相关技术方法，并总结已有模型存在的不足，在此基础上提出了本文建立模型所使用的主要技术方法。 （2）论述了本文建立评价模型所用到的理论方法，主要包括邻域粗糙集理论和BP神经网络理论和算法、支持向量机理论和粒子群优化算法等。 （3）依据建立的科研评价指标体系采集对应的科研数据作为初始样本，并对初始样本进行数据预处理，处理后的数据分别作为BP网络和SVM算法的输入，依次建立教师科研能力评价模型。对两种模型在预测准确率和预测误差指标上进行对比分析，阐述BP算法和SVM算法在评价模型应用上的优劣，为本文选择SVM算法建立科研能力评价模型奠定基础。 （4）针对评价体系的多指标问题，本文提出使用邻域粗糙集属性约简方法对评价指标进行属性约简，降低评价指标维度，提高支持向量机算法的效率和模型的建立速度；针对支持向量机参数的选择问题，本文提出使用粒子群优化支持向量机算法，迭代搜寻影响支持向量机性能的参数，进一步优化建立的评价模型，提高模型预测的准确率。 （5）概述了科研管理信息平台的开发背景、设计架构、系统开发环境和相关技术等，开发实现模型评价功能，并展示了科研评价功能在系统中的部分运行结果。 随着高校信息化的发展，对教师科研能力的评价越来越重要，本文提出的基于邻域粗糙集和粒子群优化支持向量机方法，提高了教师科研能力评价模型的训练速度和预测准确率，为评价模型的应用提供一定的科学依据。
【关键词】：科研能力 评价模型 邻域粗糙集 支持向量机 粒子群算法
【学位授予单位】：重庆理工大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：G645.1;TP18
【目录】：

• 摘要4-5
• Abstract5-10
• 1 引言10-18
• 1.1 课题背景10-11
• 1.2 国内外研究现状11-15
• 1.2.1 基于层次分析法和德尔菲法的评价方法11-12
• 1.2.2 基于灰色系统的综合评价模型12-13
• 1.2.3 基于数据包络分析法的模型评价方法13
• 1.2.4 基于概率神经网络评价模型13-14
• 1.2.5 基于离散 Hopfield 和 BP 神经网络评价模型14-15
• 1.3 已有模型存在的不足和展望15-16
• 1.4 本文组织结构16-18
• 2 机器学习理论方法概述18-28
• 2.1 邻域粗糙集理论与方法18-21
• 2.1.1 基于邻域的粒化18-19
• 2.1.2 邻域粗糙集逼近19
• 2.1.3 邻域决策系统19-21
• 2.2 神经网络理论与方法21-22
• 2.2.1 BP 神经网络理论21-22
• 2.2.2 BP 网络学习算法22
• 2.3 支持向量机和粒子群算法理论与方法22-27
• 2.3.1 线性可分 SVM22-24
• 2.3.2 线性不可分 SVM24-25
• 2.3.3 多分类 SVM25-26
• 2.3.4 粒子群算法理论基础26-27
• 2.3.5 粒子群算法惯性权重27
• 2.4 本章小结27-28
• 3 基于神经网络和支持向量机的教师科研能力评价模型28-42
• 3.1 科研评价指标选取标准及样本数据预处理28-35
• 3.1.1 科研指标体系的设定28-29
• 3.1.2 实验数据获取29-32
• 3.1.3 数据预处理32-35
• 3.2 基于 BP 神经网络和 SVM 方法的评价模型的建立35-40
• 3.2.1 基于 BP 神经网络的教师科研能力评价模型35-37
• 3.2.2 基于支持向量机的教师科研能力评价模型37-40
• 3.2.3 两种评价模型的仿真结果比对分析40
• 3.3 本章小结40-42
• 4 基于支持向量机的科研能力评价模型42-54
• 4.1 基于邻域模型的前向贪心数值属性约简42-44
• 4.1.1 邻域大小的设定42-43
• 4.1.2 基于邻域模型的前向贪心数值属性约简43-44
• 4.1.3 样本集属性约简44
• 4.2 SVM 评价模型的优化44-53
• 4.2.1 基于 NRS 和 SVM 评价模型实验44-48
• 4.2.2 基于粒子群的 SVM 算法优化评价模型48-52
• 4.2.3 试验结果分析52-53
• 4.3 本章小结53-54
• 5 基于粗糙集与 SVM 的科研能力评价系统的实现54-62
• 5.1 项目背景介绍54-56
• 5.1.1 项目背景54-55
• 5.1.2 系统总体框架55-56
• 5.1.3 系统开发环境及相关技术56
• 5.2 机器学习方法在科研能力评价模块中的实现56-61
• 5.2.1 训练数据导出和更新功能57-58
• 5.2.2 数据预处理58-59
• 5.2.3 模型训练功能59-60
• 5.2.4 模型评价预测60-61
• 5.3 本章小结61-62
• 6 总结与展望62-64
• 6.1 研究工作总结62-63
• 6.2 后续工作展望63-64
• 致谢64-66
• 参考文献66-70
• 个人简历、在学期间发表的学术论文及取得的研究成果70

【参考文献】

中国期刊全文数据库 前10条

1 王伯成;施锦丹;王凯;;粒子群优化算法的研究现状与发展概述[J];电讯技术;2008年05期

2 王京文;胡忠望;肖建华;林志刚;;高校教师科研水平评估指标体系的研究[J];湖南工程学院学报(社会科学版);2006年02期

3 胡金平;高淑琴;齐立涛;;应用BP神经网络预测高速铣削表面粗糙度[J];装备制造技术;2012年06期

4 蔡继亮;叶微;;基于概率神经网络的空袭目标识别[J];火力与指挥控制;2010年12期

5 丁古丽;陈进;;基于灰色系统理论的绿色施工风险评价研究[J];工程管理学报;2010年02期

6 王毅;王兴元;;高科技企业竞争与发展趋势分析[J];经济纵横;2009年01期

7 李娜;;粒子群算法及其应用研究[J];农业网络信息;2010年07期

8 柳益君;吴访升;蒋红芬;陈丹;;基于GA-BP神经网络的环境质量评估方法[J];计算机仿真;2010年07期

9 宋新明;居勇;曾鸣;卫炜;褚烨;;基于主成分分析法和BP神经网络的电力客户信用评价[J];技术经济与管理研究;2009年05期

10 陈平;;高校教师科研能力评价指标体系研究[J];科技管理研究;2009年12期

  本文关键词：基于粗糙集与支持向量机的高校教师科研能力评价模型的研究，由笔耕文化传播整理发布。

本文编号：480010