模糊神经网络在学生成绩预测中的研究应用

发布时间：2020-10-26 23:18

　　 随着计算机技术的发展,高校里的教育教学工作越来越依赖于教务管理系统。而教务管理系统中存储着大量的学生课程成绩数据,那么如何对这些数据进行有效的分析以提高学校的教学质量,这是非常值得人们深入研究的问题。本文使用了模糊神经网络的方法,根据学生的课程成绩数据预测其相应的毕业成绩,并且使用MATLAB软件对所构建的预测模型进行仿真实现,最后根据此模型开发出一套完善的学生成绩预测管理系统,从而达到学生学业预警的目的。虽然模糊神经网络具有自适应和非线性逼近两个优良的功能,能够解决课程成绩与毕业成绩之间复杂的非线性关系。但是模糊神经网络在一些方面上还存在着其自身不可避免的缺点,比如:学生成绩样本数据之间的冗余;输入变量维度过高而导致模型运行效率变低的问题;模糊神经网络容易陷于局部最优而难以寻找到全局最优值的现象。本文针对上述的三个问题,提出了一种基于主成份分析和遗传算法优化的模糊神经网络模型。第一步,通过主成份因子分析方法对学生成绩样本进行降维处理,使得原始高维的数据集变为一个低维的新数据集,从而降低模型输入变量的维度,进而提高模型的效率。同时,该过程还解决了样本数据之间的冗余问题。第二步,使用遗传算法优化模糊神经网络的前件参数,从而使得网络能够达到全局最优。如此,本文构建了优化的模糊神经网络成绩预测模型。然后,通过MATLAB软件进行仿真实验,结果表明,该模型能够利用已有的学生课程成绩对未知的毕业成绩做出较为准确的预测,从而可以使用预测结果为依据,对学生进行学业预警提示。验证了该模型用于毕业成绩预测的可行性。最后,依据本文研究中构建的优化模型,开发出一套具有较高实用性、复用性和扩展性的学生成绩管理系统,使用预测结果为依据,对学生进行学业预警提示。
【学位单位】：青岛大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：G645.5;TP183
【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题研究的背景及意义
    1.2 国内外研究现状
    1.3 论文的主要内容
    1.4 本文的组织结构
第二章 相关概念与理论基础
    2.1 数据挖掘
        2.1.1 数据挖掘的概念
        2.1.2 数据挖掘的步骤
    2.2 模糊系统
        2.2.1 模糊集合
        2.2.2 规则库与模糊推理
        2.2.3 T-S模糊推理系统
    2.3 人工神经网络
        2.3.1 人工神经网络模型
        2.3.2 误差反向传播算法
    2.4 遗传算法
        2.4.1 遗传算法的基本原理
        2.4.2 遗传算法的基本流程
    2.5 本章小结
第三章 模糊神经网络模型的研究与构建
    3.1 引言
    3.2 模糊神经网络
        3.2.1 模糊系统与神经网络的结合
        3.2.2 模糊神经网络的网络结构
    3.3 数据样本的PCA降维处理
        3.3.1 主成分分析原理
        3.3.2 主成分分析步骤
    3.4 使用减法聚类方法生成模糊神经网络结构
        3.4.1 减法聚类方法的基本原理
        3.4.2 减法聚类方法生成ANFIS的步骤
    3.5 GA算法优化模糊神经网络模型
    3.6 本章小结
第四章 模糊神经网络模型在学生成绩预测中的运用及评价
    4.1 样本数据的降维处理
        4.1.1 样本数据的选取
        4.1.2 样本数据预处理
        4.1.3 样本数据的PCA降维处理
    4.2 模糊神经网络模型的运用及评价
        4.2.1 PCA-GA-ANFIS预测模型的训练结果
        4.2.2 PCA-GA-ANFIS预测模型的测试结果
    4.3 PCA-GA-ANFIS预测模型与ANFIS预测模型的比较研究
        4.3.1 ANFIS预测模型的实验分析
        4.3.2 PCA-GA-ANFIS预测模型与ANFIS预测模型的比较
    4.4 本章小结
第五章 基于模糊网络模型的学生成绩管理平台的设计与实现
    5.1 系统分析
        5.1.1 基本需求分析
        5.1.2 基本功能分析
    5.2 系统的总体设计
        5.2.1 系统总体框架
        5.2.2 系统功能结构
    5.3 系统界面的总体设计
    5.4 系统模块的实现
        5.4.1 数据维护模块的实现
        5.4.2 考试管理模块的实现
        5.4.3 成绩预测模块的实现
        5.4.4 课后学习模块的实现
    5.5 软件测试
        5.5.1 用户登陆模块
        5.5.2 数据维护模块
        5.5.3 考试管理模块
        5.5.4 课后管理模块
        5.5.5 成绩预测模块
    5.6 本章小结
第六章 总结与展望
参考文献
攻读学位期间的研究成果
致谢

【相似文献】

相关期刊论文 前10条

1 康莉莉;;基于模糊神经网络的大数据价值评估研究[J];计算机产品与流通;2019年08期

2 徐书苹;谭满春;;变系数高阶模糊神经网络的指数收敛性[J];暨南大学学报(自然科学与医学版);2013年05期

3 韩春宇;王涛;鲍成磊;;模糊神经网络系统的设计与应用研究[J];辽宁工业大学学报(自然科学版);2013年05期

4 高明明;刘吉臻;高明帅;杨世明;吴玉平;张明胜;;基于补偿模糊神经网络的灰循环系统控制研究[J];动力工程学报;2012年07期

5 宋彬彬;;模糊神经网络的发展与应用[J];煤炭技术;2012年07期

6 倪志盛;王明彦;;基于动态模糊神经网络的多余力矩抑制方法[J];哈尔滨工业大学学报;2012年10期

7 张喆;曹旭;马少仙;;模糊神经网络在股票价格预测中的应用[J];甘肃联合大学学报(自然科学版);2011年03期

8 肖桂元;刘立龙;;动态模糊神经网络在变形预测中的应用[J];桂林理工大学学报;2011年03期

9 朱云国;刘增良;;基于模糊神经网络的热风炉温度控制仿真研究[J];铜陵学院学报;2011年05期

10 程月华;姜斌;杨明凯;高志峰;;应用自组织模糊神经网络估计卫星姿态系统执行机构故障[J];应用科学学报;2010年01期

相关博士学位论文 前10条

1 侯迪波;间歇生产过程中的知识发现方法研究[D];浙江大学;2004年

2 任芳;基于多传感器数据融合技术的煤岩界面识别的理论与方法研究[D];太原理工大学;2003年

3 翟东海;加乘型模糊神经网络理论和应用的研究[D];西南交通大学;2003年

4 杨洁;模糊神经网络的学习收敛性与阈值可去性[D];大连理工大学;2006年

5 艾芳菊;模糊神经网络的结构优化研究[D];中国科学院研究生院（成都计算机应用研究所）;2006年

6 朱喜林;模糊神经网络选择机械加工参数的应用研究[D];吉林大学;2006年

7 王振雷;模糊神经网络理论及其在复杂系统中的应用研究[D];东北大学;2002年

8 陈金山;模糊神经网络与ATM交换结构的研究[D];华南理工大学;2000年

9 谭文;混沌系统的模糊神经网络控制理论方法研究[D];湖南大学;2006年

10 周志坚;基于遗传算法的神经模糊技术应用研究[D];华南理工大学;1999年

相关硕士学位论文 前10条

1 张华钦;基于模糊神经网络的旋翼振动高阶谐波控制研究[D];南京航空航天大学;2019年

2 许鹏;基于L-M算法的模糊神经网络预测控制及初值问题研究[D];安徽工业大学;2019年

3 赖瑶瑶;基于混合Petri网的生物系统建模与分析方法研究[D];华南理工大学;2019年

4 徐田丰;模糊神经网络在学生成绩预测中的研究应用[D];青岛大学;2019年

5 辜芳影;模糊神经网络在商场火灾探测中的研究与应用[D];安徽理工大学;2019年

6 耿长昕;基于模糊神经网络和证据理论的风电齿轮箱故障诊断研究[D];华北电力大学(北京);2019年

7 姚君;基于模糊神经网络的高压变频技术在火电厂中的研究[D];上海交通大学;2015年

8 向楠;基于模糊神经网络的无刷直流电机再生制动控制系统研究[D];桂林电子科技大学;2019年

9 袁杰;基于软计算的结构冲击源识别及其FPGA实现[D];电子科技大学;2019年

10 徐宁;基于模糊神经网络的智能家居室内空气质量监控系统研究[D];中国计量大学;2018年

本文编号：2857666