高校学生日常行为异常检测的一种改进模糊聚类方法

摘要

随着数字化和信息化技术在各大高校中的广泛普及，智能管理系统得到了广泛的应用和高度重视，是高校信息化程度的重要的标志。伴随着一卡通的应用，高校里的各类管理信息系统积累了大量的数据，如学生成绩、消费信息、上网信息、图书馆借阅信息、进出宿舍楼情况等等。但我们对数据处理和应用，仍然只是停留在一个简单的查询和统计报告阶段，并没有采取有效的措施，充分利用这些数据，为学生管理提供有效的决策支持。而在这些大量数据中，对异常数据的研究比正常数据往往更有意义。因此本文的重点就是利用这些数据对学生的行为进行分析，找出行为异常的学生，为后续学校的管理工作提供决策支持。
　　本文首先研究现阶段对异常研究领域的一些重要方法，如:基于统计分布的异常检测方法、基于距离的异常检测方法、基于偏差的异常检测方法、基于深度的异常检测方法、基于密度的异常检测方法、基于聚类的异常检测方法，并分析了这些常用的异常检测算法的优劣度。其次，本文从学生行为的概念入手，在前人研究的基础上，介绍了本文将要着重研究的学生行为:消费行为、课程成绩、正常回寝次数、上网时间等等。这些行为将作为后期对学生的行为特征进行异常检测的四个维度，对学生的行为异常进行一个鉴定。在本文中异常并无褒义贬义之分，这里的异常概念只是区分个别学生与大部分学生的一个不同。利用特征数据对学生行为进行表示。通过对基于距离的异常检测算法的研究，提出了基于距离的改进的相似度和的算法。随后通过对聚类思想的分析，发现聚类和异常检测在某种程度上存在相似之处，通过分析模糊聚类算法的缺点，提出利用改进的模糊C-均值聚类算法对异常进行检测。最后通过实验对两种算法的结果进行对比分析。

目录

声明

摘要

第1章 绪论

1．1 研究背景与意义

1．2 国内外发展及现状

1．3 课题研究内容

1．4 论文组织结构

第2章 异常检测基本算法和分类

2．1 常用异常检测方法概述

2．1．1 基于统计分布的异常点检测

2．1．2 基于距离的异常点检测

2．1．3 基于偏差的异常点检测

2．1．4 基于深度的异常点检测

2．1．5 基于密度的异常点检测

2．1．6 基于聚类的异常点检测

2．1．7 常用异常检测方法比较

2．2 聚类分析

2．2．1 聚类的概念

2．2．2 聚类分析方法类型

2．3 本章小结

第3章 学生行为数据分析

3．1 学生数据集的特点

3．2 学生行为相关概念

3．2．1 学生行为分析

3．2．2 学生异常行为判定标准

3．3 学生行为数据预处理

3．3．1 变量处理

3．3．2 特征选择

3．4 本章小结

第4章 学生异常行为检测算法

4．1 基于相似系数和的异常检测算法

4．1．1 基于距离的异常检测方法分析

4．1．2 基于相似系数和的异常检测

4．1．3 学生异常行为检测中的应用

4．2 基于模糊C均值聚类的异常检测算法

4．2．1 模糊聚类分析

4．2．2 模糊C均值聚类算法的改进

4．2．3 学生异常行为检测中的应用

4．3 本章小结

第5章 学生行为异常实验结果分析

5．1 数据来源

5．2 数据预处理

5．3 实验结果分析

第6章 总结与展望

6．1 总结

6．2 展望

参考文献

攻读学位期间公开发表论文

致谢