基于粒计算的实际课程关联规则挖掘研究

摘要

随着高等教育改革的不断深化，学分制逐渐成为各高校广泛采取的教学模式。学分制有利于学生自主安排学习、增强竞争意识等，但也容易导致学生选课的盲目性，即有些学生不考虑自己的实际能力，或者对课程特别是对所学专业课程了解不够，出现盲目从众、跟风等现象。其突出问题是：不少学生选课次序严重不合理，从而导致学生成绩差别性、波动性很大。 在实际中，几乎未见到从学生不同选课次序角度开展考试成绩影响因素分析的研究，即挖掘课程之间关联关系、选课次序评价、课程之间影响度大小等。因此，亟需开展这些方面的研究。这些是本文的重点研究内容，主要工作如下： 1．生成仿真数据。首先，分析影响学生考试成绩的主客观因素，其中选课次序、教师授课水平、学生学习积极性、考试成绩调整等的影响较大，本文以选课次序作为主要影响因素进行分析研究。然后，分析学生成绩分布规律，采用正态分布函数、给定参数(均值：课程平均成绩，方差：课程成绩整体差异程度)，结合设定的课程关联关系、排课学期表、各选课次序生成仿真数据。 2．数据预处理。首先，将学生成绩表整理成一张粗糙集中信息系统决策表。然后，利用二进制粒计算方法对数据进行1、0化处理，将有成绩的课程值转化为1，无成绩的课程值转化为0。对信息表进行基于粒计算的数据约简，约去冗余的课程或数据。 3．选课次序分类与评价。运用基于粒计算的二进制分类算法找出所有选课次序，求出各选课次序中每一门课程的平均成绩和方差。利用聚类的思想对选课次序中课程成绩进行等级分类，依据各选课次序中课程的等级分类对选课次序进行优劣评价。 4．课程影响度。利用课程等级信息和选课次序评价信息等，挖掘课程之间的关联关系，导出关联规则，找出影响课程。利用粗糙集中知识依赖性度量的思想提出影响度概念，求出课程的影响课影响度大小，通过设定的阈值排除一些干扰影响课程。然后，利用仿真数据验证方法的可行性和正确性；再利用某一届同一专业全部学生全学年成绩进行分析，挖掘实际数据中潜在的关联关系，给出选课建议。 本文最后对实验结果中存在的问题进行分析，提出相关解决方案。对全文进行了概括性总结，并对下一步研究重点进行了展望。

目录

文摘

英文文摘

声明

第一章绪论

1.1课题背景、目的和意义

1.2目前国内外的研究现状

1.3论文的组织结构

1.4论文的主要研究成果

第二章课程关联规则挖掘的理论背景

2.1与本课题相关的聚类算法

2.2粒计算理论基础

2.2.1粗糙集理论基础

2.2.2粒计算的基本概念

2.3基于粒计算的数据挖掘

2.3.1关联规则的基本概念

2.3.2关联规则的经典算法——Apriori算法

2.3.3主要数据挖掘方法与粒计算的联系

2.3.4粒计算进行数据挖掘的优势和需要解决的问题

2.4小结

第三章课程关联规则挖掘的主要工作

3.1仿真数据建模

3.1.1基本假设

3.1.2已做过的相关研究

3.1.3仿真数据设计模型

3.2选课次序评价标准

3.2.1聚类

3.2.2基本思路

3.2.3评价流程

3.3课程影响度概念

3.3.1基本概念和相关参量

3.3.2主要公式和说明

3.3.3阈值选取和举例

3.4小结

第四章实验结果分析和解决方案

4.1仿真数据测试结果分析

4.1.1程序流程和界面图

4.1.2仿真数据处理结果和分析

4.2实际数据结果分析

4.3相关解决方案

4.4小结

第五章结束语

5.1全文总结

5.2研究工作展望

参考文献

致谢

攻读硕士学位期间发表的论文