买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京邮电大学

摘要：本发明提出了一种基于PCANet‑BiGRU的成绩预测方法，利用从在线学习平台采集的学生的基本统计数据和成绩数据；对原始成绩数据划分为分成独立的三部分：训练集、验证集和测试集，并对训练集进行数据清洗与预处理，构建数据矩阵；将矩阵数据输入主成分分析网络PCANet网络提取成绩数据的特征；将PCANet处理后的数据输入到双向门控循环单元神经网络Bi‑GRU层，预测学生的平时成绩，本发明有效地提高了成绩预测的准确度与效率。

主权项：1.一种基于PCANet-BiGRU的成绩预测方法，其特征在于，包括以下步骤：步骤1利用从在线学习平台采集的学生的基本统计数据和成绩数据，基本统计数据为学号、课程名称、学年，成绩数据为平时作业布置次数、完成次数及每次作业成绩；步骤2将步骤1采集到的原始成绩数据划分为分成独立的三部分：训练集、验证集和测试集，并对训练集进行数据清洗与归一化处理，构建数据矩阵，数据清洗具体包括：基于前一阶段获取的训练集数据，若训练时需要用到的某列数据中，存在缺失值，则将该列数据删除，即删除该学生数据；若训练时用不到该列数据，则哪怕该列存在缺失值，则依然保留该行数据；步骤3将矩阵数据输入主成分分析网络PCANet，提取成绩数据的特征，所述主成分分析网络PCANet由PCA卷积层、非线性处理层以及特征池化层组成，所述PCA卷积层，对于输入层l每个数据j，在其周围卷积核Pj窗口上进行采样，然后滑动卷积核，将所有采样块进行级联作为样本的表示Xi＝[xi,1,xi,2,...,xi,n]，并对其取平均；对N个数据集进行上述操作，得到新的特征矩阵X；然后，对该矩阵进行主成分分析PCA；PCA是数据分析建模常用的方法，主要将高维数据保留最重要的特征，去除噪声以及不重要的特征，进行降维，极大地减少数据处理成本与速度；其具体算法步骤为：a.记矩阵X有n行m列；b.将X的每一行进行标准化；c.求出X的协方差矩阵C： d.求出C对应的特征值E和特征向量D：[E,D]＝eigC其中，eig是求特征值与特征向量的函数；e.将特征向量D按其对应特征值大小排列，选择前k几列构成新的矩阵，其即为降维后的数据的特征分量；f.取这k组特征向量作为PCA过滤器，并以此为卷积核K，将数据集与这k组数据进行卷积，完成提取数据的卷积操作；所述非线性处理用以增强数据的特征表达性，具体为：对于两层PCA卷积出来的数据进行非线性处理：对每个卷积结果进行二值化，选取赫维赛德阶跃函数进行二值化；然后，对二值化后的结果进行加权处理，得到第l层输出特征上第i个数值的“整型图”Til：所述特征池化层使用局部直方图进行PCANet的特征池化操作，整型图Til通过局部直方图分为块，统计每个直方图并将其向量化，记为BhistTil，级联k个整型图产生的向量得到的特征向量表示为：fi＝[BhistTi1,...,BhistTik]T；步骤4将PCANet处理后的数据输入到双向门控循环单元神经网络Bi-GRU层，预测学生的平时成绩，所述双向门控循环单元神经网络Bi-GRU在门控循环单元GRU的结构基础上，其隐藏层中同时增加了前向和后向的传播，通过向前和向后双向运行来捕获不同时期平时学习成绩的长期依赖关系，得到更为精准的成绩预测。

全文数据：

权利要求：

百度查询： 南京邮电大学 基于PCANet-BiGRU的成绩预测方法、处理器、可读存储介质及计算机设备