【摘要】：扶貧助困工作一直是高校工作中的重點難點,總體流程較長,涉及人員角色多樣,傳統(tǒng)的人工協(xié)作方式十分低效。本文以建立一個完整的學生經(jīng)濟水平線上評定系統(tǒng)為目標,利用學生在校園內(nèi)產(chǎn)生的各種行為數(shù)據(jù),尋找一種可靠的自動化判定學生經(jīng)濟水平的方法,并將其應用到實際業(yè)務當中,最終為高校貧困資助的相關工作人員提供支持和引導。總體而言,本文完整處理了從數(shù)據(jù)整合與清洗,到特征提取與選擇,再到算法模型的構建與分析,最終完成系統(tǒng)設計與實現(xiàn)的整個過程。在數(shù)據(jù)整合與清洗部分,我們首先根據(jù)國家相關標準建立了高校數(shù)據(jù)標準數(shù)據(jù)庫,并根據(jù)不同數(shù)據(jù)來源系統(tǒng)的業(yè)務特點,對其數(shù)據(jù)問題進行了針對性分析與清洗,重點對不同數(shù)據(jù)源的缺失字段進行補全處理。在特征提取與選擇部分,我們結合高校運轉特點,設立了天、周、月、學期等不同的時間周期,按照不同的時間周期對數(shù)據(jù)提取時序特征序列,提取的特征大體分為基本統(tǒng)計量特征和復雜特征兩類,并在特征提取完成后,采用后剪枝的C4.5決策樹方法對特征進行篩選。在算法模型的構建與分析部分,我們根據(jù)數(shù)據(jù)和特征的時序特性,決定采用RNN方法來構建模型,綜合LSTM和CW-RNN這兩個最為常用的RNN方法的優(yōu)缺點,提出了二者的融合方法,并對其使用方法和效果進行了說明。最后,在系統(tǒng)設計與實現(xiàn)階段,我們首先將算法模型成果應用到實際系統(tǒng)中,其次充分考慮業(yè)務情況,將線下業(yè)務處理為線上流程,再次,提出了扶貧工作的動態(tài)管理概念,將高校的扶貧工作從一年一度的周期性業(yè)務,改進為常態(tài)化的關注和關懷。本文取得的主要成果有以下幾點:1)建立高校數(shù)據(jù)標準,在前所未有的大范圍內(nèi)整合學生數(shù)據(jù),并結合實際各系統(tǒng)的實際業(yè)務使用情況,針對性地對各數(shù)據(jù)完成了分析與清洗;2)探索挖掘出了與學生經(jīng)濟情況有關的一系列特征;3)提出了一種改進的遞歸神經(jīng)網(wǎng)絡模型處理上述特征,并取得了較好的效果;4)結合實際高校助學金認定工作執(zhí)行情況,設計開發(fā)了一套經(jīng)濟困難學生挖掘認證系統(tǒng)。最終的算法結果驗證和系統(tǒng)使用反饋表明,貧困指數(shù)對于學生經(jīng)濟水平的評估具有較好的參考價值,同時也說明了利用大數(shù)據(jù)手段對高校數(shù)據(jù)進行分析處理,具有切實的可行性和實用價值。
【圖文】：

圖 2-1 前饋網(wǎng)絡與遞歸網(wǎng)絡[58]如圖 2-1 所示，在前饋網(wǎng)絡中，節(jié)點間的連接遵循從輸入層到隱藏層，再到輸出層的順序單向連通，層級結構明顯，層間節(jié)點互不連通。前饋神經(jīng)網(wǎng)絡普遍具有以下特點： 一般情況下，激活信號從輸入層通過隱藏層傳遞到輸出層，此過程嚴格單向； 前饋網(wǎng)絡實現(xiàn)的映射是靜態(tài)的； 前饋網(wǎng)絡是無后效性的，其輸出只與當前輸入有關，，而與過去的輸入無關。在神經(jīng)網(wǎng)絡剛剛興起的一段時間里，前饋神經(jīng)網(wǎng)絡是研究的主流，但是隨著研究的深入，其劣勢逐漸暴露出來。一個普遍的例子，如果我們要預測一篇文本的下一個單詞是什么，前饋網(wǎng)絡就顯得有些無能為力了，因為任何文章中的單詞都不是孤立存在，而是與上下文相關聯(lián)的。為了解決前饋網(wǎng)絡這方面的嚴重不足，RNN 網(wǎng)絡應運而生。相比之下，RNN 網(wǎng)絡結構包含至少一個閉環(huán)路徑，其特點如下：

第二章 背景知識與相關技術示為： ( ) = ( ) ( ) 隱藏節(jié)點的狀態(tài)向量可以表示為： ( ) = ( ) ( ) ，L 個輸出節(jié)點的狀態(tài)可以表示為： ( ) = ( ) ( ) 表步數(shù)。輸入層、隱藏層、輸出層分別的連接權重則可以表示為 ( )的權重矩陣，如圖 2-2：
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：G647;TP311.13

【參考文獻】

相關期刊論文 前6條

1 武森;馮小東;單志廣;;基于不完備數(shù)據(jù)聚類的缺失數(shù)據(jù)填補方法[J];計算機學報;2012年08期

2 王宏志;樊文飛;;復雜數(shù)據(jù)上的實體識別技術研究[J];計算機學報;2011年10期

3 張建中;方正;熊擁軍;袁小一;;對基于SNM數(shù)據(jù)清洗算法的優(yōu)化[J];中南大學學報(自然科學版);2010年06期

4 龐雄文;姚占林;李擁軍;;大數(shù)據(jù)量的高效重復記錄檢測方法[J];華中科技大學學報(自然科學版);2010年02期

5 陳偉,陳耿,朱文明,王昊;基于業(yè)務規(guī)則的錯誤數(shù)據(jù)清理方法[J];計算機工程與應用;2005年14期

6 邱越峰,田增平,季文

本文編號：2533504