本文關鍵詞：GEP技術在高校學生成績分析中的應用研究，由筆耕文化傳播整理發(fā)布。

【摘要】：從大量同構或異構的數(shù)據(jù)中,采用不同的算法挖掘出有用信息的過程,為決策分析提供指導,是數(shù)據(jù)挖掘技術的主要內容。在很多領域都有大量的學者在研究數(shù)據(jù)挖掘技術,同時也取得了不少非常優(yōu)秀的研究成果。關聯(lián)規(guī)則,作為數(shù)據(jù)挖掘技術的一個非常重要的分支,是從海量數(shù)據(jù)中提取出其中數(shù)據(jù)屬性之間的有趣的各種關系,并利用這些關系為各種決策分析做指導,近年來在很多領域中都得到了廣泛的研究,并且取得了不菲的成績。 進化算法是數(shù)據(jù)挖掘技術的一個分支,是從達爾文的進化論和孟德爾的遺傳學中獲得靈感,將不同物種之間的競爭、適者生存、遺傳的規(guī)律引入到解決工程技術問題,通過生成初始解、再對初始解進行繁殖、競爭、遺傳的過程,直到逼近問題的最優(yōu)解。基因表達式編程(Gene Expression Programming, GEP),作為進化算法的新成員,結合了原始進化成員遺傳算法(Genetic Algorithm, GA)和遺傳編程(Genetic Programming,GP)的優(yōu)勢,在解決很多領域的問題都有突出的貢獻。 本文先是對數(shù)據(jù)挖掘技術相關概念、算法、應用、分類等進行了介紹,其中主要介紹了關聯(lián)規(guī)則算法的相關原理、算法流程、算法分類等。接著對傳統(tǒng)基因表達式編程進行了概述,分別對構成GEP編程的五大部分進行了介紹：編碼、適應度函數(shù)、遺傳操作、數(shù)值常量,并進行了兩處改進：針對傳統(tǒng)GEP算法產生初始種群是隨機的,容易導致初代種群分布不均勻,因而可能會導致在遺傳過程中個體多樣性受限,使得算法失敗或者收斂到局部最優(yōu)解的問題,進行了種群初始化的均勻化算法改進；針對在傳統(tǒng)GEP進行個體評測時,需要不斷進行基因表達式樹的創(chuàng)建、遍歷、釋放,在解決復雜問題時,消耗大量時間空間的問題,進行了無表達式樹的個體適應度函數(shù)值計算方法的改進。改進前后,對算法進行了實驗分析對比。 最后用改進的基因表達式編程(GEP)對高校學生成績信息進行關聯(lián)規(guī)則數(shù)據(jù)挖掘,對學生成績信息進行分析,挖掘出學生成績信息中課程與課程之間的關系,以及課程與綜合成績之間的關系,為提高學生成績、提升教學質量做指導,為課程安排計劃提供支持。
【關鍵詞】：基因表達式編程 關聯(lián)規(guī)則 學生成績信息 數(shù)據(jù)挖掘
【學位授予單位】：西南交通大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：G642.4;TP311.13
【目錄】：

• 摘要6-7
• Abstract7-11
• 第1章 緒論11-17
• 1.1 研究背景及意義11-13
• 1.2 國內外現(xiàn)狀研究13-14
• 1.3 本文研究的主要內容、目標和方法14-16
• 1.3.1 課題研究目標14-15
• 1.3.2 研究內容15
• 1.3.3 擬解決的關鍵問題15
• 1.3.4 研究方法以及技術路線15-16
• 1.4 論文結構16-17
• 第2章 數(shù)據(jù)挖掘相關技術17-26
• 2.1 數(shù)據(jù)挖掘17-20
• 2.1.1 數(shù)據(jù)挖掘的概念和過程17-19
• 2.1.2 數(shù)據(jù)挖掘的應用和分類19-20
• 2.2 關聯(lián)規(guī)則算法20-25
• 2.2.1 關聯(lián)規(guī)則的概念和步驟20-22
• 2.2.2 關聯(lián)規(guī)則的分類和相關算法22-25
• 2.3 本章小結25-26
• 第3章 基因表達式編程26-35
• 3.1 傳統(tǒng)GEP的基本思想26-33
• 3.1.1 編碼26-28
• 3.1.2 適應度函數(shù)28-29
• 3.1.3 遺傳操作29-32
• 3.1.4 數(shù)值常量與停機條件32-33
• 3.2 傳統(tǒng)GEP的算法流程33-34
• 3.3 GEP算法的特征34
• 3.4 本章小結34-35
• 第4章 基因表達式編程的改進35-48
• 4.1 GEP初始種群均勻化的改進35-38
• 4.2 GEP個體適應度評測算法的改進38-41
• 4.3 仿真實驗與分析41-46
• 4.4 本章小結46-48
• 第5章 GEP技術在學生成績中的應用48-65
• 5.1 學生學期綜合成績處理48-49
• 5.2 基于GEP關聯(lián)規(guī)則的學生成績分析49-58
• 5.2.1 學生成績收集49-50
• 5.2.2 學生成績預處理50-52
• 5.2.3 GEP挖掘學生成績關聯(lián)關系52-58
• 5.3 基于GEP聚類的學生成績綜合評價58-64
• 5.3.1 學生成績收集、預處理59
• 5.3.2 GEP聚類學生綜合成績評價59-64
• 5.4 本章小結64-65
• 結論與未來的工作65-66
• 致謝66-67
• 參考文獻67-71
• 攻讀碩士學位期間發(fā)表的論文71

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 楊玉;;KDD在零售業(yè)客戶關系管理中的應用分析研究[J];商業(yè)研究;2008年12期

2 魏小銳;;基于關聯(lián)分析的偏離主題探測[J];東莞理工學院學報;2010年05期

3 秦小鐵;吳曉英;陳祖琴;;遺傳算法在數(shù)字化圖書館數(shù)字資源構建中的應用[J];重慶科技學院學報(自然科學版);2013年02期

4 杜海濤;陳定方;張波;;一種基于關聯(lián)規(guī)則的超市購物籃分析方法[J];湖北工業(yè)大學學報;2008年02期

5 顏躍進;李舟軍;陳火旺;;頻繁項集挖掘算法[J];計算機科學;2004年03期

6 黃隆勝;肖士斌;;基因表達式編程在SARS疫情分析及預測中的應用[J];計算機工程;2007年04期

7 段磊;唐常杰;楊寧;左R，

本文編號：358430