势函数聚类方法在高校学生评估模型系统中的应用

论文摘要

存在于数据库中的庞大数据蕴藏着丰富而有用的信息，数据挖掘技术的发展使这些庞大的数据得到进一步分析和挖掘，其中数据预处理的主要目标是构建高质量的数据仓库，在信息损失最小的前提下，使用少数综合变量来概括原有多变量的数据库，是数据库模式特征提取方法的任务，可以使得数据综合变量所对应的样本属性概率分布尽可能地接近使用所有样本属性的原始分布，从而使重新构建的数据仓库中的数据挖掘更加容易执行，并获得高效率。本文提出的势函数概念，利用势函数融合方法，针对数据仓库面向主题、随时间变化的特征，将物理的或抽象的样本进行分组并将相似样本归为一类样本的模式聚类方法，并对类进行不同程度的优化。方法首先，通过使用基于样本分布概率的经典模式聚类算法DBSCAN，对经过模式特征提取的样本进行初步模式聚类确定其类中心；然后根据用户不同的需求，通过不同性质的势函数融合对初始模式聚类进行有目的的优化，从而实现样本与聚类中心、类与类之间的联系；最后在学生群体样本的模式聚类讨论中，对于孤立样本进行优化处理，达到满意的效果。在优化过程中，用户需求驱动起到决定性作用，而结果评价则突出强调了生成模式聚类时用户作用的重要性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.3 本文的主要工作
• 1.4 论文的章节安排
• 第二章 相关技术
• 2.1 数据仓库
• 2.1.1 数据仓库的主要特征
• 2.1.2 数据库和数据仓库之间的差别
• 2.1.3 数据仓库的系统构成
• 2.1.4 数据仓库的设计
• 2.2 数据挖掘
• 2.2.1 什么是数据挖掘
• 2.2.2 数据挖掘的主要功能
• 2.2.3 关联规则挖掘
• 2.3 数据模式聚类分析
• 2.3.1 聚类分析法的定义
• 2.3.2 聚类分析研究现状
• 2.4 本章小结
• 第三章 系统需求分析
• 3.1 高校学生学习评估的需求分析
• 3.1.1 学生学习质量评估的现状
• 3.1.2 评估方法的发展
• 3.2 功能需求分析
• 3.3 环境需求分析
• 3.3.1 硬件环境
• 3.3.2 软件环境
• 3.4 非功能需求分析
• 3.4.1 性能需求
• 3.4.2 数据管理能力需求
• 3.4.3 故障处理需求
• 3.4.4 接口需求
• 3.5 本章小结
• 第四章 数据库模式特征提取方法
• 4.1 数据特征与数据的归一化
• 4.2 模式的特征向量空间降低维数的算法
• 4.3 数据模式的特征向量空间提取方法
• 4.4 本章小结
• 第五章 用于聚类的数据结构及存储格式研究
• 5.1 聚类数据的应用数据结构
• 5.2 聚类数据的组织结构
• 5.3 属性库与聚类库的连接方法
• 5.4 聚类信息的特征
• 5.5 应用面向对象方法对聚类数据的分类
• 5.5.1 属性数据
• 5.5.2 行数据
• 5.5.3 对象数据
• 5.6 数据结构的设计与实现
• 5.7 本章小结
• 第六章 样本势函数融合模式聚类研究
• 6.1 基于物理学的借鉴作用
• 6.2 基于势函数的样本势函数融合概念
• 6.3 使用基于样本分布概率的方法进行初步模式聚类
• 6.3.1 DBSCAN 算法的相关概念
• 6.3.2 密度空间聚类算法的流程及其不足
• 6.4 样本的势函数描述
• 6.5 类的势函数描述
• 6.6 势函数融合方法概述
• 6.7 势函数融合的几种类型
• 6.7.1 非弹性势函数融合
• 6.7.2 弹性势函数融合
• 6.7.3 反应势函数融合
• 6.7.4 解离势函数融合
• 6.7.5 粘着势函数融合
• 6.7.6 跳跃势函数融合
• 6.8 基于势函数和势函数融合模式聚类优化的模型
• 6.8.1 类的形式化描述
• 6.8.2 势函数融合过程描述
• 6.9 本章小结
• 第七章 高校学生评估模型系统的设计与实现
• 7.1 系统的开发平台
• 7.2 系统总体框架
• 7.2.1 面向对象技术的模型框架
• 7.2.2 评估系统流程时序图
• 7.2.3 系统流程图
• 7.3 数据库设计
• 7.3.1 数据库 E-R 模型设计
• 7.3.2 数据库表设计
• 7.4 系统模块设计与实现
• 7.5 本章小结
• 第八章 系统测试和应用分析
• 8.1 测试数据
• 8.1.1 测试数据来源
• 8.1.2 测试数据的预处理
• 8.2 测试结果
• 8.2.1 初步模式聚类测试结果
• 8.2.2 模式聚类优化测试结果
• 8.3 测试结果应用分析
• 8.4 本章小结
• 第九章 总结与展望
• 9.1 总结
• 9.2 展望
• 致谢
• 参考文献