基于深度神经网络的高校贫困生认定模型

高校贫困生认定工作是当前高校学生管理的重要工作之一。校园一卡通产生了大量的数据,记录着在校大学生消费和学习情况。以深度神经网络为技术依托,建立高校贫困生认定模型。实验证明,该模型具有较高的准确度,为科学构建高校贫困生认定管理体系提供技术支持。     

基于神经网络的高校贫困生辅助认定模型研究

“精准资助”是现阶段我国贫困生资助等教育扶贫工作的新任务,贫困生认定工作作为贫困生资助的首要环节,现行的传统流程中存在着“假贫困”、认定标准主观性强等问题。将数据挖掘应用于贫困生辅助认定,基于学生消费行为习惯、学习情况和家庭情况等相关数据,对智慧校园长期积累的数据产物进行数据采样和建模,形成贫困生特征样本数据集,利用TensorFlow对全连接神经网络进行模型训练,根据模型产生期望输出,得到贫困生辅助认定模型。随机抽取输出的测试集数据对比已有贫困生数据进行精度测试,测试准确率较高。整个模型训练过程包括数据采样、数据建模、模型训练和模型评价等过程,将其应用于贫困生辅助认定,为传统主观的贫困生认定提供了更为精准、科学、客观的决策支撑。     

基于大数据的高职院校贫困生精准认定探析

依托大数据技术实现高职院校贫困生的精准资助是未来学生资助管理改革的趋势。目前, 高职院校精准资助在数据收集、认定工作、跟踪管理等方面还有不少问题,究其成因主要为评定标准单一,标签效应负面;数据整合乏力,动态管理缺失;数据统计滥用,个体考评不足。尝试构建基于大数据的贫困生精准认定工作框架,推进资助对象认定精准化、资助行为差异化、资助考核合理化,最后建议采用SMOTE 方法对资助对象精准认定,切实提升精准资助工作的成效。     

基于校园一卡通的高校贫困生消费行为分析

本文介绍了我校“校园一卡通”系统的基本情况,对系统中贫困生的消费流水数据进行了消费行为分析,并提出了相关的策略建议,从而为高效地开展工作,发挥校园卡基础数据的应用价值提出了依据,这对进一步利用校园卡数据进行数据分析与辅助决策有着一定的指导意义。     

基于改进K-means算法的学生消费水平的研究

在数字化校园建设的背景下,学生校园生活的各方面数据被记录在一卡通系统中,并成为分析学生各种行为的重要依据。文中基于高校学生一卡通数据,使用改进的K-means算法对高校学生消费情况方面进行深入分析,并用聚类评价指标对聚类结果进行评价,使改进后的算法可以灵活的应用到高校一卡通管理系统中,实现对高校学生的海量数据进行客观、有效的分析,从而为高校管理部门进行学生管理提供科学、准确的决策依据。     

数据挖掘中基于密度的聚类结构及算法设计

聚类分析是数据挖掘的主要技术之一。其中基于密度的聚类可以得到任意形状的聚类结果，从而可以观察到一个并发的、完整的聚类结构。对聚类、数据对象、簇的密度、基于密度的方法和OPTICS中的基本概念进行了描述，在此基础上，明确定义了簇的密度，建立了关于善的基于密度的簇、密度度量函数等概念，并设计了获得聚类结构的相应算法且对其进行了复杂性分析．     

大数据中数据挖掘模型的模糊改进聚类算法

在大数据的数据挖掘模型中,普遍采用模糊聚类算法进行数据分析。常用的模糊C均值聚类算法即FCM聚类算法,具有较多明显缺点,如抗噪性偏低、收敛速度慢、聚类数目无法自动确定等。常用的增量式模糊聚类方法通常在原有的以一个中心点为集群代表的基础上,改为选取多中心点进行增量式聚类算法的分析。但是,通过这样的算法进行数据分析也存在一定的问题,主要表现在其中心点选择是固定的,灵活性很差。基于以上原因,文中将对原有基础算法做出改进,主要对大数据中数据挖掘模型的增量型模糊聚类算法做出分析,经实践验证,改进后算法切实可行,普适性较强。     

校园一卡通安全性设计分析

本文主要针对智慧校园中的校园一卡通系统,进行硬件和软件的两个方面进行安全性的分析,希望通过分析能对一卡通的在使用中能高效稳定,可以完全贯穿到智慧校务平台的管理软件和应用软件系列中,使教育信息化平台更加智慧.     

电力工程管理与分析中数据挖掘技术的运用研究

作为一种数据分析方法和技术,寻找不同的信息,对数据的挖掘现如今已经成为了社会的关注。因为我国的电力工程管理是具有传统的特点,存在着很多的不足,在大量的数据中,我们的电力工业信息化建设,采用研究数据挖掘技术是电力企业经营管理重点需要解决,分析和决策系统。此文分析了电力管理特点,讨论了聚类算法。在本设计过程中,基于数据挖掘技术的数据管理和分析系统的应用,得到良好的挖掘效果。对电力客户数据进行聚类分析有助于预测客户的购买行为。     

基于数据仓库模型的水文数据挖掘

以水文决策和服务社会需求为导向,运用数据仓库技术,构建面向主题的水文数据仓库结构模型,并对其结构、功能、逻辑模型和数据分析等进行设计,挖掘水文数据在经济社会中运用的价值和实现。     

基于通信大数据挖掘的网络业务类型划分方法研究

在传统的Gn数据解析过程中,业务类型里"未知服务"的占比通常在70%以上。为了提高解析结果的分析价值,结合数据分析和数据挖掘技术对DNS解析流量字段进行细分,该设计方案在最大化利用原始数据的同时,能从多维度细分用户网络业务,优化结果可以为用户画像、用户标签、用户群体特征等分析应用提供有力支持。     

基于大数据挖掘的终端换机模型

目前,移动终端已成为运营商维系用户、拓展市场的战略重心,提升移动终端销量、扩大终端规模是各运营商的工作重点。基于数据挖掘技术,从用户属性、终端使用信息、终端搜索访问信息等维度出发,挖掘海量用户行为数据价值,建立终端换机模型,具体包括基于决策树算法的用户换机倾向识别模型和基于聚类算法的终端推荐模型,助力移动终端精准营销。     

基于大数据挖掘的低电压成因诊断方法

配电网的低电压问题严重影响社会经济的发展和人民的生活,因此建立高效的电网低电压成因诊断模型,可以优化低电压投资方案、明确低电压投资方向并为低电压的治理提供决策支持。文中研究了基于大数据挖掘的电网低电压成因诊断方法。从电网低电压现象成因的实际情况出发,提出了一个较为完备的低电压诊断模型,模型执行流程主要包括聚类和分类两部分。首先,基于密度策略选择初始聚类中心,并利用DBI指标选择最优确定聚类个数,对K-means聚类算法进行改进。之后利用SVM对成因进行分类,并利用粒子群算法对核宽度参数和函数拟合误差进行优化筛选。算例仿真分析证明,该方法具有较高的可用性和良好的准确率,可以满足电力企业对于低电压诊断的需求。     

基于改进聚类算法的网络平台异常数据挖掘方法

为提高挖掘结果与对应异常数据类型之间的关联度,确保挖掘结果能够为网络平台异常状态识别提供有力依据,文章引入改进聚类算法,开展网络平台异常数据挖掘方法设计研究.通过基于改进聚类算法的网络平台运行数据分类、网络平台异常检测、网络平台分布式最大频繁序列提取、最大频繁序列数据比对与挖掘,提出一种全新的挖掘方法.通过对比实验结果...     

高维数据集中局部离散文本数据挖掘方法研究

提出利用基于多目标优化软子空间聚类理论的关联规则数据挖掘方法对高维数据集中局部离散文本数据实现数据特征有效挖掘。首先,利用多目标优化软子空间聚类思想结合非支配排序遗传理论优化加权类内紧致及加权类间分离函数,获取优化后的目标函数及非占优Pareto最优解集,运用加权子空间划分方法对最优解集完成特征聚类;其次,基于关联规则思想运用一种特征提取和关联文本的识别方法,对聚类后的文本特征进行文本间及文本内部的特征识别和分类,即实现了文本信息数据的有效挖掘。实验证明,利用多目标优化软子空间聚类数据挖掘方法可以有效实现高维集中局部离散文本数据的挖掘。     

基于Hadoop的校园一卡通数据分析

文章通过对校园一卡通消费数据特征进行分析,发现学生消费行为背后隐藏的规律。文章采用数据挖掘统计分析的方法对前期获取的原始数据进行筛选,从不同年级、不同就餐地点两个方面考虑,研究不同群体的消费习惯。数据处理是在Hadoop(分布式系统基础架构)框架下采用Map Reduce(一种编程模型,映射和化简)方法,通过对关键字过滤之后得到统计结果并将其可视化。     

基于动态聚类的VANET信任模型的设计

VANET受限于车辆的高速移动性,网络拓扑的动态性及无线信道的开放性,极易遭受来自网络内部的差评攻击和选票攻击.为了保障VANET通信安全,本文提出了一种基于动态聚类的信任模型,通过去除推荐信任中与主观信任偏离度较大的数据,最大化包含评估节点邻域内的有效信息,从而减少恶意攻击对信任计算造成的影响.实验表明,该模型具有较强的抗攻击性和鲁棒性.随着VANET中攻击节点所占比例的增加,网络能够保持较高的吞吐量和较低的丢包率,模型的计算结果能够保持较高的准确性.     

大数据时代的数据挖掘技术探讨

本文首先对大数据时代的特点进行了介绍,其次对常用的数据挖掘方法进行了阐述,最后提出了展望。     

一种基于多维度模型的关键信息基础设施认定方法

对关键信息基础设施实施保护是国家网络空间安全战略的重要组成,而关键信息基础设施认定识别是整个保护工作的第一步。各个行业领域的关键信息基础设施种类繁多,一线运营者在进行认定识别工作时不容易掌握尺度,造成漏报或多报。在总结了大量国内外认定识别的经验的基础上,通过对各行业领域的信息基础设施的本质特征进行抽取和聚类,形成多维度模型,为保护工作部门制定本行业领域的关键信息基础设施认定规则提供了一套方法论。