CN108564117B - 一种基于svm的贫困生辅助认定方法 - Google Patents

一种基于svm的贫困生辅助认定方法 Download PDF

Info

Publication number
CN108564117B
CN108564117B CN201810290654.0A CN201810290654A CN108564117B CN 108564117 B CN108564117 B CN 108564117B CN 201810290654 A CN201810290654 A CN 201810290654A CN 108564117 B CN108564117 B CN 108564117B
Authority
CN
China
Prior art keywords
student
kernel function
svm
probability
optimal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201810290654.0A
Other languages
English (en)
Other versions
CN108564117A (zh
Inventor
彭新一
余珍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201810290654.0A priority Critical patent/CN108564117B/zh
Publication of CN108564117A publication Critical patent/CN108564117A/zh
Application granted granted Critical
Publication of CN108564117B publication Critical patent/CN108564117B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于SVM的贫困生辅助认定方法，包括以下步骤：采集学生数据，并对学生数据进行预处理；对预处理学生数据提取特征，通过随机森林对特征重要性进行排名；在满足Mercer条件下，构造混合核函数，并植入SVM中；使用遗传算法对混合核函数参数进行寻优，得到最优混合核函数参数；将最优混合核函数参数代入SVM，并对学生数据进行训练，得到分类器模型；将需要认定的学生数据输入分类器模型，输出分类结果；本发明采用遗传算法对基于SVM混合核函数参数进行寻优，用适应度作为评价依据，通过随机重组重要基因，让群体中的个体不断进化，获取最优解，减少全局搜索时间，提高了分类器的推广泛化能力，并降低成本。

Description

一种基于SVM的贫困生辅助认定方法
技术领域
本发明涉及SVM核函数研究领域，特别涉及一种基于SVM的贫困生辅助认定方法。
背景技术
随着高等教育的发展，越来越多贫困生进入大学，资助贫困生也成为高校重要的学生工作。而贫困生资格认定是高校资助工作的前提和基础。
目前主流的认定方式是通过人工甄别申请材料，认定过程中存在认定程序僵化、责任主体缺乏伦理监督等问题，难以保证公平客观公正。在信息爆炸时代，兴起的机器学习方法尚不能提出很好的解决方案，在分类器的训练上、分类器的拟合上都存着各种各样的问题。基于统计学习理论提出的支持向量机SVM遵循结构风险最小化原则，有效地避免了维数灾难，但其算法训练时间复杂度较高，泛化能力不够理想，在贫困生辅助认定的应用中始终乏力。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于SVM的贫困生辅助认定方法。
本发明的目的通过以下的技术方案实现：
一种基于SVM的贫困生辅助认定方法，包括以下步骤：
S1、采集学生数据，并对学生数据进行预处理；
S2、对预处理学生数据提取特征，通过随机森林对特征重要性进行排名；
S3、在满足Mercer条件下，构造混合核函数，并植入支持向量机SVM中；
S4、使用遗传算法对混合核函数参数进行寻优，得到最优混合核函数参数；
S5、将最优混合核函数参数代入SVM中进行训练，训练之后得到分类器模型；
S6、将学生数据输入分类器模型，输出分类结果。
步骤S1中，所述学生数据包含学生一卡通流水记录、学生基本信息、学生成绩和贫困生名单；所述学生基本信息包含学生ID、学生性别、学生名字；学生基本信息包含学生ID、学生性别、学生名字。
步骤S1中，所述预处理包含去重、缺失值处理和格式化；
所述去重为：将学生数据按学生ID进行排序，通过比较邻近记录是否相似来检测记录是否重复，重复则删除重复记录；
所述缺失值处理为：学生数据中某个记录的某个字段为空，则使用平均值进行填充；
所述格式化为：将消费时间格式化为yyyy-MM-dd；消费金额统一单位为分，超限则四舍五入；通过预处理，是数据更合理。
步骤S2具体过程为：
U1、从学生一卡通流水记录构造特征；从时间维度、地点维度和交易维度统计均值和方差；
U2、将学生一卡通流水记录和学生基本信息、学生成绩、贫困生名单，进行归一化数据特征；
U3、使用随机森林对特征重要性进行排名，根据排名，选择前30个特征。
使用随机森林对特征重要性进行排名，具体为：
Y1、设定N个样本，每个样本有M个特征；
Y2、从N个样本中有放回的随机抽取，抽取N次，作为训练一棵决策树的样本；
Y3、每个节点随机抽取m个特征，m＜M，从中选取信息增益最大的特征作为决策树的分裂节点，在决策树成长的过程中，m值保持不变；
Y4、重复步骤Y2、Y3，建立大量的决策树，构成随机森林；
Y5、计算每个特征在随机森林中每棵树上的评分均值，作为特征重要性依据。
步骤S3，具体过程为：
基于对局部核函数和全局核函数，构造混合核函数，并植入支持向量机SVM中：
Figure GDA0001672199590000021
其中，ρ为混合核函数权系数；
步骤S4中，所述寻优过程具体如下：
V1、设置参数：初始种群数量为60，选择代购为0.8，交叉概率为0.6，变异概率为0.06；
V2、使用遗传算法确认混合核函数最优混合核函数参数，确认惩罚因子和确认混合核函数权系数；
V3、混合核函数参数、混合核函数权系数和惩罚因子采用二进制编码，并把其二进制编码组合得到个体染色体基因串，构造出多个染色体组合一个初始种群；
V4、根据初始种群计算适应度值：
Figure GDA0001672199590000031
Figure GDA0001672199590000032
其中，P为查准率，R为查全率，TP为真正例数目，FP为假正例数目，FN为假反例数目；
ρ决定了核函数在混合核函数中的比重；若ρ>0.5，则全局核函数占主导；若ρ<0.5，局部核函数占主导；否则二者重要程度相当。可通过调节ρ来灵活组合局部核函数和全局核函数，同时发挥二者长处。
设遗传算法中的适应度值为f(Xi)，即10折交叉验证的macroF1值，则有：
Figure GDA0001672199590000033
Figure GDA0001672199590000034
Figure GDA0001672199590000035
其中，Pi为第i次训练查准率；macroP为宏查准率，是10次训练查准率平均值；Ri为第i次训练查全率；macroR为宏查全率，是10次训练查全率平均值；macroF1为宏F1，是基于宏查准率和宏查全率的调和平均值，即为适应度值；
V5、根据适应度值计算染色体入选种群概率：
Figure GDA0001672199590000041
其中，p(Xi)为第i个染色体入选种群概率，Xi为第i个染色体；
V6、根据入选种群概率的高低，选择代沟为0.8，即保留概率较高的80％染色体，将保留的染色体进行交叉运算和变异运算：
所述交叉运算为随机选取两条染色体，随机选择一个交配点做单点杂交，将产生的新的两条染色体代替原来的染色体，放回初始种群；交叉运算概率为0.6；
所述变异运算为杂交后的个体进行变异运算，随机选取一条染色体；
V7、通过不断进化，获取最优混合核函数系数、最优确认惩罚因子和最优确认混合核函数权系数。
步骤S5，具体过程为：
根据步骤S4获得的最优混合核函数系数，使用SMO算法通过训练学生数据得到最优的
Figure GDA0001672199590000042
其中，
Figure GDA0001672199590000043
为拉格朗日乘子的最优解，
Figure GDA0001672199590000044
为分类超平面的最优解；即：SMO每次选取两个拉格朗日乘子，固定其余参数；求解：
Figure GDA0001672199590000045
Figure GDA0001672199590000046
其中，ai、aj为拉格朗日乘子；yi为第i个学生标识，yj为第j个学生标识；
获得更新后的ai、aj；
求解非线性支持向量机和其对偶问题，重复选取和求解，得到
Figure GDA0001672199590000047
其中非线性支持向量机为：
Figure GDA0001672199590000048
其中，ω为分类超平面法向量，ξ为松弛变量，Φ(xi)为将xi映射后的特征向量；
对偶问题：
Figure GDA0001672199590000051
通过
Figure GDA0001672199590000052
得到分类器模型：
Figure GDA0001672199590000053
其中，x为需要认定的学生数据特征值。
步骤S6，具体如下：
将需要认定的学生数据输入到分类器模型中，通过分类器模型，得出f(x)，若为正则表示这个学生大概率为贫困生，若为负则表示这个学生大概率不是贫困生，再通过实际考核，认定新的贫困生，添加到贫困生名单中，得到新的贫困生名单。
本发明与现有技术相比，具有如下优点和有益效果：
本发明采用遗传算法对混合核函数参数进行寻优，模拟生物的自然选择和遗传机制，用编码空间代替问题参数空间，用适应度作为评价依据，通过随机重组重要基因，让群体中的个体不断进化，逐步接近最优解，减少全局搜索时间，充分发挥局部核函数和全局核函数的优势，在不增加训练时间复杂度的前提下，提高了分类器的推广泛化能力，降低成本。
附图说明
图1是本发明一种基于SVM的贫困生辅助认定的方法流程框图；
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
如图1所示，一种基于SVM的贫困生辅助认定方法，包括以下步骤：
第一步：采集学生数据，并对学生数据进行预处理；学生数据包含学生一卡通流水记录、学生基本信息、学生成绩和贫困生名单；学生基本信息包含学生ID、学生性别、学生名字；
预处理包含去重、缺失值处理和格式化；
去重为：将学生数据按学生ID进行排序，通过比较邻近记录是否相似来检测记录是否重复，重复则删除重复记录；
缺失值处理为：学生数据中某个记录的摸个字段为空，则使用平均值进行填充；
格式化为：将消费时间格式化为yyyy-MM-dd；消费金额统一单位为分，超限则四舍五入。
第二步：对预处理学生数据提取特征，通过随机森林对特征重要性进行排名；从一卡通流水记录中构造特征，即各时间段、各地点的消费、充值等行为的总额、均值计数等统计量。其中，时间维度可分为一天、周末、早、中、晚等几个时间段，地点维度可分为饭堂、商铺、图书馆、西餐厅，交易维度分为消费和充值，对交易金额的统计量分为均值、方差、计数等。比如学生周末在图书馆的消费总额、早上八点前在饭堂的消费均值、在商铺西餐厅的消费次数和均值等；具体过程为：
从学生一卡通流水记录构造特征；从时间维度、地点维度和交易维度统计均值和方差；
将学生一卡通流水记录和学生基本信息、学生成绩、贫困生名单，进行归一化数据特征；
使用随机森林对特征重要性进行排名，根据排名，选择前30个特征。
第三步：在满足Mercer条件下，构造混合核函数，并植入支持向量机SVM中；基于对局部核函数和全局核函数，构造混合核函数：
Figure GDA0001672199590000061
其中，ρ为混合核函数权系数，
Figure GDA0001672199590000062
为高斯核，属于局部核函数；σ为高斯核的带宽，σ＞0，[(xi·xj)+c]d为多项式核，属于全局核函数，c为自由参数，c≥0；d为多项式次数，d≥1，xi为第i个样本的特征值向量，xj为第j个特征值向量；将混合核函数植入SVM中。
第四步：使用遗传算法对混合核函数参数进行寻优，得到最优混合核函数参数；寻优过程具体如下：
设置参数：初始种群数量为60，选择代购为0.8，交叉概率为0.6，变异概率为0.06；
使用遗传算法确认混合核函数最优混合核函数参数，确认惩罚因子和确认混合核函数权系数；
混合核函数参数(σ、c、d)、混合核函数权系数ρ和惩罚因子C采用二进制编码，并把其二进制编码组合得到个体染色体基因串，群体空间如下：
Figure GDA0001672199590000071
假设n1＝n2＝n3＝n4＝7，则这五个参数的二进制编码都是七位，每一位取值0或1，则每个参数的取值范围是0～127。比如：
1 …… 1 …… 1 …… 1 …… 1 …… 1 …… 1 …… 1
其中一个染色体，表示五个参数都是127。
0 …… 0 …… 0 …… 0 …… 0 …… 0 …… 0 …… 0
另外一个染色体，表示五个参数都是0。以此类推，可以构造出多个染色体构成一个初始种群。而后，根据这个初始种群计算适应度值。
用个体染色体基因串，构造出多个染色体组合一个初始种群；
根据初始种群计算适应度值：
Figure GDA0001672199590000072
Figure GDA0001672199590000073
其中，P为查准率，R为查全率，TP为真正例数目，FP为假正例数目，FN为假反例数目；
设遗传算法中的适应度值为f(Xi)，即10折交叉验证的macroF1值，则有：
Figure GDA0001672199590000074
Figure GDA0001672199590000081
Figure GDA0001672199590000082
其中，Pi为第i次训练查准率；macroP为宏查准率，是10次训练查准率平均值；Ri为第i次训练查全率；macroR为宏查全率，是10次训练查全率平均值；macroF1为宏F1，是基于宏查准率和宏查全率的调和平均值，即为适应度值；
根据适应度值计算染色体入选种群概率：
Figure GDA0001672199590000083
其中，p(Xi)为第i个染色体入选种群概率，Xi为第i个染色体，f(Xj)为第j个染色体的适应度值；
根据入选种群概率的高低，选择代沟为0.8，即保留概率较高的80％染色体，将保留的染色体进行交叉运算和变异运算：
交叉运算为随机选取两条染色体，随机选择一个交配点做单点杂交，将产生的新的两条染色体代替原来的染色体，放回初始种群；交叉运算概率为0.6；
1 …… 1 …… 1 …… 1 …… 1 …… 1 …… 1 …… 1
0 …… 0 …… 0 …… 0 …… 0 …… 0 …… 0 …… 0
单点杂交后：
0 …… 0 …… 0 …… 1 …… 1 …… 1 …… 1 …… 1
1 …… 1 …… 1 …… 0 …… 0 …… 0 …… 0 …… 0
变异运算为杂交后的个体进行变异运算，随机选取一条染色体；
0 …… 0 …… 0 …… 0 …… 0 …… 0 …… 0 …… 0
变异运算后：
0 …… 0 …… 0 …… 1 …… 1 …… 1 …… 1 …… 1
遗传算法模拟生物的自然选择和遗传机制，用编码空间代替问题的参数空间，用适应度函数作为评价依据。通过随机重组重要的基因，让群体中的个体不断进化，逐步接近最优解，并减少全局搜索时间。
通过不断进化，获取最优混合核函数系数、最优确认惩罚因子和最优确认混合核函数权系数，即得到多项式核函数与径向基核函数的调整比重，混合核函数的权系数ρ＝0.8253，以及C＝5.9801、σ＝0.0192、c＝0、d＝2。
第五步：将最优混合函数系数代入最优分类函数，并对学生数据进行训练，得到分类器模型；具体过程为：
根据步骤S4获得的最优混合核函数系数，使用SMO算法通过训练学生数据得到最优的
Figure GDA0001672199590000091
其中，
Figure GDA0001672199590000092
为拉格朗日乘子的最优解，
Figure GDA0001672199590000093
为分类超平面的最优解；即：SMO每次选取两个拉格朗日乘子，固定其余参数；求解：
Figure GDA0001672199590000094
Figure GDA0001672199590000095
其中，ai、aj为拉格朗日乘子；yi为第i个学生标识，yj为第j个学生标识；
获得更新后的ai、aj；
求解非线性支持向量机和其对偶问题，重复选取和求解，得到
Figure GDA0001672199590000096
其中非线性支持向量机为：
Figure GDA0001672199590000097
对偶问题：
Figure GDA0001672199590000098
通过
Figure GDA0001672199590000101
得到分类器模型：
Figure GDA0001672199590000102
其中，x为需要认定的学生数据特征值。
第六步：将需要认定的学生数据输入到分类器模型中，通过分类器模型计算，得出f(x)，若f(x)为正则表示这个学生大概率为贫困生，若f(x)为负则表示这个学生大概率不是贫困生，再通过实际考核，认定新的贫困生，添加到贫困生名单中，得到新的贫困生名单。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种基于SVM的贫困生辅助认定方法，其特征在于，包括以下步骤：
S1、采集学生数据，并对学生数据进行预处理；
S2、对预处理学生数据提取特征，通过随机森林对特征重要性进行排名；
S3、在满足Mercer条件下，构造混合核函数，并植入SVM中；
具体过程为：
基于对局部核函数和全局核函数，构造混合核函数，并植入SVM中：
Figure FDA0003353774350000011
其中，ρ为混合核函数权系数，
Figure FDA0003353774350000012
为高斯核，属于局部核函数；σ为高斯核的带宽，σ＞0，[(xi·xj)+c]d为多项式核，属于全局核函数，c为自由参数，c≥0；d为多项式次数，d≥1，xi为第i个样本的特征值向量，xj为第j个样本的特征值向量；
S4、使用遗传算法对混合核函数参数进行寻优，得到最优混合核函数参数；
S5、将最优混合核函数参数代入SVM中进行训练，训练之后得到分类器模型；具体过程为：
根据步骤S4获得的最优混合核函数系数，使用SMO算法通过训练学生数据得到最优的
Figure FDA0003353774350000013
其中，
Figure FDA0003353774350000014
为拉格朗日乘子的最优解，
Figure FDA0003353774350000015
为分类超平面的位移最优解；即：SMO每次选取两个拉格朗日乘子，固定其余参数；求解：
Figure FDA0003353774350000016
Figure FDA0003353774350000017
其中，ai、aj为拉格朗日乘子；yi为第i个学生标识，yj为第j个学生标识；
获得更新后的ai、aj；
求解非线性支持向量机和其对偶问题，重复选取和求解，得到
Figure FDA0003353774350000018
其中非线性支持向量机为：
Figure FDA0003353774350000019
对偶问题：
Figure FDA0003353774350000021
通过
Figure FDA0003353774350000022
得到分类器模型：
Figure FDA0003353774350000023
其中，x为需要认定的学生数据特征值；
S6、将需要认定的学生数据输入分类器模型，输出分类结果。
2.根据权利要求1所述的一种基于SVM的贫困生辅助认定方法，其特征在于，步骤S1中，所述学生数据包含学生一卡通流水记录、学生基本信息、学生成绩和贫困生名单；所述学生基本信息包含学生ID、学生性别、学生名字。
3.根据权利要求1所述的一种基于SVM的贫困生辅助认定方法，其特征在于，步骤S1中，所述预处理包含去重、缺失值处理和格式化；
所述去重为：将学生数据按学生ID进行排序，通过比较邻近记录是否相似来检测记录是否重复，重复则删除重复记录；
所述缺失值处理为：学生数据中某个记录的某个字段为空，则使用平均值进行填充；
所述格式化为：将消费时间格式化为yyyy-MM-dd；消费金额统一单位为分，超限则四舍五入。
4.根据权利要求1所述的一种基于SVM的贫困生辅助认定方法，其特征在于，所述步骤S2具体过程为：
U1、从学生一卡通流水记录构造特征；从时间维度、地点维度和交易维度统计均值和方差；
U2、将学生一卡通流水记录数据特征、学生基本信息数据特征、学生成绩数据特征和贫困生名单数据特征，进行归一化；
U3、使用随机森林对特征重要性进行排名，根据排名，选择前30个特征。
5.根据权利要求4所述的一种基于SVM的贫困生辅助认定方法，其特征在于，所述使用随机森林对特征重要性进行排名具体为：
Y1、设定N个样本，每个样本有M个特征；
Y2、从N个样本中有放回的随机抽取，抽取N次，作为训练一棵决策树的样本；
Y3、每个节点随机抽取m个特征，m＜M，从中选取信息增益最大的特征作为决策树的分裂节点，在决策树成长的过程中，m值保持不变；
Y4、重复步骤Y2、Y3，建立大量的决策树，构成随机森林；
Y5、计算每个特征在随机森林中每棵树上的评分均值，作为特征重要性依据。
6.根据权利要求1所述的一种基于SVM的贫困生辅助认定方法，其特征在于，步骤S4中，所述寻优过程具体如下：
V1、设置参数：初始种群数量为60，选择代购为0.8，交叉概率为0.6，变异概率为0.06；
V2、使用遗传算法确认混合核函数最优混合核函数参数，确认惩罚因子和确认混合核函数权系数；
V3、混合核函数参数、混合核函数权系数和惩罚因子采用二进制编码，并把其二进制编码组合得到个体染色体基因串，构造出多个染色体组合一个初始种群；
V4、根据初始种群计算适应度值：
Figure FDA0003353774350000031
Figure FDA0003353774350000032
其中，P为查准率，R为查全率，TP为真正例数目，FP为假正例数目，FN为假反例数目；
设遗传算法中的适应度值为f(Xi)，即10折交叉验证的macroF1值，则有：
Figure FDA0003353774350000033
Figure FDA0003353774350000034
Figure FDA0003353774350000035
其中，Pi为第i次训练查准率；macroP为宏查准率，是10次训练查准率平均值；Ri为第i次训练查全率；macroR为宏查全率，是10次训练查全率平均值；macroF1为宏F1，是基于宏查准率和宏查全率的调和平均值，即为适应度值；
V5、根据适应度值计算染色体入选种群概率：
Figure FDA0003353774350000041
其中，p(Xi)为第i个染色体入选种群概率；Xi为第i个染色体；f(Xj)为第j个染色体的适应度值；
V6、根据入选种群概率的高低，选择代沟为0.8，即保留概率较高的80％染色体，将保留的染色体进行交叉运算和变异运算：
所述交叉运算为随机选取两条染色体，随机选择一个交配点做单点杂交，将产生的新的两条染色体代替原来的染色体，放回初始种群；交叉运算概率为0.6；
所述变异运算为杂交后的个体进行变异运算，随机选取一条染色体，该染色体某个二进制位有6％的概率变异，即由0变1或由1变0；
V7、通过不断进化，获取最优混合核函数系数、最优确认惩罚因子和最优确认混合核函数权系数，从而确定混合核函数。
7.根据权利要求1所述的一种基于SVM的贫困生辅助认定方法，其特征在于，所述步骤S6，具体如下：
将需要认定的学生数据输入到分类器模型中，通过分类器模型，得出f(x)，若为正则表示这个学生大概率为贫困生，若为负则表示这个学生大概率不是贫困生，再通过实际考核，认定新的贫困生，添加到贫困生名单中，得到新的贫困生名单。
CN201810290654.0A 2018-03-30 2018-03-30 一种基于svm的贫困生辅助认定方法 Expired - Fee Related CN108564117B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810290654.0A CN108564117B (zh) 2018-03-30 2018-03-30 一种基于svm的贫困生辅助认定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810290654.0A CN108564117B (zh) 2018-03-30 2018-03-30 一种基于svm的贫困生辅助认定方法

Publications (2)

Publication Number Publication Date
CN108564117A CN108564117A (zh) 2018-09-21
CN108564117B true CN108564117B (zh) 2022-03-29

Family

ID=63533802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810290654.0A Expired - Fee Related CN108564117B (zh) 2018-03-30 2018-03-30 一种基于svm的贫困生辅助认定方法

Country Status (1)

Country Link
CN (1) CN108564117B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472299A (zh) * 2018-10-19 2019-03-15 浙江正元智慧科技股份有限公司 一种基于智能卡大数据的贫困大学生识别方法
CN111144430B (zh) * 2018-11-05 2023-08-01 中国移动通信集团广东有限公司 基于遗传算法的养卡号码识别方法及装置
CN109670998A (zh) * 2018-12-27 2019-04-23 三盟科技股份有限公司 基于校园大数据环境下的精准资助多级认定方法及系统
CN109871992A (zh) * 2019-01-30 2019-06-11 北京工业大学 基于r-svm的tft-lcd工业智能预测方法
CN111178699B (zh) * 2019-12-15 2023-05-23 贵州电网有限责任公司 一种调度操作票智能校核系统构建方法
CN112215385B (zh) * 2020-03-24 2024-03-19 北京桃花岛信息技术有限公司 一种基于贪婪选择策略的学生困难程度预测方法
CN113780637B (zh) * 2021-08-27 2023-10-17 广东工业大学 基于辅助优化与拉格朗日优化的支持向量机学习方法
CN113962834A (zh) * 2021-10-29 2022-01-21 重庆医药高等专科学校 一种基于用户消费数据的高校贫困生识别方法
CN114155607A (zh) * 2021-12-07 2022-03-08 华东交通大学 一种驾驶风险监控及报警方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102058413A (zh) * 2010-12-03 2011-05-18 上海交通大学 基于连续小波变换的脑电信号警觉度检测方法
CN104009886A (zh) * 2014-05-23 2014-08-27 南京邮电大学 基于支持向量机的入侵检测方法
CN106897703A (zh) * 2017-02-27 2017-06-27 辽宁工程技术大学 基于aga‑pkf‑svm的遥感影像分类方法
US9721181B2 (en) * 2015-12-07 2017-08-01 The Climate Corporation Cloud detection on remote sensing imagery
CN107357966A (zh) * 2017-06-21 2017-11-17 山东科技大学 一种回采巷道围岩稳定性预测与评估方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102058413A (zh) * 2010-12-03 2011-05-18 上海交通大学 基于连续小波变换的脑电信号警觉度检测方法
CN104009886A (zh) * 2014-05-23 2014-08-27 南京邮电大学 基于支持向量机的入侵检测方法
US9721181B2 (en) * 2015-12-07 2017-08-01 The Climate Corporation Cloud detection on remote sensing imagery
CN106897703A (zh) * 2017-02-27 2017-06-27 辽宁工程技术大学 基于aga‑pkf‑svm的遥感影像分类方法
CN107357966A (zh) * 2017-06-21 2017-11-17 山东科技大学 一种回采巷道围岩稳定性预测与评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
华南理工大学节能监管平台建设;彭新一;《建设科技》;20100131(第2期);第22-23页 *
基于校园一卡通消费数据对高校贫困生分类的应用研究;张玺，呙森林，孙宗良;《数字技术与应用》;20160831(第8期);第100页 *
基于遗传算法和SVM的遥感图像检索;彭晏飞等;《小型微型计算机系统》;20160430;第37卷(第4期);第875-880页 *

Also Published As

Publication number Publication date
CN108564117A (zh) 2018-09-21

Similar Documents

Publication Publication Date Title
CN108564117B (zh) 一种基于svm的贫困生辅助认定方法
CN112070125A (zh) 一种基于孤立森林学习的不平衡数据集的预测方法
Kozeny Genetic algorithms for credit scoring: Alternative fitness function performance comparison
CN111754345B (zh) 一种基于改进随机森林的比特币地址分类方法
CN107169628B (zh) 一种基于大数据互信息属性约简的配电网可靠性评估方法
CN109949152A (zh) 一种个人信贷违约预测方法
CN110544011A (zh) 一种智能化的体系作战效能评估和优化方法
CN113327047A (zh) 基于模糊综合模型的电力营销服务渠道决策方法及系统
CN114580762A (zh) 一种基于XGBoost的水文预报误差校正方法
Peng et al. The health care fraud detection using the pharmacopoeia spectrum tree and neural network analytic contribution hierarchy process
CN114519508A (zh) 基于时序深度学习和法律文书信息的信用风险评估方法
Aghayi et al. Robust efficiency measurement with common set of weights under varying degrees of conservatism and data uncertainty
CN111415099A (zh) 一种基于多分类BP-Adaboost的贫困生认定方法
CN119153099A (zh) 一种肿瘤放疗患者症状管理与预后评估方法及系统
CN104850868A (zh) 一种基于k-means和神经网络聚类的客户细分方法
CN109992592B (zh) 基于校园消费卡流水数据的高校贫困生识别方法
CN111178580A (zh) 一种基于改进bp神经网络的超市选址方法
CN115185732B (zh) 一种融合遗传算法和深度神经网络的软件缺陷预测方法
CN111967937A (zh) 一种基于时间序列分析的电商推荐系统及实现方法
CN115860918A (zh) 基于改进决策树的企业信用评估自动规则挖掘方法及装置
CN112070336A (zh) 一种基于层次分析法的制造业信息量化分析方法及装置
CN102663230A (zh) 一种基于遗传算法的土地资源评价因子级别划分方法
Repollo et al. Applying clustering algorithm on poverty analysis in a community in the philippines
CN110942391A (zh) 在区块链中多活动标签用户的主要活动标签确定方法
CN116883070A (zh) 一种银行代发薪资客户流失预警方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220329

CF01 Termination of patent right due to non-payment of annual fee