【技术实现步骤摘要】
一种基于校园大数据的学生行为与心理检测结果的精准分析方法及系统
本专利技术涉及大数据分析
，尤其涉及一种基于校园大数据的学生行为与心理检测结果的精准分析方法及系统。
技术介绍
近年来，大数据技术已经引起了各行各业的高度关注，大数据分析技术对未来的科技与经济的发展带来深远影响。许多高校利用校园行为大数据开展了许多面向管理和师生服务的应用，依赖大数据挖掘方法以支持教育领域的校园管理与决策以及学生行为规律的分析受到广泛关注。目前许多高校已积累大量的教学资源和管理数据，从而形成了规模巨大、结构复杂的数据集，为高校的大数据分析提供了强有力的支持，成了高校学生心理教育不可缺少的一部分。随着教学改革的不断推进，高校对数据的需求已经从原来的简单事务处理方式转向面向信息分析处理、数据挖掘及决策支持等。因此，针对现有的大数据集合建立学生行为与心理检测的关联系统，对高校学生心理教育具有重要的实际意义。虽然基于大数据技术的心理检测研究得到了一些关注，但是已有的努力和研究还没有建立起描述人类心理-行为的理论模型，存在数据...
【技术保护点】
1.一种基于校园大数据的学生行为与心理检测结果的精准分析方法，其特征在于，所述方法包括以下步骤：/n步骤S1、获取采用高维数据表征的多个学生行为数据及每一学生的心理状态，并将所获取的每一学生行为数据均转换成相应的矩阵表示，且待以各矩阵中每一条数据为模型特征，学生心理状态为模型标签，构建出一个训练筛选特征的卷积神经网络模型后，进一步将每一矩阵中各数据均输入所述训练筛选特征的卷积神经网络模型中进行训练，得到每一学生各自对应的多个降维数据；/n步骤S2、待以各降维数据为模型特征，学生心理状态为模型标签，构建出一个长短时记忆循环神经网络模型后，将所得到每一学生各自对应的多个降维数据...
【技术特征摘要】
1.一种基于校园大数据的学生行为与心理检测结果的精准分析方法，其特征在于，所述方法包括以下步骤：
步骤S1、获取采用高维数据表征的多个学生行为数据及每一学生的心理状态，并将所获取的每一学生行为数据均转换成相应的矩阵表示，且待以各矩阵中每一条数据为模型特征，学生心理状态为模型标签，构建出一个训练筛选特征的卷积神经网络模型后，进一步将每一矩阵中各数据均输入所述训练筛选特征的卷积神经网络模型中进行训练，得到每一学生各自对应的多个降维数据；
步骤S2、待以各降维数据为模型特征，学生心理状态为模型标签，构建出一个长短时记忆循环神经网络模型后，将所得到每一学生各自对应的多个降维数据均导入所述长短时记忆循环神经网络模型中按通道维度拼接起来，得到多源异构特征融合数据；
步骤S3、采用预设的三阶段的特异群组挖掘算法对所得到的多源异构特征融合数据进行处理，确定出疑似存在心理异常倾向的学生并输出。
2.如权利要求1所述的基于校园大数据的学生行为与心理检测结果的精准分析方法，其特征在于，在所述训练筛选特征的卷积神经网络模型中，学生心理状态为健康记为标签0，学生心理状态为异常记为标签1，且导入的矩阵中各数据若输出结果大于预设第一阈值则输出为对应的降维数据。
3.如权利要求1所述的基于校园大数据的学生行为与心理检测结果的精准分析方法，其特征在于，所述步骤S3包括：
首先，找到给定的多源异构特征融合数据集中最相似的数据对象对，并采用剪枝策略将不可能包含特异对象的对象对删除，然后从候选对象对中计算得到特异对象；
其次，根据特异群组定义，采用最大团挖掘算法将候选对象中所有的特异对象划分到相应的特异群组中；其中，所述特异群组中的每对对象之间必须相似；特异群组的集合为有心理异常的学生有的行为共性集合；
最后，通过计算独立个体行为特征与特异群组集合的距离，若小于设定的第二阈值，则可判断所计算的独立个体行为疑似存在心理异常倾向，将疑似存在心理异常倾向的独立个体行为输出。
4.一种基于校园大数据来分析学生心理行为的系...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。