一种基于卷积神经网络的高校异常行为学生识别方法技术

本发明专利技术涉及一种基于卷积神经网络的高校异常行为学生识别方法，属于数据挖掘领域。该方法为：获取高校教务后台数据进行预处理；构建卷积神经网络；训练和测试所述卷积神经网络，得到异常行为学生识别卷积神经网络模型；利用模型对学生实时校园活动数据进行分析，及时发现可能存在异常行为的学生。本发明专利技术通过高校学生背景信息及学习成绩，结合校园日常行为数据，通过卷积神经网络提取高校学生校园行为的持续性、变化性、周期性的特征，引入DBSCAN密度聚类算法代替softmax函数对提取的特征值进行分类，将有异常行为的学生区分而出以及时干预，帮助克服学习或生活中的困难。帮助克服学习或生活中的困难。帮助克服学习或生活中的困难。

【技术实现步骤摘要】
一种基于卷积神经网络的高校异常行为学生识别方法


[0001]本专利技术属于数据挖掘领域，涉及一种基于卷积神经网络的高校异常行为学生识别方法。

技术介绍

[0002]当前高校相对宽松的教育管理环境给予了高校学生对自身发展方向广阔的选择方向，但是面对大量余裕时间，从小到大从应试教育的高校学子，虽然大多已经成年，也会存在自制力不足，过度沉迷于虚拟网络游戏而无法顺利完成自身学业延迟毕业的情况，更严重的可能误入网贷、传销、赌博的歧路中。当前存在不少提醒高校学生挂科风险的学习预警方法，通过机器学习的方法建立过往学生校园行为和学习成绩的关联，对当前学生进行风险区分，提醒可能存在的挂科风险，但是无法解决异常行为学生的识别问题。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种基于卷积神经网络的高校异常行为学生识别方法。
[0004]为达到上述目的，本专利技术提供如下技术方案：
[0005]一种基于卷积神经网络的高校异常行为学生识别方法，该方法包括以下步骤：
[0006]S1：获取后台数据库的原始行为数据，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的高校异常行为学生识别方法，其特征在于：该方法包括以下步骤：S1：获取后台数据库的原始行为数据，创建数据集；S2：数据集预处理，划分训练集和测试集；S3：创建多分支的卷积神经网络模型，引入DBSCAN密度聚类算法替代softmax函数作为分类输出；S4：使用创建好的数据集来训练和测试深度神经网络模型；S5：利用训练好的模型对待识别的数据进行分类。2.根据权利要求1所述的一种基于卷积神经网络的高校异常行为学生识别方法，其特征在于：所述S1具体为：首先通过学校后勤中的数据库将学生在学校刷卡、电子支付、进出图书馆和进出学校记录的行为抽取出来，再清洗数据异常部分后进行数据工程，将数据进行归一化处理。3.根据权利要求2所述的一种基于卷积神经网络的高校异常行为学生识别方法，其特征在于：所述S2具体为：基于数据集，对单个样本X，构建一个二值化的三维张量对其进行表示，即其中，t、l和d分别表示校园行为数据中含有的时段数、地点个数和天数；对数据的记录时间进行离散化，取时间区间为6点至24点，以半个小时为单位进行时间切片，将每天分为36个时间段，则t值为36；根据已有数据维度，得出l值和d值；如果X于第k天第i时段在第J个地点存在刷卡行为，则X
ijk
值为1，否则为0；将构建出的数据以7∶3的比例划分为训练集和测试集。4.根据权利要求3所述的一种基于卷积神经网络的高校异常行为学生识别方法，其特征在于：所述S3具体为：构建神经网络模型；基于以上构建的数据，将“日期”维度作为深度，设计卷积核维度为a
×
l，a为卷积核的高度，l为卷积核宽度，表示对学生日常行为的轨迹的特征提取，定义为：利用卷积核对学生样本X进行卷积操作；卷积核的高度为a且深度为日期方向，对学生样本X进行卷积操作，每次卷积捕获学生在d天中相应a个时段的被记录行为，记录为：{X
(i，i+a
‑
1}1
，...，X
{i，i+a
‑
1}(d
‑
1)
，X
(i，i+a
...

【专利技术属性】
技术研发人员：邹洋，李富松，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：