| 【中文题名】 | 数据挖掘在本科教学质量评估的研究与应用 |
| 【英文题名】 | |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-29 |
| 【中关键词】 | 数据仓库,教学评价,数据挖掘,BP神经网络,学生成绩分析, |
| 【英关键词】 | Data warehouse,Teaching evaluation,Data mining,BP Neural Network,student score analysis, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>计算技术、计算机技术>计算机软件>程序设计、软件工程>程序设计 |
| 【论文摘要】 |
数据仓库和数据挖掘是数据库研究、开发和应用最活跃的分支之一，也是决策支持系统的关键因素，数据仓库是一个支持管理决策过程的、面向主题的、随时间而变的数据集合，它是集成的，也是稳定的。数据挖掘是采用人工智能的方法对数据库和数据仓库中的数据进行分析、获取知识的过程。它们的结合能更好地为企业或有关部门不同范围的决策分析提供有力的依据。
纵观以往的教学管理系统，多半是OLTP系统，缺乏综合分析、辅助决策的能力；并且对其历史积累的海量信息中隐含知识的利用无能为力。对教学数据进行分析是教学评估的重要手段，采用先进技术对考试过程和教学环节中产生的数据进行多层次、多角度的分析，利用分析结果辅助教学决策是保证教学质量、提高学生素质的必然要求。
本文通过对数据仓库理论和数据挖掘技术的研究，结合考试分析系统的特点，提出将数据仓库理论和数据挖掘技术运用到教学质量评估、考试分析中。首先本文介绍数据仓库的新技术，然后采用数据仓库技术设计了关于教学质量评估系统的数据仓库。并通过对数据仓库中的学生成绩采用数据挖掘中的神经网路算法进行分析，找出数据之间的潜在规则。 |
| 【论文题纲】 |
|
摘要 |
6-7 |
|
Abstract |
7-8 |
|
第一章 绪论 |
8-11 |
|
1.1 论文的研究背景 |
8 |
|
1.2 国内外研究现状 |
8-9 |
|
1.3 本文研究的目的和意义 |
9-10 |
|
1.3.1 论文研究的目的 |
9 |
|
1.3.2 论文研究的意义 |
9-10 |
|
1.4 课题的来源 |
10 |
|
1.5 论文研究的主要内容 |
10-11 |
|
第二章 数据仓库及数据挖掘技术 |
11-23 |
|
2.1 数据仓库技术简介 |
11-14 |
|
2.1.1 数据仓库的特征 |
11-12 |
|
2.1.2 数据仓库与数据库的关系 |
12-13 |
|
2.1.3 数据仓库的体系结构 |
13-14 |
|
2.2 数据仓库的模型设计技术 |
14-17 |
|
2.2.1 实体关系建模 |
14-15 |
|
2.2.2 维度建模 |
15-16 |
|
2.2.3 实体关系建模与维度建模的比较 |
16-17 |
|
2.3 数据仓库的数据模型 |
17-20 |
|
2.3.1 概念模型设计 |
18-19 |
|
2.3.2 逻辑模型设计 |
19 |
|
2.3.3 物理模型设计 |
19-20 |
|
2.4 数据挖掘技术 |
20-22 |
|
2.4.1 数据挖掘定义 |
20-21 |
|
2.4.2 数据挖掘的任务 |
21-22 |
|
2.4.3 数据挖掘的方法 |
22 |
|
2.4.4 数据挖掘研究的主要问题 |
22 |
|
2.5 本章小结 |
22-23 |
|
第三章 学生成绩分析系统的总体设计 |
23-29 |
|
3.1 系统的需求分析 |
23 |
|
3.2 系统设计原则 |
23-24 |
|
3.3 系统设计目标 |
24 |
|
3.4 系统设计方法 |
24 |
|
3.5 系统的体系结构设计 |
24-25 |
|
3.6 学生成绩数据源构成分析 |
25-26 |
|
3.7 学生成绩分析系统上的模型设计 |
26-28 |
|
3.7.1 概念模型的设计 |
26-27 |
|
3.7.2 逻辑模型设计 |
27-28 |
|
3.7.3 物理模型的设计 |
28 |
|
3.8 本章小结 |
28-29 |
|
第四章 人工神经网络基本理论 |
29-38 |
|
4.1 神经网络研究的进展 |
29-30 |
|
4.1.1 人工神经网络的发展研究 |
29 |
|
4.1.2 神经网络的特性 |
29-30 |
|
4.2 人工神经网络的结构 |
30-32 |
|
4.2.1 神经元及其特性 |
30-31 |
|
4.2.2 人工神经网络的基本特征和结构 |
31 |
|
4.2.3 人工神经网络的主要学习算法 |
31-32 |
|
4.3 人工神经网络的典型模型 |
32-33 |
|
4.4 BP 神经网络模型 |
33-35 |
|
4.4.1 标准 BP 神经网络基本原理 |
33-34 |
|
4.4.2 BP 神经网络结构 |
34 |
|
4.4.3 BP 神经网络学习算法 |
34-35 |
|
4.5 BP 网络的局限与改进 |
35-37 |
|
4.5.1 BP 网络的局限 |
35-36 |
|
4.5.2 BP 算法的常用改进方法 |
36-37 |
|
4.6 本章小结 |
37-38 |
|
第五章 学生学习成绩预测模型的建立 |
38-43 |
|
5.1 MATLAB 软件包的选择 |
38-39 |
|
5.1.1 MATLAB 软件包的特点 |
38 |
|
5.1.2 MATLAB 神经网络工具箱 |
38-39 |
|
5.2 样本数据 |
39-40 |
|
5.2.1 样本数据准备 |
39 |
|
5.2.2 样本数据的预处理 |
39-40 |
|
5.3 学生学习成绩 BP 神经模型设计 |
40-42 |
|
5.3.1 预测指标的选择 |
40 |
|
5.3.2 输入输出向量设计 |
40 |
|
5.3.3 BP 人工神经网络的层数选取 |
40-41 |
|
5.3.4 BP 人工神经网络隐含层的节点选择 |
41 |
|
5.3.5 BP 人工神经网络初始权值的选取 |
41-42 |
|
5.3.6 BP 经网络学习速率的选择 |
42 |
|
5.3.7 BP 人工神经网络期望误差的选取 |
42 |
|
5.3.8 训练参数的选择 |
42 |
|
5.4 本章小结 |
42-43 |
|
第六章 基于改进 BP 算法的学生成绩预测分析 |
43-47 |
|
6.1 教学质量评价问题的复杂性 |
43 |
|
6.2 学生学习成绩的分析预测及神经网络的适用性 |
43-44 |
|
6.3 学生成绩预测的实证研究 |
44-46 |
|
6.3.1 BP 神经网络的模型设计 |
44 |
|
6.3.2 仿真实验及结果分析 |
44-46 |
|
6.4 本章小结 |
46-47 |
|
第七章 总结与展望 |
47-48 |
|
7.1 总结 |
47 |
|
7.2 展望 |
47-48 |
|
致谢 |
48-49 |
|
参考文献 |
49-52 |
|
附录 |
52-53 |
|
| 【DOI】 | LunWen.ID:2.2008.360693 |
