文摘

广泛应用的计算机技术、通信技术、网络技术和多媒体技术在现代教育中,教学方法往往是多样化的和科学的。DM(数据挖掘)算法的基础上,本文实现了一个体育成绩管理系统。通过这个系统,输入的效率和计算学生的成就可以提高,教师可以摆脱复杂的成绩管理。针对SVM(支持向量机)的问题是缓慢在DM大样本训练集分类、DM基于改进支持向量机的分类算法,PSO_SVM,提出适用于相邻的密度样品的设计隶属函数减少噪声点对分类的影响。结果表明,该算法的训练时间增加54.26和55.69年代与支持向量机相比 - - - - - -分别意味着和准确性是增加了35.62%。由DM算法获得的结果将有利于教师诊断教学问题和构造的宠物(体育教学)模型为大学生的特点。

1。介绍

软件和硬件的质量的持续改进促进了学校教学体系的持续改进和优化。基于数据的优势,各种学科之间的交流逐渐加深,这促进了学校教育的科学性和合理性。在某种程度上,当然结果真正反映学生的能力和质量在一定专业,如音乐、数学、艺术和体育教育(1]。以前,数据信息仅用于常规数据记录和统计分类,但现在DM(数据挖掘)技术不仅用于日常学生信息统计,教学任务记录,数据存储,还用于数据管理。优化和更新的信息处理技术和大数据技术,教育工作者将他们的希望放在智能挖掘算法(2],DM逐渐成为学术绩效管理的有效工具,在大学学习效果分析。

如今,计算机网络已成为非常受欢迎的在大学。使用DM技术建立一个大学体育成绩管理系统可以提供管理员、教师和学生提供充足的信息和快捷的查询手段,完成教师评分工作,统计、分析和处理的数据(3,4]。王等人用毕业生的成就作为特征数据,减少了主成分分析的特征数据的维度,并通过附近的贝叶斯分类 - - - - - -最近邻算法,即职业方向预测(5]。蔡等人提出了一种改进的算法(6]在研究和分析ID3算法和采矿和教务管理系统中存储的数据分析,以便找出课程设置之间的关系,提供了一些大学的成绩统计决策的数据依据。月亮et al .,基于Hadoop大数据平台,挖掘校园信息化的应用程序信息和推荐校园信息相应的学习特点7]。诺兰等人使用粗糙的理论挖掘和分析之间的关系的改善学生的表现和主动学习的主要因素8]。

在我们的学校,有丰富的教学资源和大量的数据可以用于参考。然而,在实际应用中,数据的利用率很低,而且大部分的数据库中的数据资源闲置,所以他们不能发挥应有的价值。针对这一点,本文研究DM技术的应用在学生的多属性训练,有效地挖掘潜在规则和关联数据相关学生的培训通过应用适当的DM技术,旨在正确认识大学生的特点的体育代表了成都体育学院,揭示的规律和趋势,大学生体育学习和研究提供参考和实施大学生体育学习在物理教育学院。

2。相关工作

2.1。研究体育教学的教学模式

体育成就主要是衡量是否有学生身体健康差距和预期目标和衡量这种差距的手段。它只能显示学生体育锻炼的结果,但不能反映这样的结果的原因。因此,教师有责任向学生解释测试结果的意义和结果的原因,引导学生采取适当的锻炼过程,提高测试结果(9]。

丁等人使用不同的数据预测方法,建立了预测模型,充分利用相关分析的结果和学生的真实成绩数据来预测学生的成就在目前由老师教的课程10]。一千preassumptions Thaise等人提出,介入学生的样本,评价干预措施的优缺点根据实际的教学成果和干预对象的自定义评价指标(11]。Khosravi等人深入了解模块化教学的意义,社会的发展,人们通过理解的概念、基本特征和模块化教学的过程12]。各学校根据教学要求,胡锦涛等人将教学内容分为几个模块,结合学生的兴趣和就业需求,合理匹配模块课程(13]。新的“模块化”体育教学由李等人提出的结构模型是一种新的教学模式,这是一个体育教学理论的创新和丰富体育教学理论中起着重要的作用[14]。

2.2。研究DM

DM是一个多学科领域,集成数据库技术、机器学习、信息检索、人工智能等最新技术。

罗等人改进的遗传算法应用于数据隐藏和出版,它可以更好的保护你的隐私泄漏的原始数据(15]。李等人应用多目标粒子群优化multiclassification (16]。俄文等人研究了群体智能算法的混合算法和聚类算法。针对现有聚类算法的缺点和粒子群优化算法,它是有意义的改进粒子群优化算法来优化聚类模型和数据挖掘应用到现实生活中17]。Stamatescu等人提出的新方法和技术在国内外网络教育的发展,作出了积极贡献,现代教育的发展(18]。

王等人采用了DT(决策树)的分类方法19),应用DM技术学生的成绩信息,构造的DT模型专业能力,帮助教师获得更准确和有效的洞察在教学过程中存在的问题,优化教学质量,取得的效果通过成就的信息。

3所示。研究方法

3.1。为大学生宠物的建设模式

在宠物的过程中体育教学改革,许多体育教育者和宠物工作者做了大量的探索和研究宠物并取得一定成果。然而,大多数教学模式教学生体育技术的观点和学习兴趣,这是片面的,忽略了提高学生的身体素质,很难促进学生全面健康发展(20.]。构造一个新的模块化宠物结构模型集中在加强学生的体质,为了提高学生的学习兴趣,增强他们的体质,消除了困扰体育工作者多年的问题,并促进在大面积实现全面提高国民体质和健康的目的。

的形势下,大学生的身体健康在中国一天天下降,如何充分发挥体育的功能,提高宠物的影响,全面和发展学生身体健康的首要任务是当代大学物理教育研究。模块化教学的建筑结构模型是基于生理学和心理学,遵循身体素质发展的规律,符合学生的心理特点。模型的建设提高了程序和标准化程度的宠物,这是方便体育教师设计教学。这种方法具有较强的可操作性,灵活的方法,丰富培训方式和培训效果好,可以激发学生的学习兴趣,提高他们的身体素质。的目的,促进学生参与体育运动和社会适应性,根据学生的特点,生理和心理发展,我们设计并组织体育课程的教学内容,把模块根据学生身体素质和实践的结构结合各种体育活动来实现教学目标。

像学生时期是一个心理和生理的快速增长的时期,体育教育起着至关重要的作用在发展学生的心理和身体素质。因为体育课是不同于其他室内课程,它需要大量的体力,一些学生的体育能力弱。此外,有必要综合考虑各种数据信息的处理要求的DM分析子系统。与传统的方法相比计算学生的教学成就的办公软件,大数据技术更关注频道的集成数据,如教学传感器和教学管理平台。同时,通过深入挖掘和分析数据库中的数据,可以获得准确的统计分析结果,可以为制定提供数据支持教练的培训计划,培训质量的监控和现场的调整策略。

在宠物的过程中,学生的性别、年龄和性格特征也应该被考虑。在不同年龄段学生表现出不同的心理特征。通过体育课程对学生的影响将质量、情感、认知、个性和心理特征,学生可以在体育课程保持良好的情绪状态,并合理地控制自己的情绪。从学生社会适应性较差的学生社会适应性强,他们应该得到相应的体育锻炼和享受相应的照顾老师,这样学生可以全面发展。

当系统进行DM分析,有必要分析教师的教学效果是否与他们的年龄,学历,职称,等等,这就需要整个系统有完整的文件数据参与教师,但上述信息时不需要教师收集评价信息。很容易评估成绩,但如何分析学生的成绩和提取所需的隐藏信息也是非常重要的21]。在所有方面,学生需要不断练习来提高他们的身体素质和能力。然而,教师忽视宠物最终会导致学生的身体和心理健康未能发展出更好的运动。

为了提高宠物的质量,使体育教师摆脱繁忙的数据统计管理,本文设计了一种基于DM的体育成绩管理系统技术,如图1。

可以看出,用户分为三种类型:体育教师,学生,和系统管理员。首先,它是人机交互系统表示层,包括测试项目管理、成绩管理、成绩统计分析,并扩张项目。其次,业务逻辑层,作为系统的核心组件,包含相关的业务逻辑表示层和完成所有项目的逻辑判断和处理。最后,数据访问层与数据库连接和文件。

关于数据的学生的教学评价,进一步分析和研究数据的学生评价教学利用日益成熟的DM技术可以帮助教学管理部门和教师有针对性地解决教学问题。挖掘潜在的相关性评价属性数据的教学评价,找出影响课堂教学质量的相关因素以及它们之间的相关性,并提出了趋势,可操作的和有益的建议和措施,提高教学水平,加强教学管理。

在传统的宠物评价,学生的评估主要是基于学生的体育成就,和体育教师的评价主要是基于个人的主观印象,所以是不完整的和客观的评价。目前,学院宠物评价主要是评价学生和体育教师通过总结性评价,不能反映学生的情况和体育教师的教学阶段。手动评估不仅费时费力,而且容易出错,而智能评价不仅方便快捷,而且准确。因此,大学宠物的方式评估应该从传统的手工收集,统计,分析智能技术收集、过程,分析大量的评估数据。

基于上述功能模块划分的方法和原则,人物2给出了系统的总体功能模块结构。从图可以看出,体育绩效管理系统包括五个功能模块:体育测试类型管理、测试项目管理、绩效管理、性能分析和系统管理。

成绩管理系统中的数据将逐渐增加使用,并且将实现存储的数据库。同时,阅读的请求和操作系统将系统开发的重点。这个过程的主要技术难点是实体识别。准确的实体识别可以减少集成数据的冗余和高质量的数据准备系统DM。流程图如图3。

完成管理学生的体育成就,有必要查询,输入,删除和导出成就。(1)系统中选择分数信息表,并插入所需的新的数据表的表来记录学生的学号和相应的分数(2)数据库中的数据进行比较,判断是否存在输入信息;如果它存在,提示用户输入是不必要的;如果不是,完成信息的输入(3)根据数据库中的返回值,判断输入是否成功。如果系统显示正确,输入成功(17]

DT的产生分为两个阶段:学习和测试。在DT学习阶段,采用自顶向下的递归。DT算法分为两个步骤:首先是树的一代。一开始,所有的数据都在根节点,然后递归地把数据生成到叶节点。第二个是树修剪,删除一些数据可能噪声或异常。收到数据信息后,应用服务器将信息划分为传输的两条路径:一条路径安全地发送给教师、学生,通过防火墙和其他类型的客户;一个频道直接由平台管理员收到促进宠物信息的管理,维护教学数据的安全,控制用户的访问资格。

3.2。分析大学生体育学习效果基于DM

3.2.1之上。数据采集

数据收集的内容包括教学数据(包括教师、学生数据,教学情况数据,设备状态数据,和课堂教学状态数据)和信息人员,科研、专利、论文、奖,和贷款,它们分布在许多信息在校园和涉及校园生活的各个方面。基于先天生成的关联规则算法,分析了元素与学生的学习效果,有利因素和不利因素,形成了目前的学习效果,并帮助教师科学优化的宠物。

DM技术的重要性逐渐显现。一方面,DM技术可以发现大量数据的隐藏的法律和不同数据之间的潜在关系。另一方面,DM也可以做出科学预测事物的未来发展,然后发挥最大价值的数据。在教育行业,多数的研究都是针对学生的成就,和学者探索教育的内部关系数据和学生的成就通过DM技术(18]。促进教育模式的转变,逐步改变传统的教学管理模式到个性化的教学体系。

DM必须处理的问题是找出有价值的隐藏事件在一个巨大的数据库,分析它们,获得有意义的信息,并总结有用的结构。人们已经发现,或高概率,树越小,树的预测能力越强。构建DT尽可能小,关键在于选择合适的逻辑判断或属性。在实际的评估活动,这些指标应该灵活可调。然后,预处理数据实现选定的DM算法。最后,DM的结果进行了分析。

数据收集的部分最多的参与者在整个系统操作。这里,角色的用户主要分为两类:教师和学生,我们的目标是实现完整的和准确的大规模评估数据的集合。数据采集的步骤如图所示4。

通过DM技术的应用,一个有效的宠物建立评价体系,分析了教学评估,发现和宠物的缺点,以改变教学计划,提高教学质量。在宠物的评价,学生年级完成水平的体育教师教学任务,体育教师的教学效果进行评估,并提出教学的意见。知识表达和评价阶段,获得有用的信息和关联规则表达式在DM阶段主要是显示给用户或相关应用程序的形式提供新知识。

变异系数是指专家的协调程度。变异系数越小,协调程度越高。如果变异系数大于0.25,认为协调程度不高(19,20.]。计算公式是

在哪里代表了变异系数,代表标准偏差,代表了算术平均值。

研究基于DM大学体育成绩管理系统旨在提高高校体育教师的工作效率和准确性,从乏味和枯燥的工作,解放他们,然后提高他们的管理水平和教学质量。的情况下设置测试类型,可以添加新的测试项目在每个测试类型,这些测试项目可以修改或删除。类似于测试类型分数设置,每个测试项目也有一定的重量,因此系统需要设置每个测试项的得分重量。系统可以全面分析学生体质根据他们的成就,包括历史的体育成就,并为提高他们的体质提供有价值的建议。

系统的用户是老师,学生,和系统管理员。其中,教师可以执行的操作包括测试类型管理、测试项目管理、成绩管理、成绩统计分析等,而学生只能参加年级管理。系统管理员可以执行所有操作,最大的操作权限。最终目标是提前发现潜在的问题在数据流。这些问题是多方面的,包括数据流和数据处理。

系统的零电平图反映了整体的数据流。虽然可以看到特定的业务,它不能清楚显示内部处理过程。因此,仍然需要分解zero-layer数据流图。从开发人员的角度来看,这可以改变业务需求,无需修改代码,只有通过调整业务逻辑,从而提高项目的开发效率,降低开发成本。

3.2.2。DM分析

在DM算法中,树模型是一种很常见的算法,可以解决分类和回归问题。在大多数情况下,它是用来处理分类问题。DT算法从数据和分类和预测输入变量和输出变量与不同的值在不同的情况下。DT的形成过程中,主要的组件特征选择,DT代和修剪。在整个生产过程中,首先,特点是在训练中选择设置为当前节点的分类标准;然后,根据评估标准,子节点生成从上到下,直到他们是分不开的。最后,进行减少修剪树结构的规模,为了防止DT过度拟合(21]。

ID3算法使用属性的信息增益作为节点选择的标准,认为属性信息增益高是好属性。ID3和C4.5算法都使用信息熵的概念,和C4.5算法使用信息增益率而不是信息增益作为判断标准的测试属性。分支节点生成的以这种方式所产生的不同属性,和每个分支代表样本的一个子集。

DT算法可以获得DT少不稳定的分割技术。让设置有样本数据和类属性有不同的价值观: 。

在课堂上假设样本的数量是 ,这个样品的总信息熵

的概率样本属于表示为或 。

然后,它需要计算熵值应该较小。所以对于一个子集现在,给出计算其期望值

现在假设一个决策系统的协调程度等 ;然后, 可以表示为 ;然后,决策协调程度

在哪里 代表的基数 。和 表示随机取出两个规则的可能性相同的祖先和继任者的决策系统。

然而,当计算属性信息的获得与ID3算法,使用对数运算,计算复杂度降低,所以原来的ID3算法相应的改善。

具体的算法流程如下:(1)所有属性决策的协调程度进行比较(2)计算信息增益的属性与决策协调程度(3)选择属性最高程度的协调节点分裂(4)使用递归调用,直到条件属性为空,最后生成DT

SVM(支持向量机)是一种监督机器学习算法;也就是说,有必要培养训练样本来获得最优分类超平面,然后根据培训结果进行分类。

假设有邻居的邻居样品样本子集的样本,你的邻居样本密度函数如下:

其中,是一个小惩罚等以过程和样品相同的值。

让 数据样本集,数据样本有相同的尺寸,所有这些吗 - - - - - -维向量。聚类的结果是找到一个合理的分区 ,,使分区满足以下关系:

粒子群优化(算法)算法广泛应用于实践,因为它快速收敛的优点,简单,精度高。PSO算法应用于支持向量机的简化支持向量来获得一个新的algorithm-PSO_SVM。支持向量的个数通过训练SVM粒子的维度,每个粒子的位置和速度。代表样本的隶属度,位置和速度改变成员的值。

每个粒子的位置由集群中心类。因为数据是一个示例 - - - - - -维向量的维数,确定粒子的位置和速度 。个人健身价值的计算步骤如下:

在哪里集群是样品的数量 。

训练样本集加工和PSO_SVM训练支持向量集,测试集的平均分类错误是作为粒子的健身价值。适应度函数被定义为

在哪里在测试集样本的数量,是预测值,是实际的价值。从上面的公式,粒子适应度值越小,越好。

的流动PSO_SVM算法如图5。(1)计算两种样本之间的距离和它们的类中心(2)获得一个模糊支持向量集的候选人(3)火车PSO_SVM子集的支持向量选择每个粒子获得决策函数(4)更新粒子群优化算法获得一组新成员的值(5)判断循环停止条件是否满足,结束时适应价值不再改变,并输出结果;否则,转到第2步(6)输出结果是用于火车PSO_SVM,决定减少支持向量的函数,和决策函数用于分类

4所示。结果分析

数据分析和挖掘的核心系统。它分为两个部分:一部分是初步分析评价数据的使用传统的统计计算方法并给出一个定量的结果的形式一个特定的分数为每个老师的评价结果。另一部分是DM技术应用于矿井和分析收集到的评估数据,发现有用的知识隐藏在数据,并提取了学校和相关老师学习。结合学校的教学数据和信息,介绍了先进的网络信息技术,并应用于教育管理、教学评估、无纸化考试,教学记录,学生归纳学习和教师的教学技术分析。

DT算法能够挖掘出潜在的物理测量数据之间的关系和学生的日常行为习惯。关联规则是我的物理测量数据之间的关联因素。基于数据预处理后,获得的数据信息的属性“心肺功能”大学生身体健康评估表中有两个不同的值。计算每个属性的信息利润率根据公式。计算结果如表所示1。

当生成DT, DM算法没有考虑数据丢失和噪声的问题在实际的过程中,所以它需要修剪后生成DT。修剪主要简化了DT模型通过控制树的大小,以避免过度拟合现象在某种程度上。反复分支被删除后,大大改善了DT模型的稳定性和可读性。

ID3算法是改善,证明了协调的程度决定,和训练样本集是由两种不同的方法进行测试。每个方法执行20每组实验的数据,和所有获得的实验数据的平均值计算,从而确保实验数据的普遍性。实验数据图所示6和7。

根据上面的两个图表中,虽然算法的准确性将减少与增加数据样本集,改进算法比原来的ID3算法在时间和准确性。

耐力分为有氧耐力和无氧耐力。体育课程设计的过程中,耐力素质的训练应根据每个事件的特点合理安排。宠物的过程中,不同的特殊的教学内容是不同的,而刺激强度学生,发展学生的身体素质,和肌肉群的发展也不同。宠物的过程中,相对应的模块特殊教学内容应科学地划分,和学生们的身体素质应该合理开发通过特殊的练习。

通过测试的评价指标学生速度素质(100米),它是发现(表2):在实验前后,1000年的平均分数对照组和实验组是相同的,都是7.6秒。实验后,实验组的成绩提高 ,这是明显不同于同一组实验。对照组的分数下降了0.4秒增加到 。测试结果有显著差异之前和之后的实验。

入学考试期间,学生掌握100米跑步技巧不够合理,以及他们的成就在一定程度上受到影响。在某种程度上,学生的100米跑技能积极转移,和他们的技能发展,这有利于改善他们的成就。此外,特殊的篮球实践的发展促进了学生的身体素质在某种程度上,尤其是他们的反应速度和移动速度,从而进一步促进学生的发展速度质量。

增加工作量和难度的体育教师,教师需要仔细分析体育赛事的特点,合理规划教学内容,科学地设计教学行为,不断吸收先进的教学理念,开拓创新,并努力提高自己的综合素质;同时,体育教师必须有很高的专业精神,无私奉献,提高他们的职业道德。

与进化代数 ,之间的关系的进化代数PSO_SVM和新算法 - - - - - -意味着算法和最佳的健身和组内的色散和比较。图8显示了标准数据集的分析虹膜。

可以看出,新算法的最佳的健身价值PSO_SVM逐步上升,达到最佳的健身进化代数约20时。而 - - - - - -意味着算法有一个最佳的健身价值高的前几代进化代数,但健身变化慢慢在以后的进化代数。

与传统的相比 - - - - - -意味着算法,改进的PSO_SVM算法可以实现更小的组内的色散和,可以达到最佳的健身价值较少的进化代数,并具有较高的聚类结果的准确性,但算法的稳定性需要进一步改善。

三两种数据集在UCI数据库被用在这个实验。为方便比较,三种算法的参数选择方法是一致的(1),培训时间,分类,分类精度验证了10倍和50%交叉验证的三个数据集。我们的算法的分类结果和其他两个算法数据所示9和10。

可以看出,该算法的训练时间和分类时间明显改善。与支持向量机相比, - - - - - -意思,这个算法的训练时间增加了54.26和55.69年代,分别和准确性率增加了35.62%。可以看出,训练速度是通过减少训练样本的数量提高了支持向量预选候选人,和分类速度提高利用PSO减少支持向量。

一些数据集可以用更少的支持向量,实现最好的分类效果和数据集4已经失去了0.08%的准确性相对。这可能是由于这一事实支持向量集获得的训练PSO_SVM已经稀疏数据集,和减少没有必要。然而,总的来说,本文算法提高了训练速度和分类速度,同时保证相同的分类精度。

适当的运动负荷意味着运动负荷范围内的宠物过程中教学内容应该适合增强学生的体质。体育课程负荷强度的确定需要根据确定的教学目标、教学内容、教学对象、教学环境和其他因素。新的模块化宠物结构模式是针对学生的个体差异,建立不同难度的训练方法,以确保所有的学生得到全面锻炼;根据学生的兴趣和爱好,选修课的设置,不同的体育赛事和有针对性的模块化设计进行了充分激发学生的学习兴趣。通过有效地记录体育教师的教学方法,结合学生的学术成就,分析它们之间的关系。

5。结论

DM技术的帮助下,深入研究体育产业数据不仅有较高的科学研究价值,而且具有巨大的社会意义,它可以极大地促进体育信息化的发展。摘要DM方法用于分析学生的调查数据的智能体育学习在物理教育机构和学生的潜在规则得到了体育在体育学院学习。基于PSO_SVM DM算法测试人工数据集和UCI数据集,并验证了算法的有效性。与支持向量机和k - means相比,该算法的训练时间是增加了54.26和55.69年代,分别和准确性率增加了35.62%。通过设置权重值来生成最终的评估数据,使用PSO_SVM集群算法和我的数据,学生或老师进行分类,然后,根据类改进提供指导或建议,可有效节省时间和提高教学质量。

数据可用性

标签数据集用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。