针对“校园大数据”累积的海量数据呈现出离散性、稀疏性等问题,如何从基数大、活动广、个性强的校园学生群体中检测出潜在的、有异常行为的学生,已成为学生异常行为分析亟需解决的问题.本文提出了一种大数据环境下基于多模态融合的大...针对“校园大数据”累积的海量数据呈现出离散性、稀疏性等问题,如何从基数大、活动广、个性强的校园学生群体中检测出潜在的、有异常行为的学生,已成为学生异常行为分析亟需解决的问题.本文提出了一种大数据环境下基于多模态融合的大学生异常行为预警方法(early warning method for abnormal behavior of college students based on multi-modal fusion in big data environment,EWMAB).首先,针对学生行为画像的表征不够丰富,行为标签存在时效性、动态性等问题,建立一种基于多模态特征深度学习的跨模态学生行为画像模型;其次,针对学生异常行为预测、预警的时效性和后置性问题,在学生行为画像和学生行为分类预测基础上,提出了一种基于多模态融合的学生异常行为预警方法,通过长短期记忆神经网络(long and short term memory networks,LSTM),结合学生行为多指标数据和文本信息来解决学生异常行为预警问题;最后,本文通过应用实例验证模型以学生学习成绩异常预警为例,与其他预警算法相比,EWMAB方法可以提高预警的准确性,实现学生异常行为预警的时效性和前置性,从而使学生教育工作更具有针对性、个性化和预测性.展开更多
针对传统基于定向扩散命名数据网络(Directed Diffusion Named Data Network,DD-NDN)转发策略未考虑传感器节点的能量、存储、带宽的实际约束,无法完全适用于物联网大数据转发的问题,提出考虑邻居节点空间信息与能量信息的改进NDN路由...针对传统基于定向扩散命名数据网络(Directed Diffusion Named Data Network,DD-NDN)转发策略未考虑传感器节点的能量、存储、带宽的实际约束,无法完全适用于物联网大数据转发的问题,提出考虑邻居节点空间信息与能量信息的改进NDN路由转发策略。在分析传统NDN转发策略的优点与不足的基础上,建立适用于物联网大数据转发的NDN通信模型;通过邻居节点交换空间信息与剩余电量信息的方式构建转发列表,并采用贪婪转发策略实现数据的高效转发;在NDNSim仿真环境下,对相同算例进行对比验证分析。仿真结果表明,与仅考虑最邻近节点转发的定向扩散NDN方法相比,该策略的平均路由跳数、平均路由延时和丢包率分别下降了11.11%、20.40%和82.14%。展开更多
文摘针对“校园大数据”累积的海量数据呈现出离散性、稀疏性等问题,如何从基数大、活动广、个性强的校园学生群体中检测出潜在的、有异常行为的学生,已成为学生异常行为分析亟需解决的问题.本文提出了一种大数据环境下基于多模态融合的大学生异常行为预警方法(early warning method for abnormal behavior of college students based on multi-modal fusion in big data environment,EWMAB).首先,针对学生行为画像的表征不够丰富,行为标签存在时效性、动态性等问题,建立一种基于多模态特征深度学习的跨模态学生行为画像模型;其次,针对学生异常行为预测、预警的时效性和后置性问题,在学生行为画像和学生行为分类预测基础上,提出了一种基于多模态融合的学生异常行为预警方法,通过长短期记忆神经网络(long and short term memory networks,LSTM),结合学生行为多指标数据和文本信息来解决学生异常行为预警问题;最后,本文通过应用实例验证模型以学生学习成绩异常预警为例,与其他预警算法相比,EWMAB方法可以提高预警的准确性,实现学生异常行为预警的时效性和前置性,从而使学生教育工作更具有针对性、个性化和预测性.
文摘针对传统基于定向扩散命名数据网络(Directed Diffusion Named Data Network,DD-NDN)转发策略未考虑传感器节点的能量、存储、带宽的实际约束,无法完全适用于物联网大数据转发的问题,提出考虑邻居节点空间信息与能量信息的改进NDN路由转发策略。在分析传统NDN转发策略的优点与不足的基础上,建立适用于物联网大数据转发的NDN通信模型;通过邻居节点交换空间信息与剩余电量信息的方式构建转发列表,并采用贪婪转发策略实现数据的高效转发;在NDNSim仿真环境下,对相同算例进行对比验证分析。仿真结果表明,与仅考虑最邻近节点转发的定向扩散NDN方法相比,该策略的平均路由跳数、平均路由延时和丢包率分别下降了11.11%、20.40%和82.14%。