针对MOOC中学生行为数据的长短期混合特性,为解决辍学预测中的动态类别不平衡问题,提出一种基于深度学习的辍学预测策略。首先建立以天为时间步长、周为学习周期的新型学生行为时间序列,以捕捉每一时间步长下时间序列数据的短期依赖关...针对MOOC中学生行为数据的长短期混合特性,为解决辍学预测中的动态类别不平衡问题,提出一种基于深度学习的辍学预测策略。首先建立以天为时间步长、周为学习周期的新型学生行为时间序列,以捕捉每一时间步长下时间序列数据的短期依赖关系和相邻学习周期之间的长期模式和趋势。然后结合辍学定义的两种不同表达揭示MOOC辍学预测的动态类别不平衡现象。接着引入基于代价敏感的长短期时间序列深度学习模型,以实现对高辍学风险学生的精准预测。最后在KDD Cup 2015数据集上的实验证明,所提策略能够有效帮助MOOC课程教师和教学管理者追踪课程学生在不同时间步长的学习状态,从而动态监控不同学习阶段的辍学行为。展开更多
文摘针对奥地利微电子公司（AMS）推出的具有传感功能的标签芯片SL900A,提出一种适用SL900A标签芯片的超高频折叠偶极子标签天线。SL900A标签芯片符合EPC Class1 Gen2（860-960 MHz）标准,谐振频率在900MHz处芯片输入阻抗为31-320jΩ。本文通过HFSS电磁仿真软件对设计的天线进行建模、仿真,分析得出影响天线阻抗、谐振频率和带宽性能的关键尺寸参数,采用烟花算法（FWA）优化方法对天线关键尺寸参数进行优化。经过优化,天线功率反射系数小于-10 d B时带宽为10%,覆盖860-960 MHz频段,最大增益达到-0.98 d B,天线与SL900A标签芯片实现良好的共轭阻抗匹配。根据优化结果制作天线实物,测试结果表明设计实现的天线适用于SL900A标签芯片。
文摘针对MOOC中学生行为数据的长短期混合特性,为解决辍学预测中的动态类别不平衡问题,提出一种基于深度学习的辍学预测策略。首先建立以天为时间步长、周为学习周期的新型学生行为时间序列,以捕捉每一时间步长下时间序列数据的短期依赖关系和相邻学习周期之间的长期模式和趋势。然后结合辍学定义的两种不同表达揭示MOOC辍学预测的动态类别不平衡现象。接着引入基于代价敏感的长短期时间序列深度学习模型,以实现对高辍学风险学生的精准预测。最后在KDD Cup 2015数据集上的实验证明,所提策略能够有效帮助MOOC课程教师和教学管理者追踪课程学生在不同时间步长的学习状态,从而动态监控不同学习阶段的辍学行为。
