本站小編為你精心準備了動態模糊格的學生能力評價參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《消費電子雜志》2014年第十三期

一、動態模糊格值關系學習算法

根據動態模糊格的基礎理論，許多學者構建了動態模糊格值關系學習算法。在上述決策樹學習問題中，其核心是用屬性-值對實例進行描述，在具體到動態模糊問題中，可以用動態模糊變量(DynamicFuzzyVariable)、動態模糊數(DynamicFuzzyNumber)等對屬性和值進行描述和表達，這樣基于傳統清晰問題的決策樹描述可以擴展為動態模糊決策樹。動態模糊格值關系學習算法的主要過程描述如下：

1.用動態模糊格表示研究對象及其相關信息；

2.對研究對象中每個條件屬性，根據其屬性值的不同，將其劃分成多個分支；

3.對每個條件屬性，計算將實例劃分為某類值的確定度，計算決策屬性的值為該類值的實例個數占總實例個數的比例；

4.根據計算所得到的條件屬性的分類確定度和決策屬性的比例，計算決策樹分類中條件屬性對應的值，該值的值域為0～1；將其中計算結果最小的屬性作為分支屬性，并對屬性進行相應劃分；

5.對上述劃分后的實例進行判斷，如各實例為同一類別，則將其確定為葉子結點；否則，轉到2.再次進行劃分、計算、判斷；對于已用于分支的屬性不再進行操作；

6.直到把所有實例分類完成，則整個決策樹構建完成。

二、學生學習能力評價模型

上述動態模糊格值關系學習算法是否能夠達到對經典ID3算法的優化呢？下面我們通過一個具體的實例來驗證一下。以學生學習效果調查的相關數據進行處理，構建學生學習能力評價模型，為學校、家長、用人單位了解學生提供參考依據。對上述表1中各實例的具體數據分別采用一個量化的值來表達，形成表2所示的動態模糊化后的實例集。條件屬性包括：學習態度A，聽課效果L，師生互動I，聰明程度C，學習效率P，對應各屬性的屬性值，將所有實例進行如下劃分：從上面的結果可以看出，分類確定度最小的是屬性A學習態度，所以此處分支結點選擇屬性A學習態度，也就是根結點。屬性A學習態度中屬性值為0.2的的這個分支作為葉子結點，因為該分支中的實例都屬于同一個類別。其中分類確定度最小的是屬性L聽課效果，所以分支結點選擇屬性L聽課效果，屬性值為0.7和0.5的這兩個分支作為葉子結點。

對于屬性A學習態度的0.4這個分支，也分別進行分類劃分并計算其分類確定度，結果為：從上面的結果中可以看出，分類確定度最小的是屬性C聰明程度，因此分支結點選擇屬性C聰明程度，屬性值為0.6和0.2的這兩個分支作為其葉子結點。到此，整個實例集全部分類完畢，因此結束該決策樹的構建。

下圖是根據上述算法構建的學生學習能力評價模型決策樹樹形結構：五、結束語本文根據動態模糊格的基本理論，建立了基于動態模糊格的決策樹算法，最后根據這一算法構建了學生學習能力評價模型，驗證了該算法的有效性。

作者：密君英單位：蘇州農業職業技術學院信息與機電工程系