[发明专利]一种基于改进的模糊C均值聚类方法的体育成绩预测方法

权利要求书

1.一种基于改进的模糊C均值聚类方法的体育成绩预测方法，具体步骤如下，其特征在于：

步骤1，获取训练样本：采集学生的各项项目的成绩和人工评定的成绩，并根据相关标准确定各项项目的得分；

步骤2，映射编码处理：将采集到的各项项目成绩进行映射编码，而后将各项成绩拼接组成特征向量；

步骤2中的成绩的编码处理准则可表述如下：

式中，x表示需要编码的成绩，x_c表示编码后的成绩，x_min和x_max分别是所有样本数据同一项目对应的最小值和最大值；

步骤3，模型离线训练：利用训练样本组成的特征向量对改进的模糊C均值聚类方法进行训练，确定各分数段的聚类中心；

步骤3中对改进的模糊C均值聚类方法进行训练的具体步骤为：

步骤3.1，定义代价函数J，对样本集X＝{x₁,x₂,x₃,...,x_N}，其中x₁＝{u₁₁,u₁₂,...,u_1n}，模糊组的数量c设定为10，J用于对每组的聚类中心v_i(i＝1,2,...,c)的求解，其定义为每组数据与聚类中心v_i中心距离的平方和，具体的表达式如下：

式中，U＝{u_ij}表示隶属度矩阵，V＝{v_i}表示聚类中心矩阵，m为模糊系数，本专利选择为2，d_ij表示样本x_i与聚类中心c_j之间的改进的欧式距离，本专利将其重新进行定义，表达式如下：

式中，u_ik表示u_i的第k个特征量，v_ik表示v_i的第k个特征量，s_k表示第k个分量的标准差。

步骤3.2，设定迭代终止的阈值ε和隶属度矩阵U；

步骤3.3，构建拉格朗日函数，并更新各聚类中心，更新的准则为：

步骤3.4，更新隶属度矩阵，更新的准则为：

步骤3.5，判断相邻的隶属度矩阵之间的误差是否满足迭代终止阈值ε，若满足，则停止迭代，反之跳转至步骤3.4继续迭代；

步骤4，模型在线打分：利用训练好的模型在线对学生成绩进行预测，并将分数实时输出。

2.根据权利要求1所述的一种基于改进的模糊C均值聚类方法的体育成绩预测方法，其特征在于：步骤4中在线对学生成绩进行预测的具体步骤为：

步骤4.1，确定每个聚类中心对应的分数段，其中10个聚类中心对应的分数段分别为0～10、11～20、21～30、31～40、41～50、51～60、61～70、71～80、81～90和91～100，每个聚类中心的基础值b_j，j＝1,2,...,c分别为0、10、20、30、40、50、60、70、80和90；

步骤4.2，计算每个聚类中心的最大的改进的欧式距离j＝1,2,...,c；

步骤4.3，确定在线输入数据所属的类别以及对应的改进的欧式距离d^j；

步骤4.4，确定最终的预测得分s，计算公式如下：