This article presents a study of ac

This article presents a study of academic performance evaluation using soft computing techniques inspired by the successful application of K-means, fuzzy C-means (FCM), subtractive clustering (SC), hybrid subtractive clustering-fuzzy C-means (SC-FCM) and hybrid subtractive clustering-adaptive neuro fuzzy inference system (SC-ANFIS) methods for solving academic performance evaluation problems. Modelling of students’ academic performance is a difficult optimization problem. We explore the applicability of K-means and FCM, SC, hybrid SC-FCM and SCANFIS clustering methods to the new student’s allocation problem, which allocates new students into some classes that consist of similar students and the number of students in each class not exceeding its maximum capacity. The models were combined with fuzzy logic techniques to analyse the students’ results. In this article, we have conducted clustering based computational experiments to analyse the effects of the different clustering algorithms like K-means, FCM, SC, hybrid SC-FCM and hybrid SC-ANFIS clustering methods for modelling students’ academic performance evaluation. Based on the comparison of the results, it is found that the hybrid SC-ANFIS clustering is better than the other methods.

Kết quả (Việt) 1:

Bài này trình bày một nghiên cứu đánh giá hiệu suất học tập bằng cách sử dụng kỹ thuật tính toán mềm lấy cảm hứng từ các ứng dụng thành công của K-có nghĩa là, mờ C-có nghĩa là (FCM), trừ kết cụm (SC), lai phối C-có nghĩa là cụm mờ (SC-FCM) và lai trừ clustering-adaptive neuro mờ suy luận hệ thống (SC-ANFIS) các phương pháp để giải quyết vấn đề đánh giá hiệu suất học tập. Mô hình của học sinh học tập hiệu quả là một vấn đề tối ưu hóa khó khăn. Chúng tôi khám phá các ứng dụng của phương tiện K và FCM, SC, lai SC-FCM và SCANFIS kết cụm phương pháp cho các vấn đề phân bổ học sinh mới mà phân bổ sinh viên mới vào một số lớp học bao gồm các tương tự như sinh viên và số học sinh mỗi lớp không vượt quá công suất tối đa của nó. Các mô hình đã được kết hợp với logic mờ kỹ thuật để phân tích kết quả của học sinh. Trong bài này, chúng tôi đã tiến hành kết cụm thí nghiệm tính toán dựa trên phân tích ảnh hưởng của thuật toán kết cụm khác nhau như K-có nghĩa là, FCM, SC, lai SC-FCM và phương pháp kết cụm hybrid SC-ANFIS mô hình học sinh học tập hiệu quả đánh giá. Dựa trên việc so sánh kết quả, nó được tìm thấy rằng clustering hybrid SC-ANFIS là tốt hơn so với các phương pháp khác.

Kết quả (Việt) 2:

Bài viết này trình bày một nghiên cứu về đánh giá kết quả học tập sử dụng các kỹ thuật mềm máy tính lấy cảm hứng từ các ứng dụng thành công của K-means, mờ C-means (FCM), trừ clustering (SC), lai trừ phân nhóm-mờ C-means (SC-FCM) và lai trừ thần kinh hệ thống suy luận mờ phân nhóm thích nghi (SC-ANFIS) phương pháp để giải quyết vấn đề đánh giá kết quả học tập. Mô hình kết quả học tập của học sinh là một vấn đề tối ưu hóa khó khăn. Chúng tôi khám phá những khả năng ứng dụng của K-means và FCM, SC, lai SC-FCM và SCANFIS phân nhóm các phương pháp cho vấn đề phân bổ học sinh mới, đó sẽ phân bổ sinh viên mới vào một số lớp học bao gồm học sinh tương tự và số lượng học sinh trong mỗi lớp không quá công suất tối đa của nó. Các mô hình đã được kết hợp với các kỹ thuật logic mờ để phân tích kết quả của học sinh. Trong bài viết này, chúng tôi đã tiến hành phân nhóm dựa trên thí nghiệm điện toán để phân tích những tác động của các thuật toán phân nhóm khác nhau như K-means, FCM, SC, lai SC-FCM và hybrid SC-ANFIS phương pháp phân nhóm để lập mô hình đánh giá kết quả học tập của học sinh. Dựa trên việc so sánh các kết quả, nó được tìm thấy rằng lai SC-ANFIS clustering là tốt hơn so với các phương pháp khác.