
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于改进的鲸鱼优化算法与LSTM结合的深度学习框架对大学生心理状态的预测
《Scientific Reports》:Prediction of college student psychological state based on deep learning framework combining the improved Whale Optimization Algorithm and LSTM
【字体: 大 中 小 】 时间:2026年06月25日 来源:Scientific Reports 4.9
编辑推荐:
摘要在智能教育领域,准确预测大学生的心理状态对于提升教学质量和实施心理健康干预至关重要。由于心理状态数据具有时间依赖性和非线性特征,传统机器学习方法存在局限性,而长短期记忆网络(LSTM)则对超参数敏感,且容易过早收敛。为解决这些问题,本文提出了一种CNWOA-LSTM框架,该框
在智能教育领域,准确预测大学生的心理状态对于提升教学质量和实施心理健康干预至关重要。由于心理状态数据具有时间依赖性和非线性特征,传统机器学习方法存在局限性,而长短期记忆网络(LSTM)则对超参数敏感,且容易过早收敛。为解决这些问题,本文提出了一种CNWOA-LSTM框架,该框架将改进后的鲸鱼优化算法(WOA)与LSTM相结合:通过混沌初始化来增强种群多样性及全局搜索能力,同时引入特殊操作符以避免过早收敛;改进后的WOA用于优化LSTM的关键超参数,包括隐藏单元数、学习率、丢弃率以及批量大小。实验是在一个公开的Kaggle数据集上进行的,该数据集包含大学生的行为特征、学习互动数据以及心理评估指标。将CNWOA-LSTM与传统的机器学习模型(SVM、随机森林、GBDT)、经典的深度学习模型(CNN、Transformer、GRU、BiLSTM),以及经过元启发式算法优化的LSTM模型(DE-LSTM、HHO-LSTM、MPA-LSTM、AOA-LSTM、RSA-LSTM)进行了比较。实验结果显示,CNWOA-LSTM的准确率为93.64%,比原始LSTM高9.33%,比标准WOA-LSTM高6.63%,并且比其他经过元启发式算法优化的LSTM模型高5.21%–7.34%,从而证明了其在心理状态预测方面的有效性。
生物通微信公众号