有序学习是机器学习中的一种特殊的有监督学习方法,它可有效利用数据之间的等第关系,备受研究者的广泛关注。基于费希尔判别分析的有序回归模型LDLOR(Linear Discriminant Learning for Ordinal Regression)虽有效解决有序数据的分类或回归问题,但未能有效利用数据的结构信息等。为此,论文以LDLOR模型为基础,结合高校本科生期末成绩预测场景,侧重围绕嵌入局部结构保持和类内离散度自适应调整的有序学习开展研究。主要工作如下:1.提出了基于局部保持的有序回归学习算法(LSP-LDLOR)、基于自适应局部保持的有序回归学习算法(SaLSP-LDLOR)。LSP-LDLOR 算法以 IMED-LDLOR(IMED:IMage Euclidean Distance)为基础,嵌入样本空间局部结构信息;进一步,对局部保持矩阵进行了自适应调整,得到优化的局部保持矩阵,以此构建基于自适应局部保持的有序回归学习算法SaLSP-LDLOR。将LSP-LDLOR算法与SaLSP-LDLOR算法在人脸表情数据集JAFFE和人脸年龄数据集FG-NET上与IMED-LDLOR算法进行了比较,实验验证了算法的有效性。2.提出了基于自适应类内离散度的有序回归学习(SaSw-LDLOR)算法、基于局部保持自适应类内离散度的有序回归学习(LSaSw-LDLOR)算法。以IMED-LDLOR为基础,对类内离散度矩阵进行模糊自适应调整,构建基于自适应类内离散度的有序回归学习算法。进一步,嵌入局部结构保持信息,设计出基于局部保持自适应类内离散度的有序回归学习算法LSaSw-LDLOR。将SaSw-LDLOR算法与LSaSw-LDLOR算法在人脸表情数据集JAFFE和人脸年龄数据集FG-NET上与IMED-LDLOR算法进行了比较,实验验证了算法的有效性。3.利用新设计的有序学习算法进行成绩预测。以南京师范大学2017级某学院的大学计算机基础课程成绩预测为背景,以此验证新设计算法的适用性。训练集来自学生们一整个学期的课堂考勤、一卡通消费、图书馆进出、上网时段与时长以及过程性考核等信息。分析了经典的机器学习算法和有序回归学习算法对样本学生的期末成绩预测的准确率等,在成绩预测实验中验证了新提出算法的实用性。