發(fā)布時間：2020-11-22 07:16

　　 隨著大數(shù)據(jù)、云計算、人工智能等技術在各高等學校數(shù)字化校園、智慧化校園建設的廣泛應用。在教育大數(shù)據(jù)環(huán)境下,高校用好這些數(shù)據(jù),不僅影響著高等學校整個教育教學體系的有序運行,而且也必將成為助力高等學校推動教育教學體系改革、創(chuàng)新的不竭動力。本文以Y校學生評教數(shù)據(jù)和學生在線學習數(shù)據(jù)為研究對象,聚焦教學運行情況和學生自主學習情況,利用基于改進的K-modes算法對課堂教學運行狀況進行了聚類分析,利用基于機器學習的神經(jīng)網(wǎng)絡算法對學生在線課程學習情況進行了預測和對比研究,希望能對高校教學管理體系構建和教學管理體系改革、創(chuàng)新提供有意義的參考。主要開展了兩項研究工作:一是通過對某高校學生評教數(shù)據(jù)進行了初步的分析和變換,利用改進的余弦相異度算法對異常評教數(shù)據(jù)進行了剔除,采用歸一化方法對評教數(shù)據(jù)進行了標準化,采用傳統(tǒng)的K-modes算法對評教數(shù)據(jù)進行了初步的聚類分析,指出其存在的三個方面問題,并基于這三個問題,從聚類族數(shù)確定、初始聚類中心確定和聚類距離度量等三個方面對傳統(tǒng)的K-modes算法進行了改進,實驗結(jié)果表明,改進后的算法更合理性和有效性。二是對某高校學生在線學習數(shù)據(jù)進行規(guī)格化處理,建立了基于機器學習的神經(jīng)網(wǎng)絡模型,并對同一門課程同一名教師不同班級、同一門課程不同教師在不同班級、不同課程不同教師不同班級等三種情況進行預測,結(jié)果表明模型具有較好的適應性;在此基礎上,將該模型與傳統(tǒng)的回歸分析模型預測結(jié)果進行對比,實驗結(jié)果表明該模型在各項指標上都優(yōu)于回歸分析結(jié)果。本文盡管以某高校真實數(shù)據(jù)為研究對象,對教學運行狀態(tài)及學生在線學習等兩個方面進行了一些有意的探索,也得出了一些有一定參考價值的初步結(jié)論,但是由于時間比較倉促,加之個人的能力有限,還沒有形成比較系統(tǒng)的軟件,后續(xù)將會繼續(xù)開展研究工作,為教學管理者、教師、學生能夠及時、準確地掌握真實的教學狀況,不斷提升教學質(zhì)量。
【學位單位】：延安大學
【學位級別】：碩士
【學位年份】：2020
【中圖分類】：TP183;G642
【部分圖文】：

K-modes算法與神經(jīng)網(wǎng)絡在教學評價與學習預測中的應用研究-15-者仍致力于神經(jīng)網(wǎng)絡的研究，極大地助推了神經(jīng)網(wǎng)絡的研究和發(fā)展，為今天的神經(jīng)網(wǎng)絡在各個領域的廣泛應用和快速發(fā)展奠定了堅實的基矗由于神經(jīng)網(wǎng)絡是基于模擬生物神經(jīng)系統(tǒng)工作的產(chǎn)物，人們經(jīng)過幾十年的研究總結(jié)，該網(wǎng)絡中的工作單元可分為三種類型，分別稱作為輸入單元、輸出單元和隱單元，其具有非線性、非局限性、非常定性、非凸性等特征，具有自學習功能、聯(lián)想存儲功能和高速尋找優(yōu)化解的能力等優(yōu)點[43,44]。目前人們對神經(jīng)網(wǎng)絡的應用主要是基于對人腦的仿真，采用基于機器學習的方法將等處理問題劃分為若干個處理單元，通過分布式并行處理機制，使非結(jié)構信息和一些感知信息的處理較過去有了質(zhì)的轉(zhuǎn)變，為神經(jīng)網(wǎng)絡在眾多領域的應用開辟了新空間。2.3.2神經(jīng)網(wǎng)絡的基本結(jié)構與分類（1）基本結(jié)構多層結(jié)構由三部分組成，即輸入層（Inputlayer）、隱藏層（Hiddenlayer）、輸出層（Outputlayer），輸入層和輸出層通常也稱之為交互層，隱藏層通常也稱之為處理層，具體如圖2-1所示：圖2-1神經(jīng)網(wǎng)絡結(jié)構示意圖Fig.2-1Neuralnetworkstructure輸入層（Inputlayer），該層由眾多的神經(jīng)元（Neuron）組成，其作用是用來接收外部大量非線形信息。輸入層的信息輸入通常是以向量的方式組織的。輸出層（Outputlayer），該層的作用將網(wǎng)絡接收到的信息經(jīng)過隱藏層神經(jīng)元傳輸、分析、處理形成結(jié)果信息輸出。輸出層的信息輸出通常也是以向量方式組織的。隱藏層（Hiddenlayer），有時也稱為“隱層”，是輸入層和輸出層之間所中間對象的總稱，因此，隱層可以有多個層，但習慣上仍將其看作是一層。隱藏層的神經(jīng)輸入輸出隱藏神經(jīng)

第二章相關概念與技術-16-元數(shù)目及層數(shù)通常與具體問題相關聯(lián)，對于有多個隱藏層的網(wǎng)絡而言，它的前一個層的輸出就是它的下一層的輸入。（2）神經(jīng)元也稱之為神經(jīng)單元或神經(jīng)節(jié)點，和生物學類似，神經(jīng)元是構成神經(jīng)網(wǎng)絡的核心，圖2-2和圖2-3分別展示了神經(jīng)元的生物結(jié)構示意圖和網(wǎng)絡結(jié)構示意圖。神經(jīng)元主要由樹突、突觸、細胞體和軸突組成，其中樹突是輸入通道，將其感知到的電位傳遞至細胞體；神經(jīng)細胞體一個二態(tài)機，當接收到信號量達到或超過預先設置的閾值時被激活，狀態(tài)為“是”，否則不被激活（被抑制），狀態(tài)“否”；軸突是傳輸通道，將神經(jīng)細胞體產(chǎn)生信號經(jīng)突觸傳遞到其它神經(jīng)元。神經(jīng)元作為神經(jīng)網(wǎng)絡最基本的構件，擔負著計算或處理功能，通常以計算函數(shù)稱為激勵函數(shù)（ActivationFunction）方式加表示，針對于不同的應用目的其擔負的功能也有較大的差異，因此再選擇時要十分謹慎。具有代表性的激勵函數(shù)有：ReLu函數(shù)（RectifiedLinearUnitsSigmoid）、雙曲正切函數(shù)（Tanh）和softmax函數(shù)等。圖2-2神經(jīng)元的生物結(jié)構示意圖圖2-3神經(jīng)元的神經(jīng)網(wǎng)絡結(jié)構示意圖Fig.2-2NeuronalcellstructureFig.2-3Neuronalstructureinneuralnetworks在圖2-3中，xi表示輸入信息,wi表示權重,b偏移值（也稱為截距）,y表示輸出信息，它們之間的關系如下：設掀（2-6）其中這里的掀掀（2-7）掀掀)（2-8）

第二章相關概念與技術-16-元數(shù)目及層數(shù)通常與具體問題相關聯(lián)，對于有多個隱藏層的網(wǎng)絡而言，它的前一個層的輸出就是它的下一層的輸入。（2）神經(jīng)元也稱之為神經(jīng)單元或神經(jīng)節(jié)點，和生物學類似，神經(jīng)元是構成神經(jīng)網(wǎng)絡的核心，圖2-2和圖2-3分別展示了神經(jīng)元的生物結(jié)構示意圖和網(wǎng)絡結(jié)構示意圖。神經(jīng)元主要由樹突、突觸、細胞體和軸突組成，其中樹突是輸入通道，將其感知到的電位傳遞至細胞體；神經(jīng)細胞體一個二態(tài)機，當接收到信號量達到或超過預先設置的閾值時被激活，狀態(tài)為“是”，否則不被激活（被抑制），狀態(tài)“否”；軸突是傳輸通道，將神經(jīng)細胞體產(chǎn)生信號經(jīng)突觸傳遞到其它神經(jīng)元。神經(jīng)元作為神經(jīng)網(wǎng)絡最基本的構件，擔負著計算或處理功能，通常以計算函數(shù)稱為激勵函數(shù)（ActivationFunction）方式加表示，針對于不同的應用目的其擔負的功能也有較大的差異，因此再選擇時要十分謹慎。具有代表性的激勵函數(shù)有：ReLu函數(shù)（RectifiedLinearUnitsSigmoid）、雙曲正切函數(shù)（Tanh）和softmax函數(shù)等。圖2-2神經(jīng)元的生物結(jié)構示意圖圖2-3神經(jīng)元的神經(jīng)網(wǎng)絡結(jié)構示意圖Fig.2-2NeuronalcellstructureFig.2-3Neuronalstructureinneuralnetworks在圖2-3中，xi表示輸入信息,wi表示權重,b偏移值（也稱為截距）,y表示輸出信息，它們之間的關系如下：設掀（2-6）其中這里的掀掀（2-7）掀掀)（2-8）
【相似文獻】

相關期刊論文 前10條

1 白亮;梁吉業(yè);曹付元;;基于粗糙集的改進K-Modes聚類算法[J];計算機科學;2009年01期

2 李仁侃;葉東毅;;粗糙K-Modes聚類算法[J];計算機應用;2011年01期

3 林紅陽;杜翼;劉林;易楊;蔡菁;馬漢斌;;基于動態(tài)層次K-Modes的電網(wǎng)數(shù)據(jù)聚類分析[J];四川電力技術;2019年06期

4 曹文婷;鄒海;段鳳玲;;基于模糊K-Modes和免疫遺傳算法的聚類分析[J];計算機技術與發(fā)展;2009年02期

5 張小宇;梁吉業(yè);曹付元;于慧娟;;基于加權連接度的改進K-Modes聚類算法[J];廣西師范大學學報(自然科學版);2008年03期

6 張偉;周霆;陳蕓;鄒漢斌;;動態(tài)的模糊K-Modes初始化算法[J];計算機工程與設計;2006年04期

7 梁吉業(yè);白亮;曹付元;;基于新的距離度量的K-Modes聚類算法[J];計算機研究與發(fā)展;2010年10期

8 趙亮;劉建輝;張昭昭;;基于貝葉斯距離的K-modes聚類算法[J];計算機工程與科學;2017年01期

9 肖力;BP學習算法及其收斂速度的改進[J];微計算機應用;2003年04期

10 呂宏伯，黃錚，張方;神經(jīng)網(wǎng)絡BP算法的一種改進[J];北京工業(yè)大學學報;1995年01期

相關博士學位論文 前10條

1 姚賽;兩類新型神經(jīng)網(wǎng)絡及其在非線性系統(tǒng)控制中的應用[D];東北石油大學;2015年

2 吳靜;入侵檢測中神經(jīng)網(wǎng)絡融合學習方法的研究[D];吉林大學;2010年

3 江沸菠;基于神經(jīng)網(wǎng)絡的混合非線性電阻率反演成像[D];中南大學;2014年

4 陸婷;進化回歸神經(jīng)網(wǎng)絡的研究及應用[D];華南理工大學;2003年

5 楊文宇;利用狀態(tài)函數(shù)導數(shù)的脈沖神經(jīng)網(wǎng)絡新算法[D];大連理工大學;2013年

6 王洪燕;基于神經(jīng)網(wǎng)絡的進化機器人行為集成方法的研究[D];合肥工業(yè)大學;2000年

7 艾芳菊;模糊神經(jīng)網(wǎng)絡的結(jié)構優(yōu)化研究[D];中國科學院研究生院（成都計算機應用研究所）;2006年

8 向直揚;競爭學習神經(jīng)網(wǎng)絡的廣義訓練理論、算法及應用研究[D];湖南大學;2017年

9 肖理業(yè);基于機器學習的電磁場建模與設計研究[D];電子科技大學;2019年

10 陳涵瀛;核電站熱工水力系統(tǒng)工況預測與診斷方法研究[D];哈爾濱工程大學;2018年

相關碩士學位論文 前10條

1 崔桓睿;K-modes算法與神經(jīng)網(wǎng)絡在教學評價與學習預測中的應用研究[D];延安大學;2020年

2 劉逗逗;基于動態(tài)權重的k-modes聚類算法[D];延安大學;2020年

3 陳彩棠;相異度量的k-modes聚類算法研究[D];太原理工大學;2012年

4 賈彬;K-Modes聚類算法優(yōu)化研究[D];北京工業(yè)大學;2019年

5 趙月嬌;基于生物地理優(yōu)化算法的神經(jīng)網(wǎng)絡故障診斷方法研究[D];東北石油大學;2013年

6 宋祿杉;基于蜂群算法優(yōu)化的神經(jīng)網(wǎng)絡在異步電機的故障診斷研究[D];中北大學;2018年

7 李成;OFDM系統(tǒng)中基于神經(jīng)網(wǎng)絡的定位跟蹤算法研究[D];西安郵電大學;2013年

8 王允霞;蜂群算法的研究及其在人工神經(jīng)網(wǎng)絡中的應用[D];華南理工大學;2013年

9 劉宏剛;基于神經(jīng)網(wǎng)絡的室內(nèi)定位算法的研究與實現(xiàn)[D];北京工業(yè)大學;2017年

10 張婧;基于粒子濾波和神經(jīng)網(wǎng)絡的行人跟蹤算法研究[D];大連交通大學;2014年

本文編號：2894329