CN110188928A - 一种云数据教育培训过程的形成性优化系统及方法 - Google Patents
一种云数据教育培训过程的形成性优化系统及方法 Download PDFInfo
- Publication number
- CN110188928A CN110188928A CN201910404512.7A CN201910404512A CN110188928A CN 110188928 A CN110188928 A CN 110188928A CN 201910404512 A CN201910404512 A CN 201910404512A CN 110188928 A CN110188928 A CN 110188928A
- Authority
- CN
- China
- Prior art keywords
- data
- student
- module
- study
- wish
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000005457 optimization Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 title claims abstract description 35
- 230000008569 process Effects 0.000 title claims abstract description 31
- 230000000694 effects Effects 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000003993 interaction Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 3
- 230000008901 benefit Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012482 interaction analysis Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000013524 data verification Methods 0.000 claims description 2
- 229910002056 binary alloy Inorganic materials 0.000 claims 1
- 230000000903 blocking effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 abstract 1
- 238000009825 accumulation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Educational Technology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明属于大数据技术领域，涉及一种云数据教育培训过程的形成性优化系统及方法，云数据教育培训过程的形成性优化系统包括：学生反馈信息采集模块、学习意愿判断模块、学习效果判断模块、学习条件判断模块、智能网关A、数据处理器、学习成绩录入模块、智能网关B、数据库、机器学习模块。本发明通过教育终端与云服务器之间的相互通信，利用大数据技术和机器学习，使系统能够快速达到最佳状态、将学生的学习状态分为意愿、条件、效果，层次分析使系统评价更客观。本发明中机器学习模块在改进课程的过程中，采用改进的分块特征匹配算法对学生意愿程度与课程相匹配，能够很好地实现特征点的正确匹配，具有很高的使用价值，提高匹配精度和计算速度。
Description
技术领域
本发明属于大数据技术领域，尤其涉及一种云数据教育培训过程的形成性优化系统及方法。
背景技术
随着在线教育产业迅速发展，如何构建在线课程教学评价优化体系，有效发挥评价机制成为亟需解决的问题。由于在线教育无法进行课堂上的面对面交流和对学生能力的准确定位，往往存在评价单向性、忽视过程评价、评价形式简单等问题。
传统评价往往关注学生最终的学习成绩，忽略学习过程。而形成性评价将关注点的一部分转移到学生的学习过程，比如，学生在这个过程中的行动、效果、意愿等，能够帮助学生纠正学习习惯、调整学习方法和学习目标，检测其学习效果，最终达到完成课程学习，提升学生能力的目标。
综上所述，现有技术存在的问题是：
(1)现有技术中使用大数据配合机器学习技术，导致系统不能够快速达到最佳状态；降低了对学生的学习状态分为意愿、条件、效果，层次分析的客观性。
(2)现有技术中对数据进行解密的过程中，采用传统的算法对数据进行解密，不能避免数据被非法分子抓包截取，提高了软件潜在风险，降低了传输速度。
(3)现有技术中数据处理器将来自学习效果判断模块和学生成绩录入模块的数据进行整合、分组后发送给智能网关A的过程中，采用传统的算法对数据进行整合分类，不能解决存在的不可分区域和误差积累现象，降低了分类精度，增加了分类时间。
(4)现有技术中采用传统的算法对学生意愿程度与课程相匹配，不能够很好地实现特征点的正确匹配，降低了匹配精度和计算速度。
发明内容
针对现有技术存在的问题，本发明提供了一种云数据教育培训过程的形成性评价优化系统及方法。
本发明是这样实现的，一种云数据教育培训过程的形成性评价优化方法包括以下步骤：
步骤一，对学生的学生自评、学生间对比、教师评估、在线时长、学习内容、在线互动、问题讨论、练习、测试数据进行采集；
步骤二，根据采集的数据分析学生自评、学生间对比、在线互动、练习信息得出学生学习意愿水平；分析在线时长、学习内容、在线互动分析学生的智力、学历学习条件数据；
步骤三，根据步骤二中的数据分析，对学生的学习效果形成判断数据并保存学生的测试成绩信息；
步骤四，将采集的数据、分析判断的数据和学生的成绩数据进行整合、分组后发送给智能网关A，将采集的数据和分析判断的数据进行寻址和对数据加密，输出给云服务器中的智能网关B，进行解密和校验；
步骤五，存储学生的信息和课程的信息，并通过学生与课程匹配的意愿程度不断改进课程信息，进行系统优化。
进一步，智能网关B完成数据的解密方法包括：
步骤1，将对接收的数据包进行格式检查，防止数据在传输过程或其他环节出现数据丢失，若格式正确则执行步骤2，否则返回错误信息；
步骤2，调用数据解密SDK对响应数据进行解密，数据解密SDK会查询服务器的数据字典来解密JSON数据包，将解密后的数据结果返回给客户端，供客户端业务使用。
进一步，步骤四中，数据处理器将自学习效果判断模块和学生成绩录入模块的数据进行整合、分组后发送给智能网关的过程中，对数据进行整合分类；具体包括：
步骤A，将全部训练样本集作为初始根节点，在根节点调用自变异PSO聚类算法，将原始训练样本合并划分为两类，形成两个子节点；
步骤B，判断子节点是否是包含一个类，若是转向步骤D，若不是则转向步骤C。
步骤C，对该子节点继续调用自变异PSO聚类算法，将其再划分为两个子节点，转步骤B；
步骤D，该节点为叶子节点，结束。
进一步，步骤五，将学生意愿程度与课程相匹配中，具体包括以下步骤：
步骤a，在初始帧中手工选定包含目标的矩形区域作为目标匹配模板，通过M-SURF算法计算模板的特征描述子；
步骤b，在新帧中进行分块匹配，计算每块模板的M-SURF特征关键点；
步骤c，在欧氏空间利用最近邻和次近邻比值的方法，得到匹配点对；
步骤d，采用LMedS方法剔除伪匹配点；
步骤e，采用SFM算法对特征点对进行立体匹配。
进一步，步骤五，进行系统优化的方法包括：
在系统内生成N个字符，表示提取的课程信息特征集个数，每个字符包含D维变量，并在满足多目标优化问题约束条件的前提下，依次对N个字符进行初始化，编码方式采用二进制编码方式；个体x＝{x1,x2,...,xD}的取值范围{0，1}，当取值为1时该特征被选中；初始化时，计算所有样本取值在各个特征上的方差，然后根据下面公式计算所选取的概率；
vj表示在第j维特征上所有样本取值的方差；当P大于0.5时，该特征易于选中。
本发明的另一目的提供一种实现所述云数据教育培训过程的形成性评价优化方法的计算机程序。
本发明的另一目的提供一种终端，所述终端搭载实现所述云数据教育培训过程的形成性评价优化方法的处理器。
本发明的另一目的提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的云数据教育培训过程的形成性评价优化方法。
本发明的另一目的提供一种云数据教育培训过程的形成性优化系统包括：
学习反馈信息采集模块，分别与学习意愿判断模块、学习效果判断模块、学习条件判断模块通过串口相连；
学习效果判断模块，分别与学习意愿判断模块、学习条件判断模块通过串口相连；学习效果判断模块与数据处理器通过串口相连；学习成绩录入模块与数据处理器通过串口相连；智能网关A与数据处理器通过以太网接口相连；智能网关A与智能网关B通过4G网络相连；智能网关B与数据库之间通过并口相连；数据库与机器学习模块之间通过数据并口相连；
学习意愿判断模块，通过分析学生自评、学生间对比、在线互动、练习信息得出学生学习意愿水平；
学习效果判断模块，综合学习反馈信息采集模块、学习意愿模块、学习条件判断模块的信息对学生的学习效果形成判断信息；
学习条件判断模块，通过分析在线时长、学习内容、在线互动分析学生的智力、学历；
智能网关A，用于完成寻址和对数据加密；
数据处理器，将学习效果判断模块和学生成绩录入模块的数据进行整合、分组后发送给智能网关A；
学习成绩录入模块，负责录入学生的测试成绩；
智能网关B，完成数据的解密和校验；
数据库，存储学生的信息和课程的信息；
机器学习模块，通过学生与课程匹配的意愿程度不断改进课程，进行系统优化。
本发明的另一目的提供一种搭载所述云数据教育培训过程的形成性优化系统的云数据教育培训平台。
本发明的优点及积极效果为：
使用大数据配合机器学习技术，使系统能够快速达到最佳状态；将学生的学习状态分为意愿、条件、效果，层次分析使系统评价更客观。
本发明中智能网关B完成数据的解密的过程中，采用一种改进的数据包解密算法对数据进行解密，能避免数据被非法分子抓包截取，降低软件潜在风险，提高传输速度。
本发明中数据处理器将来自学习效果判断模块和学生成绩录入模块的数据进行整合、分组后发送给智能网关A的过程中，采用一种改进的决策树生成算法对数据进行整合分类，能解决传统分类方法存在的不可分区域和误差积累现象，提高分类精度，减少分类时间。
本发明中机器学习模块在改进课程的过程中，采用改进的分块特征匹配算法对学生意愿程度与课程相匹配，能够很好地实现特征点的正确匹配，具有很高的使用价值，提高了匹配精度和计算速度。
本发明进行系统优化的方法中，在系统内生成N个字符，表示提取的课程信息特征集个数，每个字符包含D维变量，并在满足多目标优化问题约束条件的前提下，依次对N个字符进行初始化，编码方式采用二进制编码方式；个体x＝{x1,x2,...,xD}的取值范围{0，1}，当取值为1时该特征被选中；初始化时，计算所有样本取值在各个特征上的方差，然后根据下面公式计算所选取的概率；
可对改进课程信息进行实时优化。
附图说明
图1是本发明实施例提供的云数据教育培训过程的形成性优化系统的结构示意图；
图中：1、学生反馈信息采集模块；2、学习意愿判断模块；3、学习效果判断模块；4、学习条件判断模块；5、智能网关A；6、数据处理器；7、学习成绩录入模块；8、智能网关B；9、数据库；10、机器学习模块。
图2是本发明实施例提供的云数据教育培训过程的形成性优化方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
现有技术中使用大数据配合机器学习技术，导致系统不能够快速达到最佳状态；降低了对学生的学习状态分为意愿、条件、效果，层次分析的客观性。
现有技术中对数据进行解密的过程中，采用传统的算法对数据进行解密，不能避免数据被非法分子抓包截取，提高了软件潜在风险，降低了传输速度。
现有技术中数据处理器将来自学习效果判断模块和学生成绩录入模块的数据进行整合、分组后发送给智能网关A的过程中，采用传统的算法对数据进行整合分类，不能解决存在的不可分区域和误差积累现象，降低了分类精度，增加了分类时间。
现有技术中采用传统的算法对学生意愿程度与课程相匹配，不能够很好地实现特征点的正确匹配，降低了匹配精度和计算速度；为解决现有技术存在的问题，下面结合具体方案及附图对本发明的应用原理作详细描述。
如图1所示，本发明实施例提供的云数据教育培训过程的形成性优化系统架构包括：
学生反馈信息采集模块1、学习意愿判断模块2、学习效果判断模块3、学习条件判断模块4、智能网关A(5)、数据处理器6、学习成绩录入模块7、智能网关B(8)、数据库9、机器学习模块10。
学习反馈信息采集模块1分别与学习意愿判断模块2、学习效果判断模块3、学习条件判断模块4通过串口相连。
学习效果判断模块3分别与学习意愿判断模块2、学习条件判断模块4通过串口相连。
学习效果判断模块3与数据处理器6通过串口相连。
学习成绩录入模块7与数据处理器6通过串口相连。
智能网关A(5)与数据处理器6通过以太网接口相连。
智能网关A(5)与智能网关B(8)通过4G网络相连。
智能网关B(8)与数据库9之间通过并口相连。
数据库9与机器学习模块10之间通过数据并口相连。
学生反馈信息采集模块1采集信息包括：学生自评、学生间对比、教师评估、在线时长、学习内容、在线互动、问题讨论、练习、测试。
学习意愿判断模块2通过分析学生自评、学生间对比、在线互动、练习信息得出学生学习意愿水平。
学习效果判断模块3综合学习反馈信息采集模块1、学习意愿模块2、学习条件判断模块4的信息对学生的学习效果形成判断信息。
学习条件判断模块4通过分析在线时长、学习内容、在线互动分析学生的智力、学历等学习条件。
智能网关A主要完成寻址和对数据加密。
数据处理器6将来自学习效果判断模块3和学生成绩录入模块7的数据进行整合、分组后发送给智能网关A。
学习成绩录入模块7负责录入学生的测试成绩。
智能网关B(8)完成数据的解密和校验。
数据库9存储学生的信息和课程的信息。
机器学习模块10通过学生与课程匹配的意愿程度不断改进课程，进行系统优化。
如图2所示，本发明实施例提供的云数据教育培训过程的形成性评价优化方法，包括以下步骤：
S101：对学生的学生自评、学生间对比、教师评估、在线时长、学习内容、在线互动、问题讨论、练习、测试等数据进行采集。
S102：根据上述采集的数据分析学生自评、学生间对比、在线互动、练习信息得出学生学习意愿水平；分析在线时长、学习内容、在线互动分析学生的智力、学历等学习条件。
S103：根据步骤二中的数据分析，对学生的学习效果形成判断数据并保存学生的测试成绩。
S104：将采集的数据、分析判断的数据和学生的成绩数据进行整合、分组后发送给智能网关A，将采集的数据和分析判断的数据进行寻址和对数据加密，输出给云服务器中的智能网关B，进行解密和校验。
S105：最后，存储学生的信息和课程的信息，并通过学生与课程匹配的意愿程度不断改进课程，进行系统优化。
在本发明实施例中，所述智能网关B8完成数据的解密的过程中，为了避免数据被非法分子抓包截取，降低软件潜在风险，提高传输速度，采用一种改进的数据包解密算法，包括以下步骤：
步骤1，将对接收的数据包进行格式检查，以防止数据在传输过程或其他环节出现数据丢失的问题，若格式正确则执行步骤2，否则返回错误信息。
步骤2，调用数据解密SDK对响应数据进行解密，数据解密SDK会查询服务器的数据字典来解密JSON数据包，将解密后的数据结果返回给客户端，以供客户端业务使用。
在本发明实施例中，所述数据处理器6将来自学习效果判断模块3和学生成绩录入模块7的数据进行整合、分组后发送给智能网关A的过程中，需要对数据进行整合分类，为了解决传统分类方法存在的不可分区域和误差积累现象，提高分类精度，减少分类时间，采用一种改进的决策树生成算法，具体包括以下步骤：
步骤1，将全部训练样本集作为初始根节点，在根节点调用自变异PSO聚类算法，将原始训练样本合并划分为两类，形成两个子节点；
步骤2，判断子节点是否是包含一个类，若是转向步骤4，若不是则转向步骤3。
步骤3，对该子节点继续调用自变异PSO聚类算法，将其再划分为两个子节点，转步骤2。
步骤4，该节点为叶子节点，算法结束。
在本发明实施例中，所述机器学习模块10在改进课程的过程中，需要将学生意愿程度与课程相匹配，为了能够很好地实现特征点的正确匹配，具有很高的使用价值，提高匹配精度和计算速度，采用一种改进的分块特征匹配算法，具体包括以下步骤：
步骤一，在初始帧中手工选定包含目标的矩形区域作为目标匹配模板，通过M-SURF算法计算模板的特征描述子；
步骤二，在新帧中进行分块匹配，计算每块模板的M-SURF特征关键点；
步骤三，在欧氏空间利用最近邻和次近邻比值的方法，得到匹配点对；
步骤四，采用LMedS方法剔除伪匹配点；
步骤五，采用SFM算法对特征点对进行立体匹配。
在本发明实施例中，进行系统优化的方法包括：
在系统内生成N个字符，表示提取的课程信息特征集个数，每个字符包含D维变量，并在满足多目标优化问题约束条件的前提下，依次对N个字符进行初始化，编码方式采用二进制编码方式；个体x＝{x1,x2,...,xD}的取值范围{0，1}，当取值为1时该特征被选中；初始化时，计算所有样本取值在各个特征上的方差，然后根据下面公式计算所选取的概率；
vj表示在第j维特征上所有样本取值的方差；当P大于0.5时，该特征易于选中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种云数据教育培训过程的形成性评价优化方法，其特征在于，所述云数据教育培训过程的形成性评价优化方法包括以下步骤：
步骤一，对学生的学生自评、学生间对比、教师评估、在线时长、学习内容、在线互动、问题讨论、练习、测试数据进行采集；
步骤二，根据采集的数据分析学生自评、学生间对比、在线互动、练习信息得出学生学习意愿水平；分析在线时长、学习内容、在线互动分析学生的智力、学历学习条件数据；
步骤三，根据步骤二中的数据分析，对学生的学习效果形成判断数据并保存学生的测试成绩信息；
步骤四，将采集的数据、分析判断的数据和学生的成绩数据进行整合、分组后发送给智能网关A，将采集的数据和分析判断的数据进行寻址和对数据加密，输出给云服务器中的智能网关B，进行解密和校验；
步骤五，存储学生的信息和课程的信息，并通过学生与课程匹配的意愿程度不断改进课程信息，进行系统优化。
2.如权利要求1所述的云数据教育培训过程的形成性评价优化方法，其特征在于，智能网关B完成数据的解密方法包括：
步骤1，将对接收的数据包进行格式检查，防止数据在传输过程或其他环节出现数据丢失，若格式正确则执行步骤2，否则返回错误信息；
步骤2，调用数据解密SDK对响应数据进行解密，数据解密SDK会查询服务器的数据字典来解密JSON数据包，将解密后的数据结果返回给客户端，供客户端业务使用。
3.如权利要求1所述的云数据教育培训过程的形成性评价优化方法，其特征在于，步骤四中，数据处理器将自学习效果判断模块和学生成绩录入模块的数据进行整合、分组后发送给智能网关的过程中，对数据进行整合分类；具体包括：
步骤A，将全部训练样本集作为初始根节点，在根节点调用自变异PSO聚类算法，将原始训练样本合并划分为两类，形成两个子节点；
步骤B，判断子节点是否是包含一个类，若是转向步骤D，若不是则转向步骤C；
步骤C，对该子节点继续调用自变异PSO聚类算法，将其再划分为两个子节点，转步骤B；
步骤D，该节点为叶子节点，结束。
4.如权利要求1所述的云数据教育培训过程的形成性评价优化方法，其特征在于，步骤五，将学生意愿程度与课程相匹配中，具体包括以下步骤：
步骤a，在初始帧中手工选定包含目标的矩形区域作为目标匹配模板，通过M-SURF算法计算模板的特征描述子；
步骤b，在新帧中进行分块匹配，计算每块模板的M-SURF特征关键点；
步骤c，在欧氏空间利用最近邻和次近邻比值的方法，得到匹配点对；
步骤d，采用LMedS方法剔除伪匹配点；
步骤e，采用SFM算法对特征点对进行立体匹配。
5.如权利要求1所述的云数据教育培训过程的形成性评价优化方法，其特征在于，步骤五，进行系统优化的方法包括：
在系统内生成N个字符，表示提取的课程信息特征集个数，每个字符包含D维变量，并在满足多目标优化问题约束条件的前提下，依次对N个字符进行初始化，编码方式采用二进制编码方式；个体x＝{x1,x2,...,xD}的取值范围{0，1}，当取值为1时该特征被选中；初始化时，计算所有样本取值在各个特征上的方差，然后根据下面公式计算所选取的概率；
vj表示在第j维特征上所有样本取值的方差；当P大于0.5时，该特征易于选中。
6.一种实现权利要求1～5任意一项所述云数据教育培训过程的形成性评价优化方法的计算机程序。
7.一种终端，其特征在于，所述终端搭载实现权利要求1～5任意一项所述云数据教育培训过程的形成性评价优化方法的处理器。
8.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-5任意一项所述的云数据教育培训过程的形成性评价优化方法。
9.一种云数据教育培训过程的形成性优化系统，其特征在于，所述云数据教育培训过程的形成性优化系统包括：
学习反馈信息采集模块，分别与学习意愿判断模块、学习效果判断模块、学习条件判断模块通过串口相连；
学习效果判断模块，分别与学习意愿判断模块、学习条件判断模块通过串口相连；学习效果判断模块与数据处理器通过串口相连；学习成绩录入模块与数据处理器通过串口相连；智能网关A与数据处理器通过以太网接口相连；智能网关A与智能网关B通过4G网络相连；智能网关B与数据库之间通过并口相连；数据库与机器学习模块之间通过数据并口相连；
学习意愿判断模块，通过分析学生自评、学生间对比、在线互动、练习信息得出学生学习意愿水平；
学习效果判断模块，综合学习反馈信息采集模块、学习意愿模块、学习条件判断模块的信息对学生的学习效果形成判断信息；
学习条件判断模块，通过分析在线时长、学习内容、在线互动分析学生的智力、学历；
智能网关A，用于完成寻址和对数据加密；
数据处理器，将学习效果判断模块和学生成绩录入模块的数据进行整合、分组后发送给智能网关A；
学习成绩录入模块，负责录入学生的测试成绩；
智能网关B，完成数据的解密和校验；
数据库，存储学生的信息和课程的信息；
机器学习模块，通过学生与课程匹配的意愿程度不断改进课程，进行系统优化。
10.一种搭载权利要求9所述云数据教育培训过程的形成性优化系统的云数据教育培训平台。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910404512.7A CN110188928A (zh) | 2019-05-15 | 2019-05-15 | 一种云数据教育培训过程的形成性优化系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910404512.7A CN110188928A (zh) | 2019-05-15 | 2019-05-15 | 一种云数据教育培训过程的形成性优化系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110188928A true CN110188928A (zh) | 2019-08-30 |
Family
ID=67716301
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910404512.7A Pending CN110188928A (zh) | 2019-05-15 | 2019-05-15 | 一种云数据教育培训过程的形成性优化系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110188928A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111260979A (zh) * | 2020-03-25 | 2020-06-09 | 上海思快奇教育科技有限公司 | 一种基于云平台的在线教育培训系统 |
| CN113269662A (zh) * | 2021-04-30 | 2021-08-17 | 中电鹰硕(深圳)智慧互联有限公司 | 一种基于大数据的智慧教学系统 |
| CN114781806A (zh) * | 2022-03-07 | 2022-07-22 | 国科温州研究院(温州生物材料与工程研究所) | 基于多目标进化算法的多组合排课方法及装置及可读介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107995160A (zh) * | 2017-10-26 | 2018-05-04 | 常熟市第人民医院 | 一种基于云端管控的json数据包加密解密方法 |
| CN108648123A (zh) * | 2018-07-13 | 2018-10-12 | 江苏开放大学（江苏城市职业学院） | 一种基于大数据的网络教学平台及利用其管理网络教学过程的方法 |
| CN108874990A (zh) * | 2018-06-12 | 2018-11-23 | 亓富军 | 一种基于电力技术杂志论文非结构化数据提取的方法及系统 |
| CN109615002A (zh) * | 2018-12-06 | 2019-04-12 | 南京邮电大学 | 基于pso的决策树svm大学生消费行为评价方法 |
-
2019
- 2019-05-15 CN CN201910404512.7A patent/CN110188928A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107995160A (zh) * | 2017-10-26 | 2018-05-04 | 常熟市第人民医院 | 一种基于云端管控的json数据包加密解密方法 |
| CN108874990A (zh) * | 2018-06-12 | 2018-11-23 | 亓富军 | 一种基于电力技术杂志论文非结构化数据提取的方法及系统 |
| CN108648123A (zh) * | 2018-07-13 | 2018-10-12 | 江苏开放大学（江苏城市职业学院） | 一种基于大数据的网络教学平台及利用其管理网络教学过程的方法 |
| CN109615002A (zh) * | 2018-12-06 | 2019-04-12 | 南京邮电大学 | 基于pso的决策树svm大学生消费行为评价方法 |
Non-Patent Citations (2)
| Title |
|---|
| 赵立荣，朱玮，曹永刚，柳玉晗，孙俊喜: "《改进的加速鲁棒特征算法在特征匹配中的应用》", 《光学精密工程 》, vol. 21, no. 12 * |
| 赵立荣: "《基于机器视觉的靶场飞行器姿态测量方法研究》", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111260979A (zh) * | 2020-03-25 | 2020-06-09 | 上海思快奇教育科技有限公司 | 一种基于云平台的在线教育培训系统 |
| CN111260979B (zh) * | 2020-03-25 | 2021-03-30 | 杭州瑞鼎教育咨询有限公司 | 一种基于云平台的在线教育培训系统 |
| CN113269662A (zh) * | 2021-04-30 | 2021-08-17 | 中电鹰硕(深圳)智慧互联有限公司 | 一种基于大数据的智慧教学系统 |
| CN114781806A (zh) * | 2022-03-07 | 2022-07-22 | 国科温州研究院(温州生物材料与工程研究所) | 基于多目标进化算法的多组合排课方法及装置及可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Goodfellow et al. | Generative adversarial networks | |
| Zhong et al. | HELAD: A novel network anomaly detection model based on heterogeneous ensemble learning | |
| Verma et al. | Evaluation of network intrusion detection systems for RPL based 6LoWPAN networks in IoT | |
| CN111932386B (zh) | 用户账号确定方法及装置、信息推送方法及装置、电子设备 | |
| CN110188928A (zh) | 一种云数据教育培训过程的形成性优化系统及方法 | |
| Zhou et al. | Learning to short-time Fourier transform in spectrum sensing | |
| CN115277086B (zh) | 基于生成对抗网络的网络背景流量生成方法 | |
| CN111459898A (zh) | 机器学习方法、计算机可读记录介质以及机器学习设备 | |
| Yan et al. | TL-CNN-IDS: transfer learning-based intrusion detection system using convolutional neural network | |
| Deng et al. | Network Intrusion Detection Based on Sparse Autoencoder and IGA‐BP Network | |
| Tan et al. | Recognizing the content types of network traffic based on a hybrid DNN-HMM model | |
| Hu et al. | [Retracted] Evaluation Method of Wushu Teaching Quality Based on Fuzzy Clustering | |
| Miao | Mobile Information System of English Teaching Ability Based on Big Data Fuzzy K‐Means Clustering | |
| Cai et al. | A malicious network traffic detection model based on bidirectional temporal convolutional network with multi-head self-attention mechanism | |
| Li | Improvement design of functional modules of college english network teaching system based on decision tree algorithm | |
| CN114218549A (zh) | 一种增强图片验证码系统安全性的方法 | |
| Mills et al. | Comparison of two dimension-reduction methods for network simulation models | |
| Zheng | Research on the evaluation model of educational management theory based on data mining from the perspective of neural network | |
| Alomar et al. | AI and Network Security Curricula: Minding the Gap | |
| Zheng et al. | Application of SDN Network Traffic Prediction Based on Speech Recognition in Educational Information Optimization Platform | |
| ABDELLAH et al. | Performance Estimation in V2X Networks Using Deep Learning-Based M-Estimator Loss Functions in the Presence of Outliers. Symmetry, 2021, vol. 13, no 11 | |
| Al-Qadhi et al. | Subgraph nomination: Query by example subgraph retrieval in networks | |
| CN115442309B (zh) | 一种基于图神经网络的包粒度网络流量分类方法 | |
| Chanhemo et al. | Deep learning for SDN-enabled campus networks: proposed solutions, challenges and future directions | |
| CN116050508B (zh) | 神经网络训练方法以及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190830 |