CN112037100A - 一种自适应学习系统状态参数更新方法 - Google Patents

一种自适应学习系统状态参数更新方法 Download PDF

Info

Publication number
CN112037100A
CN112037100A CN202011042746.0A CN202011042746A CN112037100A CN 112037100 A CN112037100 A CN 112037100A CN 202011042746 A CN202011042746 A CN 202011042746A CN 112037100 A CN112037100 A CN 112037100A
Authority
CN
China
Prior art keywords
state parameter
learning
preset
learning system
adaptive learning
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.)
Granted
Application number
CN202011042746.0A
Other languages
English (en)
Other versions
CN112037100B (zh
Inventor
崔炜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Original Assignee
Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd filed Critical Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Priority to CN202011042746.0A priority Critical patent/CN112037100B/zh
Publication of CN112037100A publication Critical patent/CN112037100A/zh
Application granted granted Critical
Publication of CN112037100B publication Critical patent/CN112037100B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Educational Technology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种自适应学习系统状态参数更新方法，用于解决目前还没有一种较好地自适应学习系统状态参数更新方法的问题。所述方法包括：将预设学习数据输入到自适应学习系统中，获取初始状态参数；将预设学习数据输入到自适应学习系统中供目标用户学习，并获得学习时长；根据目标用户学习时长计算获得当前状态参数；在当前状态参数和初始状态参数的相似度小于预设相似度阈值，则根据目标用户的平均学习时长及预设学习率算法，计算目标用户的学习率；根据目标用户的学习率及更新状态参数算法，获得更新状态参数，并将初始状态参数更新为更新状态参数。该方法实时计算并获取更新状态参数来更新初始状态参数，能够提高用户的学习效率。

Description

一种自适应学习系统状态参数更新方法
技术领域
本发明涉及人工智能技术领域，尤其涉及一种自适应学习系统状态参数更新方法方法。
背景技术
随着互联网技术、人工智能等技术的飞速发展,学生的学习方式发生巨大的改变,同时个性化学习理念逐渐被大众所接受，因自适应学习系统能够为用户提供精准的学习策略和高效的学习方法，也能够为实现个性化学习提供技术支持，因此得到了飞跃式的发展。为了达到向用户提供一个更适用的自适应学习系统，需要根据用户的个性化特征调整自适应学习系统的状态参数，但是目前还没有一种很有效地方法能够根据用户个性化特征调整自适应学习系统的状态参数。
发明内容
本发明提供一种自适应学习系统状态参数更新方法，用于解决目前还没有一种较好的自适应学习系统状态更新方法的问题。本方明提供的一种自适应学习系统状态参数更新方法，根据自适应学习系统的当前状态参数及用户学习率，计算获取更新状态参数来更新初始状态参数，提高了用户学习效率。
本发明提供一种自适应学习系统状态参数更新方法，包括以下步骤：
将预设学习数据输入到自适应学习系统中，获取初始状态参数；
将所述预设学习数据输入到自适应学习系统中供目标用户学习M次，记录所述目标用户每次学习时长，并计算在这M次学习中所述目标用户的平均学习时长t；其中，M为预设学习次数；
根据所述目标用户的平均学习时长及预设的当前状态参数算法，计算当前状态参数；
判断所述当前状态参数和所述初始状态参数的相似度是否小于预设相似度阈值；
若所述当前状态参数和所述初始状态参数的相似度小于预设相似度阈值，则根据所述目标用户的平均学习时长及预设学习率算法，计算所述目标用户的学习率；
根据所述目标用户的学习率及预设更新状态参数算法，获得更新状态参数；
将所述自适应学习系统的初始状态参数更新为所述更新状态参数。
在一个实施例中，所述当前状态参数算法为：
Figure BDA0002707119900000021
其中，N为自适应学习系统的阶数，j＝M，Sg表示为自适应学习系统第g次运行时的运行时长，XN,j(t)表示为自适应学习系统第j次迭代的当前状态参数，XN-1,j(t)表示为自适应学习系统上一阶进行第j次迭代的当前状态参数，t1为预设平均学习时长基准值，γj(t)、b(t)、cj(t)、di(t)的值均为预设定值。
在一个实施例中，γj(t)取值为0.5，b(t)取值为0.3，cj(t)取值为0.5，di(t)取值为0.1。
在一个实施例中，所述预设学习率算法为：
Figure BDA0002707119900000022
其中，Q为用户的学习率，u为预设的用户聪明度，exp为预设自然常数。
在一个实施例中，u的取值区间为[0.3-0.9]，exp取值为2.72。
在一个实施例中，所述预设更新状态参数算法为：
Figure BDA0002707119900000023
其中，yN,j(t)表示为更新状态参数，
Figure BDA0002707119900000024
表示为求偏导数，F()表示为代价函数。
在一个实施例中，所述预设相似度阈值取值为0.9。
本发明提供一种自适应学习系统状态参数更新方法，首先通过利用迭代域的学习来构建非线性系统模型(即预设的当前状态参数算法)可以准确地计算出自适应学习系统的当前状态参数，实现了较高的数据跟踪精度，稳定性强；接着通过计算用户的学习率，进而使得自适应学习系统的状态参数更新后，可以使得学习系统系统可以应对各种聪明度不一的学生，实现人人理解的教育，提高了用户的体验感，进一步地，通过计算出非线性系统模型(即预设更新状态参数算法)的更新状态参数来实现对自适应学习系统状态参数的实时更新，进一步地保证了根据用户实际情况进行自适应学习的学习效率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种自适应学习系统状态参数更新方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
图1为本发明实施例中一种自适应学习系统状态参数更新方法的流程图。如图1所示，该方法包括以下步骤S101-S107：
S101：将预设学习数据输入到自适应学习系统中，获取初始状态参数；
本实施例中，状态参数是用来检测自适应学习系统的稳定性，是学习系统通用的参数，可以包括：学习质量参数、学习转化率参数以及教学精度参数等。
S102：将所述预设学习数据输入到自适应学习系统中供目标用户学习M次，记录所述目标用户每次学习时长，并计算在这M次学习中所述目标用户的平均学习时长t；其中，M为预设学习次数；
本实施例中，因为用户学习时长能客观的反应自适应学习系统的好坏，所以本实施例使用了学习时长作为一个重要参数，计算当前状态参数，保证了较高的数据跟踪精度，稳定性也较强。
S103：根据所述目标用户的平均学习时长及预设的当前状态参数算法，计算当前状态参数；
本实施例中，所述当前状态参数算法为：
Figure BDA0002707119900000041
其中，N为自适应学习系统的阶数，N的最小值为2；j＝M，Sg表示为自适应学习系统第g次运行时的运行时长，XN,j(t)表示为自适应学习系统第j次迭代的当前状态参数，XN-1,j(t)表示为自适应学习系统上一阶进行第j次迭代的当前状态参数。t1表示为预设平均学习时长基准值，γj(t)表示为自适应学习系统的系统模型的初始状态参数向量，优选取值为0.5；b(t)表示为自适应学习系统的未知输入增益，优选取值为0.3；cj(t)表示为控制输入量，取值为0.5；di(t)表示为外界环境的扰动因子，优选取值为0.1。
S104：判断所述当前状态参数和所述初始状态参数的相似度是否小于预设相似度阈值；是则执行步骤S105，否则结束流程；
本实施例中，所述预设相似度阈值取值为0.9，若当前状态参数和所述初始状态参数的相似度不小于预设相似度阈值，说明初始状态参数是比较准确的，可以继续使用，则不用更新初始状态参数。
S105：根据所述目标用户的平均学习时长及预设学习率算法，计算所述目标用户的学习率；
本实施例中，所述预设学习率算法为：
Figure BDA0002707119900000051
其中，Q为用户的学习率，u为预设的用户聪明度，exp为预设自然常数。u的取值区间为[0.3-0.9]，exp取值为2.72。
本实施例，通过用户学习率的计算，可以得到各个用户使用自适应学习系统的学习率，后续更新状态参数使用用户学习率来计算，可以使得自适应学习系统可以应对各种聪明度不一的学生，实现人人理解的教育，提高了用户的体验感。
S106：根据所述目标用户的学习率及预设更新状态参数算法，获得更新状态参数；
本实施例中，所述预设更新状态参数算法为：
Figure BDA0002707119900000052
其中，yN,j(t)表示为更新状态参数，
Figure BDA0002707119900000053
表示为求偏导数，F()表示为代价函数。
S107：将所述自适应学习系统的初始状态参数更新为所述更新状态参数。
本实施例中，通过预设更新状态参数算法获得更新状态参数后，可以采用实时的方式将初始状态参数更新为更新状态参数，保证了用户使用的自适应学习体统都是适合自己的，有效地提高了用户学习的效率。
本实施例中，当前状态参数和初始状态参数的相似度大于或等于预设相似度阈值，则不用更新初始状态参数，提高了算法的效率。
本发明实施例提供的一种自适应学习系统状态参数更新方法，首先通过利用迭代域的学习来构建非线性系统模型(即预设的当前状态参数算法)可以准确地计算出自适应学习系统的当前状态参数，实现了较高的数据跟踪精度，稳定性强；接着通过计算用户的学习率，进而使得自适应学习系统的状态参数更新后，可以使得学习系统系统可以应对各种聪明度不一的学生，实现人人理解的教育，提高了用户的体验感；进一步地，通过计算出非线性系统模型(即预设更新状态参数算法)的更新状态参数来实现对自适应学习系统状态参数的实时更新，进一步地保证了根据用户实际情况进行自适应学习的学习效率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种自适应学习系统状态参数更新方法，其特征在于，包括：
将预设学习数据输入到自适应学习系统中，获取初始状态参数；
将所述预设学习数据输入到自适应学习系统中供目标用户学习M次，记录所述目标用户每次学习时长，并计算在这M次学习中所述目标用户的平均学习时长t；其中，M为预设学习次数；
根据所述目标用户的平均学习时长及预设的当前状态参数算法，计算当前状态参数；
判断所述当前状态参数和所述初始状态参数的相似度是否小于预设相似度阈值；
若所述当前状态参数和所述初始状态参数的相似度小于预设相似度阈值，则根据所述目标用户的平均学习时长及预设学习率算法，计算所述目标用户的学习率；
根据所述目标用户的学习率及预设更新状态参数算法，获得更新状态参数；
将所述自适应学习系统的初始状态参数更新为所述更新状态参数。
2.根据权利要求1所述的自适应学习系统状态参数更新方法，其特征在于，所述当前状态参数算法为：
Figure FDA0002707119890000011
其中，N为自适应学习系统的阶数，j＝M，Sg表示为自适应学习系统第g次运行时的运行时长，XN,j(t)表示为自适应学习系统第j次迭代的当前状态参数，XN-1,j(t)表示为自适应学习系统上一阶进行第j次迭代的当前状态参数，t1为预设平均学习时长基准值，γj(t)、b(t)、cj(t)、di(t)的值均为预设定值。
3.根据权利要求2所述的自适应学习系统状态参数更新方法，其特征在于，γj(t)取值为0.5，b(t)取值为0.3，cj(t)取值为0.5，di(t)取值为0.1。
4.根据权利要求2所述的自适应学习系统状态参数更新方法，其特征在于，所述预设学习率算法为：
Figure FDA0002707119890000021
其中，Q为用户的学习率，u为预设的用户聪明度，exp为预设自然常数。
5.根据权利要求4所述的自适应学习系统状态参数更新方法，其特征在于，u的取值区间为[0.3-0.9]，exp取值为2.72。
6.根据权利要求4所述的自适应学习系统状态参数更新方法，其特征在于，所述预设更新状态参数算法为：
Figure FDA0002707119890000022
其中，yN,j(t)表示为更新状态参数，
Figure FDA0002707119890000023
表示为求偏导数，F()表示为代价函数。
7.根据权利要求1所述的自适应学习系统状态参数更新方法，其特征在于，所述预设相似度阈值取值为0.9。
CN202011042746.0A 2020-09-28 2020-09-28 一种自适应学习系统状态参数更新方法 Active CN112037100B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011042746.0A CN112037100B (zh) 2020-09-28 2020-09-28 一种自适应学习系统状态参数更新方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011042746.0A CN112037100B (zh) 2020-09-28 2020-09-28 一种自适应学习系统状态参数更新方法

Publications (2)

Publication Number Publication Date
CN112037100A true CN112037100A (zh) 2020-12-04
CN112037100B CN112037100B (zh) 2021-06-22

Family

ID=73574660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011042746.0A Active CN112037100B (zh) 2020-09-28 2020-09-28 一种自适应学习系统状态参数更新方法

Country Status (1)

Country Link
CN (1) CN112037100B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107704995A (zh) * 2017-09-11 2018-02-16 北京奥鹏远程教育中心有限公司 学员评价系统
CN108182489A (zh) * 2017-12-25 2018-06-19 浙江工业大学 一种基于在线学习行为分析的个性化学习推荐方法
CN111667248A (zh) * 2020-06-10 2020-09-15 李文竹 基于大数据分析的个性化教育管理系统、方法、介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107704995A (zh) * 2017-09-11 2018-02-16 北京奥鹏远程教育中心有限公司 学员评价系统
CN108182489A (zh) * 2017-12-25 2018-06-19 浙江工业大学 一种基于在线学习行为分析的个性化学习推荐方法
CN111667248A (zh) * 2020-06-10 2020-09-15 李文竹 基于大数据分析的个性化教育管理系统、方法、介质

Also Published As

Publication number Publication date
CN112037100B (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
KR101700140B1 (ko) 스파이킹 뉴럴 연산을 위한 방법들 및 장치
JP2020512639A5 (zh)
KR20200110400A (ko) 학습 데이터 증강 정책
JP2019049977A (ja) 畳み込みニューラルネットワークのための刈り込みと再学習法
KR20140128384A (ko) 스파이킹 뉴럴 연산을 위한 방법들 및 장치
CN110781969B (zh) 基于深度强化学习的空调风量控制方法、装置以及介质
KR20140129067A (ko) 스파이킹 뉴럴 연산을 위한 방법들 및 장치
TWI550530B (zh) 用於產生尖峰定時依賴可塑性曲線的緊湊表示的方法、設備、電腦可讀取媒體及電腦程式產品
CN105046366A (zh) 模型训练方法及装置
KR101932835B1 (ko) 행동 결정 장치 및 방법, 컴퓨터 판독 가능한 저장 매체
CN104317195B (zh) 一种基于改进极限学习机的非线性逆模型控制方法
JP2020506488A (ja) バッチ再正規化層
KR102153192B1 (ko) 시뮬레이션-가이드된 반복적 프루닝을 사용하는 효율적인 네트워크 압축
CN109754789A (zh) 语音音素的识别方法及装置
CN110110380B (zh) 一种压电执行器迟滞非线性建模方法及应用
CN109872730A (zh) 音频数据的失真补偿方法、模型建立方法和音频输出设备
CN112037100B (zh) 一种自适应学习系统状态参数更新方法
US20210397962A1 (en) Effective network compression using simulation-guided iterative pruning
CN116453541A (zh) 一种声源强度预测方法、装置、电子设备及存储介质
CN116561664A (zh) 基于tcn网络的雷达辐射源脉间调制模式识别方法
CN112288032B (zh) 一种基于生成对抗网络的量化模型训练的方法及装置
Wang et al. Design and analysis of a novel chaotic diagonal recurrent neural network
WO2020134011A1 (zh) 展示信息组合确定方法、装置、存储介质及电子设备
CN112597693A (zh) 一种基于深度确定性策略梯度的自适应控制方法
CN112529183A (zh) 一种基于知识蒸馏的模型自适应更新方法

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
GR01 Patent grant
GR01 Patent grant
PP01 Preservation of patent right

Effective date of registration: 20221020

Granted publication date: 20210622

PP01 Preservation of patent right