CN113128611B - 基于深度学习学生在线学习效率预测的模型检测方法 - Google Patents

基于深度学习学生在线学习效率预测的模型检测方法 Download PDF

Info

Publication number
CN113128611B
CN113128611B CN202110460537.6A CN202110460537A CN113128611B CN 113128611 B CN113128611 B CN 113128611B CN 202110460537 A CN202110460537 A CN 202110460537A CN 113128611 B CN113128611 B CN 113128611B
Authority
CN
China
Prior art keywords
student
state
model
students
indicates
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.)
Active
Application number
CN202110460537.6A
Other languages
English (en)
Other versions
CN113128611A (zh
Inventor
雷丽晖
李梦洋
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.)
Shaanxi Normal University
Original Assignee
Shaanxi Normal University
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 Shaanxi Normal University filed Critical Shaanxi Normal University
Priority to CN202110460537.6A priority Critical patent/CN113128611B/zh
Publication of CN113128611A publication Critical patent/CN113128611A/zh
Application granted granted Critical
Publication of CN113128611B publication Critical patent/CN113128611B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality 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—Systems or methods specially adapted for 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Educational Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Psychiatry (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)
  • Social Psychology (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

一种基于深度学习学生在线学习效率预测的模型检测方法，由获取原始数据和特征、确定学生学习状态、确定动作状态轨迹序列、构建马尔可夫决策过程模型、生成PRISM代码、确定动作状态转移、处理迁移动作结果组成。在构建马尔可夫决策过程模型中采用了转移概率Pi,j构建马尔可夫决策过程模型，简化了构建步骤，减少了复杂的计算过程，提高了运算速度，将马尔科夫决策过程模型检测用于学生在线学习效率预测，能准确地预测出学生的学习效率的变化。本发明具有方法简单、运算速度快等优点，可用于网络教育对学生在线学习效率预测。

Description

基于深度学习学生在线学习效率预测的模型检测方法
技术领域
本发明属于计算机技术中的模型检测领域，具体涉及一种基于深度学习的学生在线学习效率预测的模型检测方法。
背景技术
在线学习产业中，最重要的就是评估学生的学习质量，现有的软件评估学生学习质量的方式主要是考试。但是通过考试得到的学习质量结果，从时间上来说十分滞后。所以需要有实时评估学习质量的方法，来提高在线教育的教育质量和学生的接受程度。
目前，许多学校选择网上授课，网上学习的效果参差不齐，有必要使用学生在线学习效率预测方法，提升学生网上学习的学习质量。
发明内容
本发明所要解决的在于克服上述技术的缺点，提供了方法简单、运算速度快的基于深度学习学生在线学习效率预测的模型检测方法。
解决上述技术问题所采用的技术方案由下述步骤组成：
(1)获取原始数据和特征
从图像库中取图像至少500幅分为训练集和测试集，其中训练集占70％，测试集占30％，对卷积神经网络模型进行训练，使用测试集进行测试，测试后得到特征集，特征集添加状态标签为贝叶斯训练集，将贝叶斯训练集放入朴素贝叶斯模型，得到状态预测模型，截取用户的使用图像，按帧转换成图片集，用卷积神经网络获取用户的特征向量F。
(2)确定学生学习状态
将特征向量导入朴素贝叶斯模型进行优秀、一般、不好分类，得到当前时刻学生的状态。
(3)确定动作状态轨迹序列
将每个时刻的状态按时刻连接，得到每个动作状态序列，状态序列为：
Figure BDA0003042257550000021
其中，S∈{S1、S2、...、Sn}为状态，A∈{A1、A2、...、Am}为动作，n、m为有限的正整数。
(4)构建马尔可夫决策过程模型
对每一个动作AK，记录每一次状态转移，建立马尔科夫决策过程模型M如下；
Figure BDA0003042257550000022
马尔科夫决策过程模型M的横轴纵轴均表示状态S，矩阵中Pi,j为状态Si转移到状态Sj的概率，按下式确定转移概率Pi,j：
Figure BDA0003042257550000023
其中，i、j为1到n之间的整数，k为1到m之间的整数，Ni,j,k为在动作Ak下，状态Si迁移进状态Sj所有边的总量；SUMi,j,k为从每个状态Si迁移出动作Ak的边的总数。
(5)生成PRISM代码
将马尔可夫决策过程模型使用JAVA语言生成PRISM代码。
(6)确定动作状态转移
将PRISM代码放入PRISM模型检测器，PRISM模型检测器确定动作状态转移结果，该结果包括：优秀、一般、不好。
(7)处理迁移动作结果
根据动作状态转移结果提醒老师并记录。
在本发明的(1)获取原始数据和特征步骤中，所述的用户的特征向量F是F1、F2、F3、F4、F5、F6向量的集合，F∈{F1,F2,F3,F4,F5,F6}；其中F1为学生眼睛聚焦的位置，1表示学生直视屏幕，0表示没有看向屏幕；F2为学生的坐姿，1表示学生直坐，0表示学生没有坐直；F3为学生是否正在讲话，1表示学生没有在说话，0表示学生正在讲话；F4为学生是否正在打呵欠，1表示没有打呵欠，0表示正在打呵欠；F5为学生是否在闭眼，1表示没有闭眼，否则为0；F6为学生上节课的表现，1表示没有被提醒，0表示被提醒。
在本发明的(2)确定学生学习状态步骤中，所述的优秀为：特征向量为{1,1,1,1,1,a}；所述的一般为：特征向量为{0,1,1,1,1,a}；所述的不好为：特征向量为{0,0,1,1,1,a}，其中a为1或为0。
在本发明的(3)确定动作状态轨迹序列步骤中，所述的动作为：说话、打呵欠、不看屏幕、闭眼、坐姿不端正。
由于本发明在构建马尔可夫决策过程模型中采用了转移概率Pi,j构建马尔可夫决策过程模型，简化了构建步骤，减少了复杂的计算过程，提高了运算速度，将马尔科夫决策过程模型检测用于学生在线学习效率预测，能准确地预测出学生的学习效率的变化。本发明具有方法简单、运算速度快等优点，可用于网络教育对学生在线学习效率预测。
附图说明
图1是本发明实施例1的流程图。
具体实施方式
下面结合附图和实施例对本发明进一步详细说明，但本发明不限于下述的实施方式。
实施例1
以从图像库中取图像1000幅为例，本实施例的基于深度学习学生在线学习效率预测的模型检测方法由下述步骤组成(参见图1)：
(1)获取原始数据和特征
从图像库中取图像1000幅分为训练集和测试集，其中训练集700幅，测试集300幅，对卷积神经网络模型进行训练，使用测试集进行测试，测试后得到特征集，特征集添加状态标签为贝叶斯训练集，将贝叶斯训练集放入朴素贝叶斯模型，得到状态预测模型，截取用户的使用图像，按帧转换成图片集，用卷积神经网络获取用户的特征向量F，特征向量F是F1、F2、F3、F4、F5、F6向量的集合，即F∈{F1,F2,F3,F4,F5,F6}；其中F1为学生眼睛聚焦的位置，1表示学生直视屏幕，0表示没有看向屏幕；F2为学生的坐姿，1表示学生直坐，0表示学生没有坐直；F3为学生是否正在讲话，1表示学生没有在说话，0表示学生正在讲话；F4为学生是否正在打呵欠，1表示没有打呵欠，0表示正在打呵欠；F5为学生是否在闭眼，1表示没有闭眼，否则为0；F6为学生上节课的表现，1表示没有被提醒，0表示被提醒。
(2)确定学生学习状态
将特征向量导入朴素贝叶斯模型进行优秀、一般、不好分类，得到当前时刻学生的状态。
所述的优秀为：特征向量为{1,1,1,1,1,a}；所述的一般为：特征向量为{0,1,1,1,1,a}；所述的不好为：特征向量为{0,0,1,1,1,a}，其中a为1或为0。本实施例的a取值为1。
(3)确定动作状态轨迹序列
将每个时刻的状态按时刻连接，得到每个动作状态序列，状态序列为：
Figure BDA0003042257550000041
其中，S∈{S1、S2、...、Sn}为状态，A∈{A1、A2、...、Am}为动作，n、m为有限的正整数，本实施例的n的取值为5，m的取值为5。所述的动作为：说话、打呵欠、不看屏幕、闭眼、坐姿不端正。
(4)构建马尔可夫决策过程模型
对每一个动作AK，记录每一次状态转移，建立马尔科夫决策过程模型M如下；
Figure BDA0003042257550000042
马尔科夫决策过程模型M的横轴纵轴均表示状态S，矩阵中Pi,j为状态Si转移到状态Sj的概率，按下式确定转移概率Pi,j：
Figure BDA0003042257550000043
其中，i、j为1到n之间的整数，k为1到m之间的整数，Ni,j,k为在动作Ak下，状态Si迁移进状态Sj所有边的总量；SUMi,j,k为从每个状态Si迁移出动作Ak的边的总数；
由于本实施例采用了转移概率Pi,j构建马尔可夫决策过程模型，简化了构建步骤，减少了复杂的计算过程，提高了运算速度，将马尔科夫决策过程模型检测用于学生在线学习效率预测，能准确地预测出学生的学习效率的变化。
(5)生成PRISM代码
将马尔可夫决策过程模型使用JAVA语言生成PRISM代码。
(6)确定动作状态转移
将PRISM代码放入PRISM模型检测器，PRISM模型检测器确定动作状态转移结果，该结果包括：优秀、一般、不好。
(7)处理迁移动作结果
根据动作状态转移结果提醒老师并记录。
完成基于深度学习学生在线学习效率预测的模型检测方法。
实施例2
以从图像库中取图像1000幅为例，本实施例的基于深度学习学生在线学习效率预测的模型检测方法由下述步骤组成：
(1)获取原始数据和特征
该步骤与实施例1相同。
(2)确定学生学习状态
该步骤与实施例1相同。
(3)确定动作状态轨迹序列
将每个时刻的状态按时刻连接，得到每个动作状态序列，状态序列为：
Figure BDA0003042257550000051
其中，S∈{S1、S2、...、Sn}为状态，A∈{A1、A2、...、Am}为动作，n、m为有限的正整数，本实施例的n的取值为32，m的取值为5，所述的动作为：说话、打呵欠、不看屏幕、闭眼、坐姿不端正。
其它步骤与实施例1相同。
完成基于深度学习学生在线学习效率预测的模型检测方法。
实施例3
以从图像库中取图像1000幅为例，本实施例的基于深度学习学生在线学习效率预测的模型检测方法由下述步骤组成：
(1)获取原始数据和特征
该步骤与实施例1相同。
(2)确定学生学习状态
该步骤与实施例1相同。
(3)确定动作状态轨迹序列
将每个时刻的状态按时刻连接，得到每个动作状态序列，状态序列为：
Figure BDA0003042257550000061
其中，S∈{S1、S2、...、Sn}为状态，A∈{A1、A2、...、Am}为动作，n、m为有限的正整数，本实施例的n的取值为64，m的取值为5，所述的动作为：说话、打呵欠、不看屏幕、闭眼、坐姿不端正。
其它步骤与实施例1相同。
完成基于深度学习学生在线学习效率预测的模型检测方法。
实施例4
在以上的实施例1、2、3中，以从图像库中取图像1000幅为例，本实施例的基于深度学习学生在线学习效率预测的模型检测方法由下述步骤组成：
(1)获取原始数据和特征
该步骤与实施例1相同。
(2)确定学生学习状态
将特征向量导入朴素贝叶斯模型进行优秀、一般、不好分类，得到当前时刻学生的状态。
所述的优秀为：特征向量为{1,1,1,1,1,a}；所述的一般为：特征向量为{0,1,1,1,1,a}；所述的不好为：特征向量为{0,0,1,1,1,a}。本实施例的a取值为0。
其它步骤与实施例1相同。
完成基于深度学习学生在线学习效率预测的模型检测方法。

Claims (1)

1.一种基于深度学习学生在线学习效率预测的模型检测方法，其特征在于，其方法由下述步骤组成：
(1)获取原始数据和特征
从图像库中取图像至少500幅分为训练集和测试集，其中训练集占70％，测试集占30％，对卷积神经网络模型进行训练，使用测试集进行测试，测试后得到特征集，特征集添加状态标签为贝叶斯训练集，将贝叶斯训练集放入朴素贝叶斯模型，得到状态预测模型，截取用户的使用图像，按帧转换成图片集，用卷积神经网络获取用户的特征向量F；
所述的用户特征向量F是F1、F2、F3、F4、F5、F6向量的集合，F∈{F1,F2,F3,F4,F5,F6}；其中F1为学生眼睛聚焦的位置，1表示学生直视屏幕，0表示没有看向屏幕；F2为学生的坐姿，1表示学生直坐，0表示学生没有坐直；F3为学生是否正在讲话，1表示学生没有在说话，0表示学生正在讲话；F4为学生是否正在打呵欠，1表示没有打呵欠，0表示正在打呵欠；F5为学生是否在闭眼，1表示没有闭眼，否则为0；F6为学生上节课的表现，1表示没有被提醒，0表示被提醒；
(2)确定学生学习状态
将特征向量导入朴素贝叶斯模型进行优秀、一般、不好分类，得到当前时刻学生的状态；
所述的优秀为：特征向量为{1,1,1,1,1,a}；所述的一般为：特征向量为{0,1,1,1,1,a}；所述的不好为：特征向量为{0,0,1,1,1,a}，其中a为1或为0；
(3)确定动作状态轨迹序列
将每个时刻的状态按时刻连接，得到每个动作状态序列，状态序列为：
Figure FDA0004157610640000011
其中，S∈{S1、S2、...、Sn}为状态，A∈{A1、A2、...、Am}为动作n取值为5，m取值为5；
所述的动作为：说话、打呵欠、不看屏幕、闭眼、坐姿不端正；
(4)构建马尔可夫决策过程模型
对每一个动作AK，记录每一次状态转移，建立马尔科夫决策过程模型M如下；
Figure FDA0004157610640000021
马尔科夫决策过程模型M的横轴纵轴均表示状态S，矩阵中Pi,j为状态Si转移到状态Sj的概率，按下式确定转移概率Pi,j：
Figure FDA0004157610640000022
其中，i、j为1到n之间的整数，k为1到m之间的整数，Ni,j,k为在动作Ak下，状态Si迁移进状态Sj所有边的总量；SUMi,j,k为从每个状态Si迁移出动作Ak的边的总数；
(5)生成PRISM代码
将马尔可夫决策过程模型使用JAVA语言生成PRISM代码；
(6)确定动作状态转移
将PRISM代码放入PRISM模型检测器，PRISM模型检测器确定动作状态转移结果，该结果包括：优秀、一般、不好；
(7)处理迁移动作结果
根据动作状态转移结果提醒老师并记录。
CN202110460537.6A 2021-04-27 2021-04-27 基于深度学习学生在线学习效率预测的模型检测方法 Active CN113128611B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110460537.6A CN113128611B (zh) 2021-04-27 2021-04-27 基于深度学习学生在线学习效率预测的模型检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110460537.6A CN113128611B (zh) 2021-04-27 2021-04-27 基于深度学习学生在线学习效率预测的模型检测方法

Publications (2)

Publication Number Publication Date
CN113128611A CN113128611A (zh) 2021-07-16
CN113128611B true CN113128611B (zh) 2023-06-06

Family

ID=76780258

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110460537.6A Active CN113128611B (zh) 2021-04-27 2021-04-27 基于深度学习学生在线学习效率预测的模型检测方法

Country Status (1)

Country Link
CN (1) CN113128611B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106919251A (zh) * 2017-01-09 2017-07-04 重庆邮电大学 一种基于多模态情感识别的虚拟学习环境自然交互方法
CN107180284A (zh) * 2017-07-07 2017-09-19 北京航空航天大学 一种基于学习行为特征的spoc学生每周表现预测方法及装置
CN107644272A (zh) * 2017-09-26 2018-01-30 中国科学技术大学 基于行为模式的学生异常学习表现预测方法
CN109614534A (zh) * 2018-11-29 2019-04-12 武汉大学 一种基于深度学习和增强学习的聚焦爬虫链接价值预测方法
CN109919181A (zh) * 2019-01-24 2019-06-21 南京航空航天大学 基于概率模型检测的动态故障树定量分析方法
CN109961047A (zh) * 2019-03-26 2019-07-02 北京儒博科技有限公司 教育机器人的学习监督方法、装置、机器人及存储介质
CN110059716A (zh) * 2019-03-12 2019-07-26 西北大学 一种cnn-lstm-svm网络模型的构建及mooc辍学预测方法
CN110569443A (zh) * 2019-03-11 2019-12-13 北京航空航天大学 一种基于强化学习的自适应学习路径规划系统
CN111242484A (zh) * 2020-01-14 2020-06-05 北京车汇天下科技有限公司 基于转移概率的车辆风险综合评价方法
CN112464496A (zh) * 2020-12-16 2021-03-09 北京航空航天大学 基于概率模型检验的设计模式可靠性分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB202020510D0 (en) * 2013-01-17 2021-02-03 Edico Genome Corp Bioinformatics systems, apparatuses, and methods executed on an integrated circuit processing platform

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106919251A (zh) * 2017-01-09 2017-07-04 重庆邮电大学 一种基于多模态情感识别的虚拟学习环境自然交互方法
CN107180284A (zh) * 2017-07-07 2017-09-19 北京航空航天大学 一种基于学习行为特征的spoc学生每周表现预测方法及装置
CN107644272A (zh) * 2017-09-26 2018-01-30 中国科学技术大学 基于行为模式的学生异常学习表现预测方法
CN109614534A (zh) * 2018-11-29 2019-04-12 武汉大学 一种基于深度学习和增强学习的聚焦爬虫链接价值预测方法
CN109919181A (zh) * 2019-01-24 2019-06-21 南京航空航天大学 基于概率模型检测的动态故障树定量分析方法
CN110569443A (zh) * 2019-03-11 2019-12-13 北京航空航天大学 一种基于强化学习的自适应学习路径规划系统
CN110059716A (zh) * 2019-03-12 2019-07-26 西北大学 一种cnn-lstm-svm网络模型的构建及mooc辍学预测方法
CN109961047A (zh) * 2019-03-26 2019-07-02 北京儒博科技有限公司 教育机器人的学习监督方法、装置、机器人及存储介质
CN111242484A (zh) * 2020-01-14 2020-06-05 北京车汇天下科技有限公司 基于转移概率的车辆风险综合评价方法
CN112464496A (zh) * 2020-12-16 2021-03-09 北京航空航天大学 基于概率模型检验的设计模式可靠性分析方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Learning and Predicting Method of Security State of Cloud Platform Based on Improved Hidden Markov Model;Zhixin Li 等;《2018 3rd International Conference on Smart City and Systems Engineering (ICSCSE)》;20181231;600-605 *
一种基于数据驱动和贝叶斯理论的机械系统剩余寿命预测方法;赵申坤 等;《机械工程学报》;20180630;第54卷(第12期);115-124 *
基于马尔科夫状态转移的家居负荷预测模型;邵传雍 等;《电力需求侧管理》;20210131;第23卷(第1期);55-60 *
混合Markov与Bayes的客户欠费预测模型;吴舒霞 等;《河北大学学报（自然科学版）》;20161231;第36卷(第5期);535-540 *

Also Published As

Publication number Publication date
CN113128611A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
Zhang et al. Uncertainty-aware blind image quality assessment in the laboratory and wild
Dong et al. Teacher supervises students how to learn from partially labeled images for facial landmark detection
JP2016040650A (ja) 分類器構築方法、画像分類方法および画像分類装置
CN110827265B (zh) 基于深度学习的图片异常检测方法
CN114332578A (zh) 图像异常检测模型训练方法、图像异常检测方法和装置
CN113688949A (zh) 一种基于双网络联合标签修正的网络图像数据集去噪方法
CN116311483B (zh) 基于局部面部区域重构和记忆对比学习的微表情识别方法
CN113947262A (zh) 基于异构图学习融合学习参与状态的知识追踪方法
CN115270752A (zh) 一种基于多层次对比学习的模板句评估方法
WO2020135054A1 (zh) 视频推荐方法、装置、设备及存储介质
CN113128611B (zh) 基于深度学习学生在线学习效率预测的模型检测方法
Ma et al. Remote: Reinforced motion transformation network for semi-supervised 2d pose estimation in videos
CN117058752A (zh) 一种基于改进YOLOv7的学生课堂行为检测方法
CN111783852A (zh) 一种基于深度强化学习自适应式生成图像描述的方法
CN111861038A (zh) 一种基于机器学习算法的高考分数预测方法及系统
CN111553250A (zh) 一种基于人脸特征点的精准面瘫程度评测方法及装置
CN113723233B (zh) 一种基于分层时序多示例学习的学生学习参与度评估方法
CN112580520B (zh) 一种基于模仿学习的Deepfake检测方法
CN111553249B (zh) 一种cv下基于h-b分级的精准面瘫程度评测方法及装置
CN110796195B (zh) 一种包含在线小样本激励的图像分类方法
Pande Machine Learning Models for Student Performance Prediction
CN110969109A (zh) 一种非受限条件下眨眼检测模型及其构建方法和应用
Ooi et al. Study on visualization of different teacher behavior based on teacher experience during trial class
Lee et al. Large-Scale and Interpretable Collaborative Filtering for Educational Data
Hussein et al. Detecting Incorrect Visual Demonstrations for Improved Policy Learning

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