返回主站|会员中心|保存桌面|手机浏览

《科技资讯》杂志

杂志等级
    期刊级别:国家级期刊 收录期刊:知网收录(中) 维普收录(中) 万方收录(中) 国家图书馆馆藏 上海图书馆馆藏
本刊往期
站内搜索
 
友情链接
  • 暂无链接
首页 > 杂志论文 > 人工智能视域下BP灰色神经网络助推智能教育
杂志文章正文
人工智能视域下BP灰色神经网络助推智能教育
发布时间:2018-12-03        浏览次数:25        返回列表

刘效含 李华

摘 要:随着科学技术的迅速发展,在人工智能浪潮的冲击和影响下,教育必将面临一场深层次的变革。教育的发展离不开师资和学资,优化教育资源是完善提高教育质量的重中之重,智能教育必将是时代背景下教育发展所追逐的目标。本文利用BP神经网络和灰色系统,建立了一个应用于智能教育的BP-GM(1,1)预测模型,避免“一锅端”式的教学,精准预测学生的发展倾向,对学生进行分层次的个性化培养。

关键词:人工智能 灰色系统 BP神经网络 智能教育

中图分类号:TP319 文献标识码:A 文章编号:1672-3791(2018)08(b)-0005-02

随着灰色神经网络为代表的机器学习算法在各个领域取得的成功,以及云计算、大数据等提供丰富而源源不断的数据资源,人工智能正步入一个飞速发展的时期,且改变着各行各业,人工智能与教育的融合创新必将成为未来教育变革与发展的重要趋势。在此形势下,教育如何适应智能时代的需求,乘智能时代之风,利用智能技术推进教学模式变革,成为世界各国政府面临的重要挑战。

1 精准预测,避免“一锅端”式的教学

在人工智能大数据的背景下创建智能教育,实施学生培养的个性化。例如,人工智能技术可根据学生的出勤率、考试成绩以及金工实习成绩等数据,如同量身定做一样,为每一个学生预测其发展倾向,实现个性化、分层次培养。当学生的特征不明确或效果不明显时,人工智能还可通过改进智能算法或优化数据分析,基于各类知识库进行推理,实时反馈,从而不断完善预测算法的相关系数,优化预测模型,提高个性化预测的准确性。

通过该预测系统可以及时掌握学生的状态,提高教学质量,在出现问题之前提前做好防范措施,避免由于“一锅端”式的教学而导致人才损失或是问题学生的产生。

2 人工智能与智能教育技术框架

人工智能的实现主要依赖于3个核心要素:数据、算法、服务,其中数据是基础,算法是核心,服务是目的。通过构建“数据层”“算法层”“服务层”来完成整个通用技术框架。

(1)数据层。数据层也可称之为数据库,主要负责采集、整理、存储有关学生各类教育方面的数据,它是作为整个系统的输入端口,也是整个系统得以实现的基础与根源。

(2)算法层。算法层是整个技术形态实现的核心。运用各种算法对数据层的数据进行运算、分析,实现数据的智能化处理。

(3)服务层。服务层是是整个技术系统实现的最终功能的体现。它接受来自算法层的处理结果,并作为整个系统的输出端口服务于教育的各个领域。

本文提出了一个基于BP灰色神经网络预测模型的技术框架,如图1所示。

3 基于BP神经网络的灰色系统的教学评价预测模型

3.1 灰色GM(1,1)预测模型

3.2 BP神经网络

人工神经网络处理信息是从已有的数据中自行归纳规则,获得数据的某种内在联系,通过样本信息对神经网络达到一个训练的作用,它具有良好的自学习、自适应、联想记忆、并行处理和非线性形转换能力,特别适合于因果关系复杂的非确定性推理、判断、识别和分类等问题[3]。

BP神经网络是基于误差反向传播(back propagation)算法的多层前馈网络。它的学习过程由信号的正向传播与误差的逆向传播两个过程组成[4]。

3.3 BP-GM(1,1)预测模型的建立

(1)输入原始数据资料。

(2)应用灰色系统模型进行预测,得到预测序列;

(3)将预测值作为输入量,原始数据作为期望值,对BP神经网络进行训练,得到相应的权值和阀值;

(4)输入需要预测的时间点,就可以获得相当精度的预测量。

4 结语

教育是一个非常复杂的體系,对学生的学习行为和状况进行科学合理的评价和精准的预测,也是一项艰难的任务。但随着人工智能带来的信息化和智能化的理念和实现手段,为教育的快速发展提供了前所未有的便利。

本文在人工智能大时代背景下,应用BP神将网络与灰色系统构建智能教育BP-GM(1,1)预测模型,通过该模型即可准确的预测学生的发展方向,教师就可以根据学生特性进行有目的培养,不至于造成师资、学资的浪费,达到精准预测,精准培养的智能教育体系。

参考文献

[1] 刘思峰,谢乃明.灰色系统理论及其应用[M].北京:科学出版社,2013:1-2.

[2] Xiao Han Liu.A Novel Grey Forecasting Model with Rolling Mechanism using Taguchi-based Differential Evolution Algorithm to Optimize the Bicycle Industry in China[J].Industrial Engineering & Management Syetems, 2018,17(1):72-81.

[3] 刘中侠,蒋诗泉.基于灰色GM(1,1)和BP神经网络组合预测模型及应用[J].铜陵学院学报,2016,15(3):102-104.

[4] 蔡自兴,徐光祐.人工智能及其应用[M].北京:清华大学出版社,2010:243.