基于多隐层神经网络的英语线上教学交互系统设计

2022-11-28 09:28王烨
自动化技术与应用 2022年10期
关键词:隐层神经网络传输

王烨

(哈尔滨医科大学大庆分校,黑龙江 大庆 163319)

1 引言

随着信息时代的到来,我国现代教育技术得到了飞速的发展,教育信息化逐渐成为各个学校目前信息化教育的常态,在较发达的城市很多学校已经开始开展信息化教育的示范工作[1]。随着信息化教育设施的不断完善,各类中小学都开始加入到信息化教育的行列中,并将信息化教育作为现代教育的重点,很大程度上促进了信息化教育的发展,也使信息化教育越来越受到了社会各界的重视[2]。以英语线上教学为例,构建线上教学交互系统,实现英语资源的共享,可以提高学生的学习效率,利用信息化技术提升英语线上教育的交互水平,充分发挥教师的引导作用,最终实现以学生为主体的双主体交互教学模式。

针对这种智能系统的开发,相关学者也提出了一些好的方法:张颖提出设计一款能够应用于Android 系统的移动学习平台,设计了平台总体结构,RTMP视频传输协议,Red5流媒体服务器,视频采集与编码和视频解码与播放五大模块,实现了移动教学平台的设计[3]。梁玮提出设计一款英语发音教学平台,通过短时过零率端点检测识别语音并预处理,获取语音频谱特征并分析匹配度,根据发音共振峰对比实现学习质量的反馈[4]。但是,这些系统都面临一个较大的问题,就是缺乏交互性,几乎都是以人工实时通信代替交互功能。为了完善系统交互功能,本文基于多层隐含神经网络对英语线上教学交互系统进行改进设计,对提高信息化、智能化教学水平具有重要意义。

2 英语线上教学交互系统总体设计

英语线上教学交互系统结构如图1所示。

系统的主要任务是为教与学提供人机交互的界面[6]。其教学界面层是该硬件系统的核心部分,其主要功能包括线上信息的收集以及对信息进行预处理,实现英语线上教学交互系统的个性化功能。系统资源层的功能主要是存储各类信息,如用户信息、英语教学资源等信息。

2.1 线上教学信息收集模块

交互性的前提是有足够多的信息可供系统分析,线上教学的信息收集模块,其主要作用是收集和存储学生对线上英语教学的信息数据,不仅支持不同的信息数据格式,还包括数据库的实时同步以及多种数据同步更新[7]。该信息收集模块采用新数据模板的设计方式,完成对原始数据的资源配置,实现英语线上教学信息数据的统一收集与管理。信息收集模块的结构如图2所示。

2.2 学生交互学习模块

学生交互学习模块是英语线上教学交互系统设计中的核心部分,它能准确地反映学生对于英语线上教学的实际学习能力与水平,为整个交互系统提供重要的教学数据支持[8]。该模块由多个线上英语教学代理构成,不同的线上英语教学代理都是一个独立的人工智能个体,可以针对相关的问题进行教学重现与问题解决,为学生提供准确的教学辅导与帮助。在整个学习模块中,协作机制不仅可以实现英语教学资源的共享,还可以监控学生的学习过程,及时向服务器发送合适的英语教学策略。学生学习模块结构如图3所示。

2.3 人机交互界面

人机交互界面是实现英语线上教与学沟通的媒介[9],其提供的英语资源是学生所熟知的,人机交互界面中的登录界面如图4所示。

英语线上教学的人机交互系统会根据学生的历史记录判断学生的学习能力,为学生推荐没有学过的英语资源。

3 基于多隐层神经网络的需求自主学习

英语线上教学环境搭建的原理,主要是将线上教学信息收集模块采集的数据信息上传到智能算法内。本文设计多隐层神经网络,构建出神经网格图,根据学生学习模块的要求,结合交互界面构建神经网络三维模型。用函数表示如下[10]:

上式中,δ表示英语线上教学环境的信息数据,△p表示线上教学的数据库内的信息数据,二者之间的关系为正负方向,为线上教学的实时数据与数据库内数据之间的配比,ωi表示由i个子模型绘制出来的线上教学虚拟模型。

根据线上交互系统的要求,调整多隐层神经网络模型中的参数,获取不同参数下的英语教学虚拟模型,满足该英语线上教学的实际需求[11]。设神经网络模型的分析点分别为xi和yi,此时该三维模型的总需求点为z=xiyi。进一步调整需求点并区分,表达式如下:

上式中,线上教学神经网络三维模型中正反方向的模型学习因子分别为f1和f2,正反方向的模型长度分别为l1和l2,θ表示线上英语教学需求的对比度,t为调节需求内对比度的时长,n表示模型的表面数量。

需要找到合适的隐藏输出层传递函数,来传递学习结果[12],传输信道的函数f(x)可表示为:

平行样的测定有助于减小随机误差,是对测定进行最低限度的精密度检查。平行样测定结果的相对偏差不应大于标准方法或统一方法所列标准偏差的2.83倍。进行回收率的测定时,加入标准物质的量与样品中待测物质的浓度水平相等或接近。一般情况下要求加入标准物质的量不大于样品中待测物质含量的0.5~2倍。

针对不同的传输信道,ω的值也会有所不同。在传输信道进行输出层传递过程中,ω的值越大,传输信道之间的数据分类能力较小,这样更有利于对传输信道内的交互需求进行分类[13]。根据小波函数对多隐层神经网络内的传输需求进行训练,结合最小梯度下降法,得到传输交互需求的迭代公式如下:

其中,D为传输交互需求中的迭代函数,(n)表示多隐层神经网络的输出序列,S(n)表示传输信道之间的连接权值,μ表示迭代的次数。在多隐层神经网络中,根据权值迭代的公式定义差异,求取隐层神经网络连接权值为Su(n),对多层隐含神经网络中的传递交互需求求解,通过迭代计算的方式,计算出多隐层神经网络权值与传输交互需求的权值,即:

其中,在多隐层神经网络中,隐含层的单元为v,输入层的单元为u,两个层次之间的连接权值为Suv(n)。

根据上述的迭代公式,教学交互系统输出的(n)为系统内的估计值x(n),即:

上式中,κ表示交互需求传输过程中的响应;φ表示在传输信道中,传递交互需求的传输质量。

4 交互反应程序

在准确提取交互需求信息后,可区分线上教学交互信息:包括学生提问的信息与人工智能作答的信息,也是教与学的互动信息。学生的提问信息包括学生关于线上英语资源的各类问题,而人工智能作答信息主要包括海量的英语资源数据库[14]。需要把这些海量的且分散的英语资源信息进行分类,并统一进行存储与管理。将这些信息用函数形式表示为:

设n个线上教学对象的集合为X={x1,x2,…,xn},从中选择m个线上教学回复指标并用集合表示为Y={y1,y2,…,ym},此时的教学交互结果为D=f(W),其中各个交互指标的权重系数为W={w1,w2,…,wm}。为了将这些海量的线上教学资源进行分类,需要结合多隐层神经网络交互程序[15],通过多隐层神经网络的输入层构建交互渠道,得到多隐含层神经网络X型函数表达式如下:

式中,多隐层神经网络的神经元表示为x1,x2,…,xn,它们相对应的权重值表示为w1,w2,…,wn。再利用多隐层神经网络的数据处理功能,对传递完成后的英语教学资源信息进行处理,最终得到输出层的结果。

综上所述,利用多隐层神经网络完成对教学交互程序的应答研究,多隐层神经网络中的隐含层数目nH为:上式中,在多隐层神经网络中,输出层的神经元数量为m,输入层的神经元数量为n。从而实现了系统的软件设计。

5 系统测试分析

教学交互系统在功能测试中,主要包括日志收集、数据推荐和多用户测试等,具体为:(1)日志收集。测试点击、收藏、评估和观看时间,准确记录用户登录系统的有效行为;(2)大数据推荐。测试对终端进行在线教学交互行为的持续生成,查看推荐的教学资源变化,根据用户行为刷新和更新用户的推荐列表;(3)多用户测试。测试推荐模块和多个用户交互行为,全部用户能够正常接收到推荐的视频列表。

交互系统可以很好地处理多用户并发的情况,通过更新用户登录系统的行为,为用户推荐英语线上教学资源列表,为用户推荐其感兴趣的英语线上教学资源,说明基于多隐层神经网络的英语线上教学交互系统可以根据用户的兴趣爱好,为其推荐教学资源。

完成系统的功能测试之后,又通过内存使用状况和交互性两个指标,测试了系统的性能,系统的内存使用状况测试结果如图5所示。

从图5的结果可以看出,交互系统在实现英语线上教学时,最大内存只有4MB,当英语教学资源数量在80 个以内时,系统的内存使用状况呈现缓慢上升趋势,之后基本趋于稳定的状态,说明系统在内存使用状况方面具有一定的稳定性。

为了验证交互系统在实际应用中的性能,在1342 名学生中随机挑选100 名学生,测试系统的交互性,结果如图6所示。

从图6的结果可以看出,应用本系统时,得到的英语线上教学信息提交次数,基本上与英语线上教学信息的反馈次数一致,通过分析英语线上教学的主动交互曲线和被动交互曲线,发现两条交互曲线具有比较剧烈的波动,说明系统具有频繁的交互次数,可以向用户反馈相应的英语教学信息,当用户在使用过程中发现问题时,系统也可以针对不同的问题给出不同的解释。

6 结束语

本文提出了基于多隐层神经网络的英语线上教学交互系统,在多隐层神经网络的基础上,设计了英语线上教学交互系统的硬件和软件,实现了英语线上教学交互。测试结果显示,本文设计的英语线上教学交互系统不仅具有强大的功能,在性能方面也具有很大优势,均能满足用户的使用需求。

猜你喜欢
隐层神经网络传输
基于RTD可编程逻辑门的n变量函数实现算法
基于神经网络的船舶电力系统故障诊断方法
一种自适应确定隐层节点数的增量半监督超限学习机算法
基于递归模糊神经网络的风电平滑控制策略
轨道交通信号系统无线传输应用
卷积神经网络模型信息的深层安全控制方法及其优化
5G高新视频的双频段协同传输
5G 16K虚拟现实视频传输关键技术
牵引8K超高清传输时代 FIBBR Pure38K
基于改进烟花算法的ELM 分类模型*