CN112699229A - 基于深度学习模型的自适应推题方法 - Google Patents
基于深度学习模型的自适应推题方法 Download PDFInfo
- Publication number
- CN112699229A CN112699229A CN202011621676.4A CN202011621676A CN112699229A CN 112699229 A CN112699229 A CN 112699229A CN 202011621676 A CN202011621676 A CN 202011621676A CN 112699229 A CN112699229 A CN 112699229A
- Authority
- CN
- China
- Prior art keywords
- question
- deep learning
- learning model
- student
- making
- 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
- 238000013136 deep learning model Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 22
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000011435 rock Substances 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- 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
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
- G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
- G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
- G09B7/04—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student characterised by modifying the teaching programme in response to a wrong answer, e.g. repeating the question, supplying a further explanation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开的基于深度学习模型的自适应推题方法，涉及深度学习技术领域，利用预先创建的深度学习模型，预测学生做候选题目集合中各个题目的做题结果，根据学生当前做题的情况，生成做题结果，基于对学生候选题目集合中各个题目的做题情况的预测结果，生成做题结果集合，根据做题结果及学生能力值，从题目集合中选择相应的题目并将该题目推送给学生，能够有效地将与学生能力值最接近的题目推送给学生，有效地提高了学生的学习效果，提高了推送效果。
Description
技术领域
本发明涉及深度学习技术领域，具体涉及一种基于深度学习模型的自适应推题方法。
背景技术
目前的推题方案主要根据学生的能力值和下一个题目的难度来预测学生做下一个题目的正误。即根据学生当前能力值和下一个题目的难度来预测下一题目做对的概率。若该概率小于设定的阈值，则预测学生下一个题目做错；反之，则预测该学生下一个题目做对。在推题的过程中，若学生整体做得较差，则从预测做对的题目中随机选择一个题目作为下一个题目推送给学生来鼓励表现差的学生；若学生整体做得较好，则从预测做错的题目中随机选择一个题目作为下一个题目推送给学生来激励鞭策表现好的学生做得更好。该方案存在以下缺陷：
只根据学生的能力值和题目的难度预测题目的做对概率，显得比较简单和武断，考虑的因素太少，预测结果经常与实际结果不一致，导致推送效果不好。所以说，目前需要一种客观有效的适用于自适应推题的深度学习模型以提高推题效果。
发明内容
为解决现有技术的不足，本发明实施例提供了一种基于深度学习模型的自适应推题方法，该方法包括以下步骤：
利用预先创建的深度学习模型，预测学生做候选题目集合中各个题目的做题结果；
根据学生当前做题的情况，生成当前题目的做题结果；
基于对学生候选题目集合中各个题目的做题情况的预测结果，生成做题结果集合；
根据所述做题结果及学生能力值，从所述题目集合中选择相应的题目并将所述题目推送给学生。
优选地，根据所述做题结果及学生能力值，从所述题目集合中选择相应的题目并将所述题目推送给学生包括：
当所述当前题目的做题结果为错误时，则从所述题目集合中选择做题结果为正确且题目难度与学生能力值最接近的题目并将所述题目推送给学生。
优选地，根据所述做题结果及学生能力值，从所述题目集合中选择相应的题目并将所述题目推送给学生包括：
当所述当前题目的做题结果为正确时，则从所述题目集合中选择做题结果为错误且题目难度与学生能力值最接近的题目并将所述题目推送给学生。
优选地，包括：
从数据库中获取历史做题数据集合，其中，所述历史做题数据集合包括学生标识、题目标识、学生能力值、题目难度、学生水平、学生平均做题时长、平均被做时长、题目正确回答率；
对所述历史做题数据集合中的各条数据做归一化处理并按照设定的比例，将所述历史做题数据集合中的数据分为训练数据和测试数据；
搭建包括输入层、隐含层、输出层的多层感知器神经网络，生成神经网络模型；
将所述训练数据输入神经网络模型对所述神经网络模型进行训练，得到适用于自适应推题的深度学习模型。
优选地，将所述训练数据输入神经网络模型对所述神经网络模型进行训练包括：
将所述训练数据输入神经网络模型，使用交叉熵的损失函数及Adam优化算法，对所述神经网络模型进行训练。
优选地，在得到适用于自适应推题的深度学习模型之后，所述方法还包括：
利用混淆矩阵预测所述深度学习模型的精准度并利用ROC曲线计算所述深度学习模型的AUC值；
选取精准度及AUC值均大于设定阈值的深度学习模型。
优选地，在得到适用于自适应推题的深度学习模型之后，所述方法还包括：
利用K-Fold模型交叉验证所述深度学习模型。
优选地，在得到适用于自适应推题的深度学习模型之后，所述方法还包括：
根据预设的时间周期更新所述历史做题数据集合并利用Grid_search模型对所述深度学习模型进行调参。
本发明实施例提供的基于深度学习模型的自适应推题方法，具有以下有益效果：
(1)根据学生能力值、题目难度、学生水平、学生平均做题时长、平均被做时长、题目正确回答率推测学生做题正误，避免了仅通过少数角度来预测学生做题正误的缺陷，准确度较高；
(2)利用混淆矩阵中召回率、精确度这类指标来衡量深度学***均做题时长、平均被做时长这两个不太容易判定下一题正误的字段也能提高区分度，从而提高了深度学习模型的精确度；
(3)从预测做题结果为正确/错误的候选题目中，进一步选出难度与学生能力值最相近的题目，使得学生做更加适合其当前能力水平的题目，提高了推题效果。
具体实施方式
以下结合具体实施例对本发明作具体的介绍。
本发明提供的实施例提供基于深度学习模型的自适应推题方法包括以下步骤：
S101，利用预先创建的深度学习模型，预测学生做候选题目集合中各个题目的做题结果；
S102，根据学生当前做题的情况，生成当前题目的做题结果；
S103，基于对学生候选题目集合中各个题目的做题情况的预测结果，生成做题结果集合；
S104，根据做题结果及学生能力值，从题目集合中选择相应的题目并将该题目推送给学生。
可选地，根据做题结果及学生能力值，从题目集合中选择相应的题目并将该题目推送给学生包括：
当当前题目的做题结果为错误时，则从题目集合中选择做题结果为正确且题目难度与学生能力值最接近的题目并将题目推送给学生。
可选地，根据做题结果及学生能力值，从题目集合中选择相应的题目并将题目推送给学生包括：
当当前题目的做题结果为正确时，则从题目集合中选择做题结果为错误且题目难度与学生能力值最接近的题目并将题目推送给学生。
可选地，深度学习模型的创建过程包括：
从数据库中获取历史做题数据集合，其中，历史做题数据集合包括学生标识、题目标识、学生能力值、题目难度、学生水平、学生平均做题时长、平均被做时长、题目正确回答率。
其中，学生能力值为基于IRT理论对于题目所属知识点进行测试得出学生在该知识点上能力的定位；题目难度为基于题目下各学生做题正误得出的统计难度；学生水平为基于学生在课程中测试和学***；学生平均做题时长为该学生历史做题平均时长；题目平均被做时长为该题目历史被做题平均时长；题目正答率为题目被做过该题的所有学生做对的比率。
对历史做题数据集合中的各条数据做归一化处理并按照设定的比例，将所述历史做题数据集合中的数据分为训练数据和测试数据。
其中，训练数据为通过大量已有数据并用于对深度学习模型进行训练的数据；测试数据为用于对搭建好的深度学习模型进行测试、验证深度学习模型精准度的数据。作为一个具体的实施例，对历史做题数据集合中的数据按7：3的比例分组成训练数据和测试数据。
搭建包括输入层、隐含层、输出层的多层感知器神经网络，生成神经网络模型。
其中，该步骤是基于逻辑斯蒂回归模型搭建的。输出层包括sigmoid函数，对输出的数值进行sigmoid转换得到(0，1)之间的值，再通过分类阈值给到分类结果。(如该值大于0.5，则输出预测结果为做题正确，否则输出预测结果为做题错误)。存在于输入层和隐含层均包括Relu函数，用于去除负数值、将负数值转为非负数。
将训练数据输入神经网络模型对神经网络模型进行训练，得到适用于自适应推题的深度学习模型。
可选地，将训练数据输入神经网络模型对所述神经网络模型进行训练包括：
将训练数据输入神经网络模型，使用交叉熵的损失函数及Adam优化算法，对神经网络模型进行训练。
可选地，在得到适用于自适应推题的深度学习模型之后，该方法还包括：
利用混淆矩阵预测所述深度学习模型的精准度并利用ROC曲线计算所述深度学习模型的AUC值。
其中，混淆矩阵是一个2×2形式的分析表，显示以下四组记录的数目：作出正确判断的肯定记录(真阳性)、作出错误判断的肯定记录(假阴性)、作出正确判断的否定记录(真阴性)以及作出错误判断的否定记录(假阳性)。混淆矩阵的作用：
(1)用于观察深度学习模型在各个类别上的表现，可以计算深度学习模型对应各个类别的准确率、召回率；
(2)通过混淆矩阵可以观察到哪些类别不容易区分，比如A类别中有多少被分到了B类别，这样可以有针对性的设计特征，使得类别更有区分性。学生平均做题时长、平均被做时长这两个字段不易区分下一题是否做对，所以使用混淆矩阵可以提高区分性。
作为一个具体实施例，表1给出了混淆矩阵的结构，根据混淆矩阵得到预测做对、做错以及实际做对、做错的情况如下表所示：
表1
| 实际正确 | 实际错误 | |
| 预测正确 | 358 | 120 |
| 预测错误 | 135 | 268 |
可得出该模型预测的指标分别为：
精确度：(358+268)/(358+268+120+135)＝71％，
召回率：358/(358+135)＝73％,
精准度：358/(358+120)＝75％。
选取精准度及AUC值均大于设定阈值的深度学习模型。
作为一个具体的实施例，选择AUC值和精准度均大于0.8的深度学习模型。
可选地，在得到适用于自适应推题的深度学习模型之后，该方法还包括：
利用K-Fold模型交叉验证深度学习模型。
作为一个具体的实施例，该过程具体包括：
用K-fold方法交叉验证，防止过拟合，将数据分为多份(如5份)，每次取1份为测试数据，其他4份为训练数据来分别拟合神经网络模型，观察其结果。
具体举例：
假设有1000条数据，分为5份，每份200条，分别标记为D1、D2、D3、D4、D5。
则第一次用D2、D3、D4、D5作为训练数据，D1为测试数据来搭建训练神经网络。
第二次用D1、D3、D4、D5作为训练数据，D2为测试数据来搭建训练神经网络。
第三次用D1、D2、D4、D5作为训练数据，D3为测试数据来搭建训练神经网络。
以此类推，一共5次。如果5次的精准度、AUC值之间差别不大，则模型不存在过拟合现象，较为合理。
可选地，在得到适用于自适应推题的深度学习模型之后，该方法还包括：
根据预设的时间周期更新所述历史做题数据集合并利用Grid_search模型对所述深度学习模型进行调参。
作为一个具体的实施例，需要调参的参数包括：训练批量大小、迭代次数、学习速率。
本发明实施例提供的基于深度学习模型的自适应推题方法，利用预先创建的深度学习模型，预测学生做候选题目集合中各个题目的做题结果，根据学生当前做题的情况，生成做题结果，预测学生候选题目集合中各个题目的做题情况，生成做题结果集合，根据做题结果及学生能力值，从题目集合中选择相应的题目并将该题目推送给学生，能够有效地将与学生能力值最接近的题目推送给学生，有效地提高了学生的学习效果，提高了推送效果。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
可以理解的是，上述方法及装置中的相关特征可以相互参考。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种基于深度学习模型的自适应推题方法，其特征在于，包括：
利用预先创建的深度学习模型，预测学生做候选题目集合中各个题目的做题结果；
根据学生当前做题的情况，生成当前题目的做题结果；
基于对学生候选题目集合中各个题目的做题情况的预测结果，生成做题结果集合；
根据所述做题结果及学生能力值，从所述题目集合中选择相应的题目并将所述题目推送给学生。
2.根据权利要求1所述的基于深度学习模型的自适应推题方法，其特征在于，根据所述做题结果及学生能力值，从所述题目集合中选择相应的题目并将所述题目推送给学生包括：
当所述当前题目的做题结果为错误时，则从所述题目集合中选择做题结果为正确且题目难度与学生能力值最接近的题目并将所述题目推送给学生。
3.根据权利要求1所述的基于深度学习模型的自适应推题方法，其特征在于，根据所述做题结果及学生能力值，从所述题目集合中选择相应的题目并将所述题目推送给学生包括：
当所述当前题目的做题结果为正确时，则从所述题目集合中选择做题结果为错误且题目难度与学生能力值最接近的题目并将所述题目推送给学生。
4.根据权利要求1所述的基于深度学习模型的自适应推题方法，其特征在于，其特征在于，所述深度学习模型的创建过程包括：
从数据库中获取历史做题数据集合，其中，所述历史做题数据集合包括学生标识、题目标识、学生能力值、题目难度、学生水平、学生平均做题时长、平均被做时长、题目正确回答率；
对所述历史做题数据集合中的各条数据做归一化处理并按照设定的比例，将所述历史做题数据集合中的数据分为训练数据和测试数据；
搭建包括输入层、隐含层、输出层的多层感知器神经网络，生成神经网络模型；
将所述训练数据输入神经网络模型对所述神经网络模型进行训练，得到适用于自适应推题的深度学习模型。
5.根据权利要求4所述的基于深度学习模型的自适应推题方法，其特征在于，将所述训练数据输入神经网络模型对所述神经网络模型进行训练包括：
将所述训练数据输入神经网络模型，使用交叉熵的损失函数及Adam优化算法，对所述神经网络模型进行训练。
6.根据权利要求4所述的基于深度学习模型的自适应推题方法，其特征在于，在得到适用于自适应推题的深度学习模型之后，所述方法还包括：
利用混淆矩阵预测所述深度学习模型的精准度并利用ROC曲线计算所述深度学习模型的AUC值；
选取精准度及AUC值均大于设定阈值的深度学习模型。
7.根据权利要求4所述的基于深度学习模型的自适应推题方法，其特征在于，在得到适用于自适应推题的深度学习模型之后，所述方法还包括：
利用K-Fold模型交叉验证所述深度学习模型。
8.根据权利要求4所述的基于深度学习模型的自适应推题方法，其特征在于，在得到适用于自适应推题的深度学习模型之后，所述方法还包括：
根据预设的时间周期更新所述历史做题数据集合并利用Grid_search模型对所述深度学习模型进行调参。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011621676.4A CN112699229A (zh) | 2020-12-30 | 2020-12-30 | 基于深度学习模型的自适应推题方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011621676.4A CN112699229A (zh) | 2020-12-30 | 2020-12-30 | 基于深度学习模型的自适应推题方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112699229A true CN112699229A (zh) | 2021-04-23 |
Family
ID=75512920
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011621676.4A Pending CN112699229A (zh) | 2020-12-30 | 2020-12-30 | 基于深度学习模型的自适应推题方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112699229A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114358425A (zh) * | 2022-01-06 | 2022-04-15 | 杭州数理大数据技术有限公司 | 一种试题选择方法、装置、电子设备及存储介质 |
| CN114936315A (zh) * | 2022-04-07 | 2022-08-23 | 网易有道信息技术（北京）有限公司 | 自适应推题的方法及其相关产品 |
| CN114936315B (zh) * | 2022-04-07 | 2024-07-16 | 网易有道信息技术（北京）有限公司 | 自适应推题的方法及其相关产品 |
-
2020
- 2020-12-30 CN CN202011621676.4A patent/CN112699229A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114358425A (zh) * | 2022-01-06 | 2022-04-15 | 杭州数理大数据技术有限公司 | 一种试题选择方法、装置、电子设备及存储介质 |
| CN114936315A (zh) * | 2022-04-07 | 2022-08-23 | 网易有道信息技术（北京）有限公司 | 自适应推题的方法及其相关产品 |
| CN114936315B (zh) * | 2022-04-07 | 2024-07-16 | 网易有道信息技术（北京）有限公司 | 自适应推题的方法及其相关产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111783953B (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
| CN106168799B (zh) | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 | |
| US20210003640A1 (en) | Fault locating method and system based on multi-layer evaluation model | |
| CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
| CN107958292B (zh) | 基于代价敏感学习的变压器模糊谨慎推理故障诊断方法 | |
| CN110175386B (zh) | 变电站电气设备温度预测方法 | |
| CN107590247B (zh) | 一种基于群体知识诊断的智能组卷方法 | |
| CN111860658A (zh) | 一种基于代价敏感和集成学习的变压器故障诊断方法 | |
| CN107609774B (zh) | 一种基于思维进化算法优化小波神经网络的光伏功率预测方法 | |
| CN103810101A (zh) | 一种软件缺陷预测方法和软件缺陷预测*** | |
| CN112734128A (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
| US20230168643A1 (en) | Industrial internet of things based on abnormal identification, control method, and storage media thereof | |
| CN113705615B (zh) | 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及*** | |
| CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
| CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
| CN111626372B (zh) | 一种线上教学监督管理方法及*** | |
| CN112733417A (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和*** | |
| CN105956722A (zh) | 一种短期风电功率的预测方法及装置 | |
| CN114091360B (zh) | 一种多模型融合的电压互感器误差状态评估方法 | |
| CN117113166A (zh) | 一种基于改进的集成学习的工业锅炉故障检测方法 | |
| CN112699229A (zh) | 基于深度学习模型的自适应推题方法 | |
| CN110096723B (zh) | 基于运维检测大数据的高压开关柜绝缘状态分析方法 | |
| CN112883284B (zh) | 一种基于网络和数据分析的在线学习***及测试题推荐方法 | |
| CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
| MirRokni | Applying genetic algorithm in architecture and neural network training |
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 |