CN117196418B - 一种基于人工智能的阅读教学质量评估方法及*** - Google Patents
一种基于人工智能的阅读教学质量评估方法及*** Download PDFInfo
- Publication number
- CN117196418B CN117196418B CN202311477377.1A CN202311477377A CN117196418B CN 117196418 B CN117196418 B CN 117196418B CN 202311477377 A CN202311477377 A CN 202311477377A CN 117196418 B CN117196418 B CN 117196418B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- design
- parameter
- reading
- 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
Links
- 238000001303 quality assessment method Methods 0.000 title claims abstract description 27
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 238000013461 design Methods 0.000 claims abstract description 58
- 238000011176 pooling Methods 0.000 claims abstract description 32
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000003066 decision tree Methods 0.000 claims description 33
- 238000013441 quality evaluation Methods 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于人工智能的阅读教学质量评估方法及***,方法包括数据采集、数据预处理、设计阅读教学质量评估模型、模型参数搜索和实时运行。本发明属于数据分析技术领域,本方案基于卷积层和池化层设计,减少模型参数,降低数据维度,提高模型泛化能力,基于梯度设计拟合残差,提高模型稳定性,通过导入特征转换,提高模型在特征处理上的灵活性;基于搜索空间上下限初始化参数位置,通过自适应缩放因子使算法在不同阶段更好地搜索解目标,从而实现全局最优和局部最优双达标。
Description
技术领域
本发明涉及数据分析技术领域,具体是指一种基于人工智能的阅读教学质量评估方法及***。
背景技术
阅读教学质量评估方法是对学生的阅读过程和结果进行监测和评估,从而提供更精确的教学评估和建议。但是传统质量评估模型存在特征提取有限,模型复杂度高,泛化能力弱从而导致模型准确率低的问题;传统的搜索算法存在求解多目标优化问题的搜索能力较差,算法不会收敛到全局最优的问题。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了一种基于人工智能的阅读教学质量评估方法及***,针对传统质量评估模型存在特征提取有限,模型复杂度高,泛化能力弱从而导致模型准确率低的问题,本方案基于卷积层和池化层设计,减少模型参数,降低数据维度,提高模型泛化能力,基于梯度设计拟合残差,提高模型稳定性,通过导入特征转换,提高模型在特征处理上的灵活性;针对传统的搜索算法存在求解多目标优化问题的搜索能力较差,算法不会收敛到全局最优的问题,本方法基于搜索空间上下限初始化参数位置,通过自适应缩放因子使算法在不同阶段更好地搜索解目标,从而实现全局最优和局部最优双达标。
本发明采取的技术方案如下:本发明提供的一种基于人工智能的阅读教学质量评估方法,该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:数据预处理;
步骤S3:设计阅读教学质量评估模型,通过改进决策树进行设计梯度模型,基于卷积层设计、池化层设计和梯度设计完成整个评估模型的设计;
步骤S4:模型参数搜索,基于搜索空间上下限初始化参数位置,基于设计自适应缩放因子进行参数位置更新;
步骤S5:实时运行。
进一步地,在步骤S1中,所述数据采集是收集阅读教学相关数据,包括学生阅读成绩、学生学习进度、学生作业成绩、教师教学进度及质量评估等级。
进一步地,在步骤S2中,所述数据预处理是将采集的数据转化为向量形式,将质量评估等级作为标签,并对数据进行归一化处理。
进一步地,在步骤S3中,所述设计阅读教学质量评估模型具体包括以下步骤:
步骤S31:卷积层设计,卷积层的作用是将相邻两层中的每个神经元与前一层卷积窗口中的神经元相关联,并通过参数共享的方式对同一层中的神经元进行顺序分配,将所有通道的卷积结果相加,并且经过激活函数得到W的值,该层有两个卷积核和两个通道,每个通道对应一个卷积核,所用公式如下:
;
式中,h是卷积结果,k1是通道数,i1和j1是数据的坐标位置,W是权重,σ是激活函数,b是偏置,X是输入;
步骤S32:池化层设计,池化层的主要功能是对数据进行降采样操作,进行特征选择,所用公式如下:
;
式中,s0是池化层步长;A是池化结果,fc是池化窗口大小,xc和yc是池化窗口内的位置坐标,pm是池化操作方式,l是池化层数;
步骤S33:梯度设计,步骤包括:
步骤S331:改进决策树进行设计梯度模型,所用公式如下:
;
式中,fM是模型输出结果,M是决策树的数量,T(x;Θm)是第m个决策数对梯度数据x的输出结果,Θm是表示决策树配置的参数;每次迭代生成的决策树都是使用前一轮决策树的残差进行训练;
步骤S332:计算决策树参数,所用公式如下:
;
式中,yn是实际值,L是损失函数,N是样本数据的数量,n是样本数据索引,fm-1(xn)是前一轮模型输出结果;
步骤S333:利用损失函数的负梯度拟合残差生成决策树,过程如下:
步骤S3331:对于每次迭代m=1,2,...,M;
步骤S3332:用常量c初始化第一个决策树:
;
式中,f0(·)是初始化的决策树;
步骤S3333:计算残差近似值rmn,所用公式如下:
;
步骤S3334:对于每个样本数据(xn,yn),将类别特征转换为数值特征后,拟合一个CART回归树,获得叶节点的区域Rmu,转换特征所用公式如下:
;
式中,是转换后的数值特征,xj,k 和xz,k是类别特征,a是先验值,Yj是相应特征的
标签值;p是具有相同类别特征值的样本个数,z和j是不同个数的索引,k是特征值索引;
步骤S3335:计算叶节点区域的最优值cmu,所用公式如下:
;
步骤S3336:更新模型,所用公式如下:
;
式中,U是区域数量,u是区域索引,I(·)是指示函数;
步骤S3337:输出最终的梯度模型fM(x)。
进一步的,在步骤S4中,所述模型参数搜索具体包括以下步骤:
步骤S41:初始化,基于参数搜索空间初始化参数位置,并将基于参数位置建立的模型性能作为参数适应度值,初始化位置所用公式如下:
;
式中,是搜索空间rj维度下限,是搜索空间rj维度上限;ri是个体
索引,rx是个***置,0指初始化迭代次数为0;
步骤S42:设计自适应缩放因子F,在算法前期关注全局搜索解能力,在算法后期关注其局部搜索解能力,所用公式如下:
;
式中,Fmin是最小比例因子值,是比例因子变化范围,t是当前迭代次数,tmax是最大迭代次数;
步骤S43:更新参数位置,所用公式如下:
;
式中,bt是最优个体,r1、r2和ri是个体索引;
步骤S44:搜索判定,预先设有适应度阈值,当存在参数个体适应度值高于适应度阈值时,基于个***置建立神经网络;若达到最大迭代次数,则重新初始化并搜索参数;否则继续迭代搜索。
进一步地,在步骤S5中,所述实时运行是实时采集阅读教学相关数据,基于阅读教学质量评估模型输出质量评估等级,持续采集数据对模型进行更新。
本发明提供的一种基于人工智能的阅读教学质量评估***,包括数据采集模块、数据预处理模块、阅读教学质量评估模型设计模块、模型参数搜索模块和实时运行模块;
所述数据采集模块收集阅读教学相关数据,包括学生阅读成绩、学生学习进度、学生作业成绩、教师教学进度及质量评估等级,并将数据发送至数据预处理模块;
所述数据预处理模块将采集的数据转化为向量形式,将质量评估等级作为标签,并对数据进行归一化处理,并将数据发送至阅读教学质量评估模型设计模块;
所述阅读教学质量评估模型设计模块通过改进决策树进行设计梯度模型,基于卷积层设计、池化层设计和梯度设计完成整个评估模型的设计,并将数据发送至模型参数搜索模块;
所述模型参数搜索模块基于搜索空间上下限初始化参数位置,基于设计自适应缩放因子进行参数位置更新,并将数据发送至实时运行模块;
所述实时运行模块实时采集阅读教学相关数据,基于阅读教学质量评估模型输出质量评估等级,持续采集数据对模型进行更新。
采用上述方案本发明取得的有益效果如下:
(1)针对传统质量评估模型存在特征提取有限,模型复杂度高,泛化能力弱从而导致模型准确率低的问题,本方案基于卷积层和池化层设计,减少模型参数,降低数据维度,提高模型泛化能力,基于梯度设计拟合残差,提高模型稳定性,通过导入特征转换,提高模型在特征处理上的灵活性。
(2)针对传统的搜索算法存在求解多目标优化问题的搜索能力较差,算法不会收敛到全局最优的问题,本方法基于搜索空间上下限初始化参数位置,通过自适应缩放因子使算法在不同阶段更好地搜索解目标,从而实现全局最优和局部最优双达标。
附图说明
图1为本发明提供的一种基于人工智能的阅读教学质量评估方法的流程示意图;
图2为本发明提供的一种基于人工智能的阅读教学质量评估***的示意图;
图3为步骤S3的流程示意图;
图4为步骤S4的流程示意图。
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。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一,参阅图1,本发明提供的一种基于人工智能的阅读教学质量评估方法,该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:数据预处理;
步骤S3:设计阅读教学质量评估模型,通过改进决策树进行设计梯度模型,基于卷积层设计、池化层设计和梯度设计完成整个评估模型的设计;
步骤S4:模型参数搜索,基于搜索空间上下限初始化参数位置,基于设计自适应缩放因子进行参数位置更新;
步骤S5:实时运行。
实施例二,参阅图1,该实施例基于上述实施例,在步骤S1中,数据采集是收集阅读教学相关数据,包括学生阅读成绩、学生学习进度、学生作业成绩、教师教学进度及质量评估等级。
实施例三,参阅图1,该实施例基于上述实施例,在步骤S2中,数据预处理是将采集的数据转化为向量形式,将质量评估等级作为标签,并对数据进行归一化处理。
实施例四,参阅图1和图3,该实施例基于上述实施例,在步骤S3中,设计阅读教学质量评估模型具体包括以下步骤:
步骤S31:卷积层设计,卷积层的作用是将相邻两层中的每个神经元与前一层卷积窗口中的神经元相关联,并通过参数共享的方式对同一层中的神经元进行顺序分配,将所有通道的卷积结果相加,并且经过激活函数得到W的值,该层有两个卷积核和两个通道,每个通道对应一个卷积核,所用公式如下:
;
式中,h是卷积结果,k1是通道数,i1和j1是数据的坐标位置,W是权重,σ是激活函数,b是偏置,X是输入;
步骤S32:池化层设计,池化层的主要功能是对数据进行降采样操作,进行特征选择,所用公式如下:
;
式中,s0是池化层步长;A是池化结果,fc是池化窗口大小,xc和yc是池化窗口内的位置坐标,pm是池化操作方式,l是池化层数;
步骤S33:梯度设计,步骤包括:
步骤S331:改进决策树进行设计梯度模型,所用公式如下:
;
式中,fM是模型输出结果,M是决策树的数量,T(x;Θm)是第m个决策数对梯度数据x的输出结果,Θm是表示决策树配置的参数;每次迭代生成的决策树都是使用前一轮决策树的残差进行训练;
步骤S332:计算决策树参数,所用公式如下:
;
式中,yn是实际值,L是损失函数,N是样本数据的数量,n是样本数据索引,fm-1(xn)是前一轮模型输出结果;
步骤S333:利用损失函数的负梯度拟合残差生成决策树,过程如下:
步骤S3331:对于每次迭代m=1,2,...,M;
步骤S3332:用常量c初始化第一个决策树:
;
式中,f0(·)是初始化的决策树;
步骤S3333:计算残差近似值rmn,所用公式如下:
;
步骤S3334:对于每个样本数据(xn,yn),将类别特征转换为数值特征后,拟合一个CART回归树,获得叶节点的区域Rmu,转换特征所用公式如下:
;
式中,是转换后的数值特征,xj,k 和xz,k是类别特征,a是先验值,Yj是相应特征的
标签值;p是具有相同类别特征值的样本个数,z和j是不同个数的索引,k是特征值索引;
步骤S3335:计算叶节点区域的最优值cmu,所用公式如下:
;
步骤S3336:更新模型,所用公式如下:
;
式中,U是区域数量,u是区域索引,I(·)是指示函数;
步骤S3337:输出最终的梯度模型fM(x)。
通过执行上述操作,针对传统质量评估模型存在特征提取有限,模型复杂度高,泛化能力弱从而导致模型准确率低的问题,本方案基于卷积层和池化层设计,减少模型参数,降低数据维度,提高模型泛化能力,基于梯度设计拟合残差,提高模型稳定性,通过导入特征转换,提高模型在特征处理上的灵活性。
实施例五,参阅图1和图4,该实施例基于上述实施例,在步骤S4中,模型参数搜索具体包括以下步骤:
步骤S41:初始化,基于参数搜索空间初始化参数位置,并将基于参数位置建立的模型性能作为参数适应度值,初始化位置所用公式如下:
;
式中,是搜索空间rj维度下限,是搜索空间rj维度上限;ri是个体
索引,rx是个***置,0指初始化迭代次数为0;
步骤S42:设计自适应缩放因子F,在算法前期关注全局搜索解能力,在算法后期关注其局部搜索解能力,所用公式如下:
;
式中,Fmin是最小比例因子值,是比例因子变化范围,t是当前迭代次数,tmax是最大迭代次数;
步骤S43:更新参数位置,所用公式如下:
;
式中,bt是最优个体,r1、r2和ri是个体索引;
步骤S44:搜索判定,预先设有适应度阈值,当存在参数个体适应度值高于适应度阈值时,基于个***置建立神经网络;若达到最大迭代次数,则重新初始化并搜索参数;否则继续迭代搜索。
通过执行上述操作,针对传统的搜索算法存在求解多目标优化问题的搜索能力较差,算法不会收敛到全局最优的问题,本方法基于搜索空间上下限初始化参数位置,通过自适应缩放因子使算法在不同阶段更好地搜索解目标,从而实现全局最优和局部最优双达标。
实施例六,参阅图1,该实施例基于上述实施例,在步骤S5中,实时运行是实时采集阅读教学相关数据,基于阅读教学质量评估模型输出质量评估等级,持续采集数据对模型进行更新。
实施例七,参阅图2,该实施例基于上述实施例,本发明提供的一种基于人工智能的阅读教学质量评估***,包括数据采集模块、数据预处理模块、阅读教学质量评估模型设计模块、模型参数搜索模块和实时运行模块;
所述数据采集模块收集阅读教学相关数据,包括学生阅读成绩、学生学习进度、学生作业成绩、教师教学进度及质量评估等级,并将数据发送至数据预处理模块;
所述数据预处理模块将采集的数据转化为向量形式,将质量评估等级作为标签,并对数据进行归一化处理,并将数据发送至阅读教学质量评估模型设计模块;
所述阅读教学质量评估模型设计模块通过改进决策树进行设计梯度模型,基于卷积层设计、池化层设计和梯度设计完成整个评估模型的设计,并将数据发送至模型参数搜索模块;
所述模型参数搜索模块基于搜索空间上下限初始化参数位置,基于设计自适应缩放因子进行参数位置更新,并将数据发送至实时运行模块;
所述实时运行模块实时采集阅读教学相关数据,基于阅读教学质量评估模型输出质量评估等级,持续采集数据对模型进行更新。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (5)
1.一种基于人工智能的阅读教学质量评估方法,其特征在于:该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:数据预处理;
步骤S3:设计阅读教学质量评估模型,通过改进决策树进行设计梯度模型,基于卷积层设计、池化层设计和梯度设计完成整个评估模型的设计;
步骤S4:模型参数搜索,基于搜索空间上下限初始化参数位置,基于设计自适应缩放因子进行参数位置更新;
步骤S5:实时运行;
在步骤S4中,所述模型参数搜索具体包括以下步骤:
步骤S41:初始化,基于参数搜索空间初始化参数位置,并将基于参数位置建立的模型性能作为参数适应度值,初始化位置所用公式如下:
;
式中,是搜索空间rj维度下限,/>是搜索空间rj维度上限;ri是个体索引,rx是个***置,0指初始化迭代次数为0;
步骤S42:设计自适应缩放因子F,在算法前期关注全局搜索解能力,在算法后期关注其局部搜索解能力,所用公式如下:
;
式中,Fmin是最小比例因子值,是比例因子变化范围,t是当前迭代次数,tmax是最大迭代次数;
步骤S43:更新参数位置,所用公式如下:
;
式中,bt是最优个体,r1、r2和ri是个体索引;
步骤S44:搜索判定,预先设有适应度阈值,当存在参数个体适应度值高于适应度阈值时,基于个***置建立神经网络;若达到最大迭代次数,则重新初始化并搜索参数;否则继续迭代搜索;
在步骤S3中,所述设计阅读教学质量评估模型具体包括以下步骤:
步骤S31:卷积层设计,卷积层的作用是将相邻两层中的每个神经元与前一层卷积窗口中的神经元相关联,并通过参数共享的方式对同一层中的神经元进行顺序分配,将所有通道的卷积结果相加,并且经过激活函数得到W的值,该层有两个卷积核和两个通道,每个通道对应一个卷积核,所用公式如下:
;
式中,h是卷积结果,k1是通道数,i1和j1是数据的坐标位置,W是权重,σ是激活函数,b是偏置,X是输入;
步骤S32:池化层设计,池化层的主要功能是对数据进行降采样操作,进行特征选择,所用公式如下:
;
式中,s0是池化层步长;A是池化结果,fc是池化窗口大小,xc和yc是池化窗口内的位置坐标,pm是池化操作方式,l是池化层数;
步骤S33:梯度设计,步骤包括:
步骤S331:改进决策树进行设计梯度模型,所用公式如下:
;
式中,fM是模型输出结果,M是决策树的数量,T(x;Θm)是第m个决策数对梯度数据x的输出结果,Θm是表示决策树配置的参数;每次迭代生成的决策树都是使用前一轮决策树的残差进行训练;
步骤S332:计算决策树参数,所用公式如下:
;
式中,yn是实际值,L是损失函数,N是样本数据的数量,n是样本数据索引,fm-1(xn)是前一轮模型输出结果;
步骤S333:利用损失函数的负梯度拟合残差生成决策树,过程如下:
步骤S3331:对于每次迭代m=1,2,...,M;
步骤S3332:用常量c初始化第一个决策树:
;
式中,f0(·)是初始化的决策树;
步骤S3333:计算残差近似值rmn,所用公式如下:
;
步骤S3334:对于每个样本数据(xn,yn),将类别特征转换为数值特征后,拟合一个CART回归树,获得叶节点的区域Rmu,转换特征所用公式如下:
;
式中,是转换后的数值特征,xj,k 和x z,k是类别特征,a是先验值,Yj是相应特征的标签值;p是具有相同类别特征值的样本个数,z和j是不同个数的索引,k是特征值索引;
步骤S3335:计算叶节点区域的最优值cmu,所用公式如下:
;
步骤S3336:更新模型,所用公式如下:
;
式中,U是区域数量,u是区域索引,I(·)是指示函数;
步骤S3337:输出最终的梯度模型fM(x)。
2.根据权利要求1所述的一种基于人工智能的阅读教学质量评估方法,其特征在于:在步骤S1中,所述数据采集是收集阅读教学相关数据,包括学生阅读成绩、学生学习进度、学生作业成绩、教师教学进度及质量评估等级。
3.根据权利要求1所述的一种基于人工智能的阅读教学质量评估方法,其特征在于:在步骤S2中,所述数据预处理是将采集的数据转化为向量形式,将质量评估等级作为标签,并对数据进行归一化处理。
4.根据权利要求1所述的一种基于人工智能的阅读教学质量评估方法,其特征在于:在步骤S5中,所述实时运行是实时采集阅读教学相关数据,基于阅读教学质量评估模型输出质量评估等级,持续采集数据对模型进行更新。
5.一种基于人工智能的阅读教学质量评估***,用于实现如权利要求1-4中任一项所述的一种基于人工智能的阅读教学质量评估方法,其特征在于:包括数据采集模块、数据预处理模块、阅读教学质量评估模型设计模块、模型参数搜索模块和实时运行模块;
所述数据采集模块收集阅读教学相关数据,包括学生阅读成绩、学生学习进度、学生作业成绩、教师教学进度及质量评估等级,并将数据发送至数据预处理模块;
所述数据预处理模块将采集的数据转化为向量形式,将质量评估等级作为标签,并对数据进行归一化处理,并将数据发送至阅读教学质量评估模型设计模块;
所述阅读教学质量评估模型设计模块通过改进决策树进行设计梯度模型,基于卷积层设计、池化层设计和梯度设计完成整个评估模型的设计,并将数据发送至模型参数搜索模块;
所述模型参数搜索模块基于搜索空间上下限初始化参数位置,基于设计自适应缩放因子进行参数位置更新,并将数据发送至实时运行模块;
所述实时运行模块实时采集阅读教学相关数据,基于阅读教学质量评估模型输出质量评估等级,持续采集数据对模型进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311477377.1A CN117196418B (zh) | 2023-11-08 | 2023-11-08 | 一种基于人工智能的阅读教学质量评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311477377.1A CN117196418B (zh) | 2023-11-08 | 2023-11-08 | 一种基于人工智能的阅读教学质量评估方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117196418A CN117196418A (zh) | 2023-12-08 |
CN117196418B true CN117196418B (zh) | 2024-02-02 |
Family
ID=88991010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311477377.1A Active CN117196418B (zh) | 2023-11-08 | 2023-11-08 | 一种基于人工智能的阅读教学质量评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117196418B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117892097B (zh) * | 2024-03-14 | 2024-05-28 | 陕西省杂交油菜研究中心 | 基于大数据的油菜化杀效果评估方法及*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN110363281A (zh) * | 2019-06-06 | 2019-10-22 | 上海交通大学 | 一种卷积神经网络量化方法、装置、计算机和存储介质 |
AU2020104006A4 (en) * | 2020-12-10 | 2021-02-18 | Naval Aviation University | Radar target recognition method based on feature pyramid lightweight convolutional neural network |
US10949747B1 (en) * | 2020-04-16 | 2021-03-16 | Sas Institute Inc. | Deep learning model training system |
WO2021151278A1 (zh) * | 2020-05-28 | 2021-08-05 | 平安科技(深圳)有限公司 | 基于人工智能的车辆定损方法、装置、电子设备及介质 |
CN113256066A (zh) * | 2021-04-23 | 2021-08-13 | 新疆大学 | 基于PCA-XGBoost-IRF的作业车间实时调度方法 |
CN114046888A (zh) * | 2021-10-29 | 2022-02-15 | 西安空间无线电技术研究所 | 基于卷积神经网络的波束合成推扫辐射计定标方法 |
CN114330644A (zh) * | 2021-12-06 | 2022-04-12 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种基于结构搜索和通道剪枝的神经网络模型压缩方法 |
CN114840900A (zh) * | 2022-05-18 | 2022-08-02 | 滁州学院 | 一种基于i-GBDT技术的衍生式BIM构件自动生成方法 |
CN115099266A (zh) * | 2022-05-31 | 2022-09-23 | 上海工程技术大学 | 一种基于梯度提升决策树的硬车表面白层预测方法 |
CN116225222A (zh) * | 2023-02-26 | 2023-06-06 | 北京航空航天大学 | 基于轻量级梯度提升决策树的脑机交互意图识别方法及*** |
CN116740650A (zh) * | 2023-08-10 | 2023-09-12 | 青岛农业大学 | 一种基于深度学习的作物育种监测方法及*** |
CN116993548A (zh) * | 2023-08-14 | 2023-11-03 | 江苏科技大学 | 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及*** |
-
2023
- 2023-11-08 CN CN202311477377.1A patent/CN117196418B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN110363281A (zh) * | 2019-06-06 | 2019-10-22 | 上海交通大学 | 一种卷积神经网络量化方法、装置、计算机和存储介质 |
US10949747B1 (en) * | 2020-04-16 | 2021-03-16 | Sas Institute Inc. | Deep learning model training system |
WO2021151278A1 (zh) * | 2020-05-28 | 2021-08-05 | 平安科技(深圳)有限公司 | 基于人工智能的车辆定损方法、装置、电子设备及介质 |
AU2020104006A4 (en) * | 2020-12-10 | 2021-02-18 | Naval Aviation University | Radar target recognition method based on feature pyramid lightweight convolutional neural network |
CN113256066A (zh) * | 2021-04-23 | 2021-08-13 | 新疆大学 | 基于PCA-XGBoost-IRF的作业车间实时调度方法 |
CN114046888A (zh) * | 2021-10-29 | 2022-02-15 | 西安空间无线电技术研究所 | 基于卷积神经网络的波束合成推扫辐射计定标方法 |
CN114330644A (zh) * | 2021-12-06 | 2022-04-12 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种基于结构搜索和通道剪枝的神经网络模型压缩方法 |
CN114840900A (zh) * | 2022-05-18 | 2022-08-02 | 滁州学院 | 一种基于i-GBDT技术的衍生式BIM构件自动生成方法 |
CN115099266A (zh) * | 2022-05-31 | 2022-09-23 | 上海工程技术大学 | 一种基于梯度提升决策树的硬车表面白层预测方法 |
CN116225222A (zh) * | 2023-02-26 | 2023-06-06 | 北京航空航天大学 | 基于轻量级梯度提升决策树的脑机交互意图识别方法及*** |
CN116740650A (zh) * | 2023-08-10 | 2023-09-12 | 青岛农业大学 | 一种基于深度学习的作物育种监测方法及*** |
CN116993548A (zh) * | 2023-08-14 | 2023-11-03 | 江苏科技大学 | 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及*** |
Non-Patent Citations (3)
Title |
---|
Automated Hyperparameter Optimization of Gradient Boosting Decision Tree Approach for Gold Mineral Prospectivity Mapping in the Xiong’ershan Area;Mingjiang Fan etal.;minerals;第12卷(第12期);全文 * |
基于云模型的课堂教学质量数据挖掘;叶勇;;计算机仿真(第08期);全文 * |
基于梯度提升决策树的卷烟零售户信用评分模型研究;何儒汉;苏裕益;向俐双;刘军平;;计算机应用研究(第S1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117196418A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108399428B (zh) | 一种基于迹比准则的三元组损失函数设计方法 | |
CN117196418B (zh) | 一种基于人工智能的阅读教学质量评估方法及*** | |
CN112557034B (zh) | 一种基于pca_cnns的轴承故障诊断方法 | |
Fernández-Navarro et al. | Parameter estimation of q-Gaussian radial basis functions neural networks with a hybrid algorithm for binary classification | |
CN114841257A (zh) | 一种基于自监督对比约束下的小样本目标检测方法 | |
CN113190688A (zh) | 基于逻辑推理和图卷积的复杂网络链接预测方法及*** | |
CN112686376A (zh) | 一种基于时序图神经网络的节点表示方法及增量学习方法 | |
CN116992779B (zh) | 基于数字孪生模型的光伏储能***仿真方法及*** | |
CN109671019A (zh) | 一种基于多目标优化算法和稀疏表达的遥感影像亚像元制图方法 | |
CN112364747A (zh) | 一种有限样本下的目标检测方法 | |
CN115050022A (zh) | 一种基于多层级自适应注意力的农作物病虫害识别方法 | |
CN112818982B (zh) | 基于深度特征自相关性激活的农业害虫图像检测方法 | |
CN114998731A (zh) | 智能终端导航场景感知识别的方法 | |
CN114639027A (zh) | 根据土地利用分类数据对城镇低效用地识别的***及方法 | |
CN113723707A (zh) | 一种基于深度学习模型的中长期径流趋势预测方法 | |
CN118247109B (zh) | 基于异形网格化的环境污染溯源分析方法 | |
Zhou et al. | A hybrid learning model based on auto-encoders | |
CN118114031B (zh) | 基于机器学习的无线电波形预测方法及*** | |
CN110348323A (zh) | 一种基于神经网络优化的穿戴式设备手势识别方法 | |
CN111860567B (zh) | 叶片图像识别模型的构建方法 | |
CN109934139B (zh) | 一种基于群智能算法的肌肉电信号通道组合优化方法 | |
Barbosa et al. | A new genetic algorithm-based pruning approach for optimum-path forest | |
CN116070120B (zh) | 一种多标签时序电生理信号的自动识别方法及*** | |
CN117726461B (zh) | 一种用于电子招采辅助的金融风险预测方法及*** | |
CN116976011B (zh) | 低高保真度气动数据特征关联深度复合网络模型及方法 |
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 |