基于人工免疫危险模式理论的异常学习行为发现方法技术

一种基于人工免疫危险模式理论的异常学习行为发现方法，为解决网络学习环境中学习行为的监控问题，对网络学习行为进行实时监控，计算多个维度学习行为的变化，检测异常行为；本发明专利技术公开了一种发现异常网络学习行为的方法，对网络学习行为进行采样，计算不同学习行为的变化作为危险信号，构造人工抗原提呈细胞对多种学习行为的变化进行融合，检测学习行为的异常。

【技术实现步骤摘要】

本专利技术属于人工智能领域，尤其涉及一种基于人工免疫危险模式理论的异常学习行为的自适应发现方法。
技术介绍
随着教育信息化进程的推进，特别是近年来新媒体引发的教育变革，MOOC、翻转课堂等全新网络教学模式的推广和普及，学习模式面临变革。传统教育模式下，教学活动采取面对面的形式。观察学生的异常学习行为(例如开小差、完成作业时间长等)，能帮助教师及时发现教学问题。信息环境下，师生间的时空距离拉大，学生的学习行为难以被直接观察到。及时发现在线学习行为的异常，是教师调整教学、教学督导监控教学的共同需求。信息化环境下学习行为的研究始于七十年代，ChihPingChu等人提出使用高阶有色Petri网对网络学习行为模式进行描述，MichalisXenos等提出基于贝叶斯网络的学习行为建模等。东北师范大学研究组提出一种基于网络学习行为模式挖掘对用户学习风格建模的方法，华中师范大学研究组提出网络学习行为多层次多维度模型等。上述研究大多是从历史数据中总结学习行为的规律，研究目的集中在从行为科学理论和教育学理论的角度分析学习行为与学习成绩、学习动机、效能之间的关系。目前也有学者提出分析MOOC平台的应用状况、学生的学习行为以及学习成效，找出MOOC平台应用中存在的问题并提出可行的建议，为MOOC的应用提供指导和建议。学习行为因人而异，同样的学习行为，对某生来说是正常的，而对另一学生来说可能就是异常。即使是同一学生，在不同学习阶段正常的学习行为之间也有差异，难以用统一、精确的标准界定其为“正常”还是“异常”。如何自适应地发现个性化的异常学习行为，是要解决的主要问题。人工免疫系统(AIS,ArtificialImmuneSystems)是模仿机体免疫系统工作原理的智能计算系统，具有良好的自适应性和多样性。危险理论(DT,DangerTheory)是免疫学中的一个著名理论，它认为：先天免疫系统可以发现机体受到入侵时产生的“危险信号”，并以此为线索找到引起异常的病原体，英国诺丁汉大学U.Aickelin研究组2002年该理论引入人工免疫系统。危险理论是根据“危险信号”发现异常，且人工免疫系统本身所具有的自适应性和多样性符合异常学习行为发现个性化、自动化的要求。
技术实现思路
本专利技术针对信息环境下学生学习行为难以直接观察到，难以及时发现学习行为的异常，不利于及时调整教学内容和教学方式，发现教学中的疑难这一问题，提供一种基于人工免疫危险模式理论的异常学习行为发现方法，包含以下步骤：步骤1，将网络学习行为按复杂程度由低到高划分为操作行为、认知行为、协作行为、问题解决行为；步骤1.1将认知行为、协作行为、问题解决行为分别拆分为由多个操作行为组成的行为序列；步骤1.2一个操作行为可含有多个行为属性，进一步将操作行为拆分为多个行为属性，每个属性独立记为一个“行为元”，行为元是具有行为属性且不可再进一步拆分的基本单位；步骤2，对拆分后的“行为元”进行量化；步骤3，以学习过程LP，LearningProcess为评价单元，计算危险信号；在网络学习中，一个学习过程是完成一组学习行为的一个集合，学习过程LP内n种学习行为的采样值构成一个n维空间的点；所述的n种学习行为元的采样值，是采样且经过步骤2量化后的行为元的值；步骤3.1n种学习行为元在前N个LP内的采样值构成一个n维云；n维云在每一个维度上分别投影，得到n个一维云，分别计算每个一维云的期望、熵和超熵；设A1为一种学习行为元，n维云在A1上的投影是一个一维云，计算可得A1CN的期望Ex，熵En和超熵He；步骤3.2计算在云A1CN中云滴值Ex-2En或Ex+2En对应的隶属度μ2En，μ2En=e-(Ex±2En-Ex)22(En)2=e-2;]]>步骤3.3计算在云A1CN中云滴值Ex-3En或Ex+3En对应的隶属度μ3En，μ3En=e-(Ex±3En-Ex)22(En)2=1e9;]]>步骤3.4计算学习行为元A1在第N+1个LP中的采样值隶属于云A1CN的隶属度μ，判断μ与μ2En的大小关系；如果μ≥μ2En，执行步骤3.4.1；如果μ2En≥μ≥μ3En，执行步骤3.4.2；如果μ≤μ3En，执行步骤3.4.3；步骤3.4.1如果μ≥μ2En，，则第N+1个LP内的学习行为元A1符合一般规律，产生安全信号SSA1；步骤3.4.2如果μ2En≥μ≥μ3En，则第N+1个LP内的学习行为元A1与一般规律有一定偏差，产生危险信号DSA1；步骤3.4.3如果μ≤μ3En，则第N+1个LP内的学习行为元A1与一般规律有很大偏差，产生致病信号PAMPA1；步骤3.5依次得到每一个维度学习行为元的安全信号SS、危险信号DS或致病信号PAMPs；步骤4，构造人工抗原提呈细胞AAPC计算某学生第N+1个LP内的n个维度的学习行为是否与前N个LP内的n个维度的学习行为存在较大差异，反映某学生在第N+1个LP内的学习行为是否正常；步骤5，设人工抗原提呈细胞AAPCs种群的规模为population，计算population的值，判定学习者群体学习行为是否正常；population=-ΣAAPCmatΣAAPC]]>其中，∑AAPCmat是产生报警的APC数量之和，∑AAPC是所有APC数量之和，population即学习者群体中被评价为行为异常的子群体与总群体的比值；步骤5.1population值越接近1，说明该LP内学习行为异常的范围越大；步骤5.2population的值越接近0，说明该LP内学习行为异常的范围越小。进一步的，所述的步骤2包括下列步骤：步骤2.1根据“行为元”的取值特征，如果取值为布尔型，“行为元”取值0或1；步骤2.2如果“行为元”取值为数值型，将其取值规约到[0,1]之间，设规约后的取值为x，规约前的取值为y，可取最大值为ymax，最小值为ymin，步骤2.3如果“行为元”取值为枚举型，将其取值规约到[0,1]之间，设规约后的取值为x，规约前枚举值为第y个，枚举数量为z，进一步的，所述的步骤4包括下列步骤：步骤4.1人工抗原提呈细胞AAPC是安全信号SS、危险信号DS、致病信号PAMPs的融合器；AAPC的数学形式体现为对步骤3中每一个学习过程内n个学习行为元产生的SS、DS、PAMPs信号的值进行加权平均；AAPC对一个LP内的SS、DS和PAMPs信号，采用加权平均的方法进行累加；AAPC本文档来自技高网...

【技术保护点】
一种基于人工免疫危险模式理论的异常学习行为发现方法，其特征在于，包含以下步骤：步骤1，将网络学习行为按复杂程度由低到高划分为操作行为、认知行为、协作行为、问题解决行为；步骤1.1 将认知行为、协作行为、问题解决行为分别拆分为由多个操作行为组成的行为序列；步骤1.2 一个操作行为可含有多个行为属性，进一步将操作行为拆分为多个行为属性，每个属性独立记为一个“行为元”，行为元是具有行为属性且不可再进一步拆分的基本单位；步骤2，对拆分后的“行为元”进行量化；步骤3，以学习过程LP，Learning Process为评价单元，计算危险信号；在网络学习中，一个学习过程是完成一组学习行为的一个集合，学习过程LP内n种学习行为的采样值构成一个n维空间的点；所述的n种学习行为元的采样值，是采样且经过步骤2量化后的行为元的值；步骤3.1 n种学习行为元在前N个LP内的采样值构成一个n维云；n维云在每一个维度上分别投影，得到n个一维云，分别计算每个一维云的期望、熵和超熵；设A1为一种学习行为元，n维云在A1上的投影是一个一维云，计算可得A1CN的期望Ex，熵En和超熵He；步骤3.2 计算在云A1CN中云滴值Ex‑2En或Ex+2En对应的隶属度μ2En，μ2En=e-(Ex±2En-Ex)22(En)2=e-2;]]>步骤3.3 计算在云A1CN中云滴值Ex‑3En或Ex+3En对应的隶属度μ3En，μ3En=e-(Ex±3En-Ex)22(En)2=1e9;]]>步骤3.4 计算学习行为元A1在第N+1个LP中的采样值隶属于云A1CN的隶属度μ，判断μ与μ2En的大小关系；如果μ≥μ2En，执行步骤3.4.1；如果μ2En≥μ≥μ3En，执行步骤3.4.2；如果μ≤μ3En，执行步骤3.4.3；步骤3.4.1 如果μ≥μ2En，，则第N+1个LP内的学习行为元A1符合一般规律，产生安全信号SSA1；步骤3.4.2 如果μ2En≥μ≥μ3En，则第N+1个LP内的学习行为元A1与一般规律有一定偏差，产生危险信号DSA1；步骤3.4.3 如果μ≤μ3En，则第N+1个LP内的学习行为元A1与一般规律有很大偏差，产生致病信号PAMP A1；步骤3.5 依次得到每一个维度学习行为元的安全信号SS、危险信号DS或致病信号PAMPs；步骤4，构造人工抗原提呈细胞AAPC计算某学生第N+1个LP内的n个维度的学习行为是否与前N个LP内的n个维度的学习行为存在较大差异，反映某学生在第N+1个LP内的学习行为是否正常；步骤5，设人工抗原提呈细胞AAPCs种群的规模为population，计算population的值，判定学习者群体学习行为是否正常；population=-ΣAAPCmatΣAAPC]]>其中，ΣAAPCmat是产生报警的APC数量之和，ΣAAPC是所有APC数量之和，population即学习者群体中被评价为行为异常的子群体与总群体的比值；步骤5.1 population值越接近1，说明该LP内学习行为异常的范围越大；步骤5.2 population的值越接近0，说明该LP内学习行为异常的范围越小。...

【技术特征摘要】
1.一种基于人工免疫危险模式理论的异常学习行为发现方法，其特征在于，包含以下
步骤：
步骤1，将网络学习行为按复杂程度由低到高划分为操作行为、认知行为、协作行为、问
题解决行为；
步骤1.1将认知行为、协作行为、问题解决行为分别拆分为由多个操作行为组成的行
为序列；
步骤1.2一个操作行为可含有多个行为属性，进一步将操作行为拆分为多个行为属
性，每个属性独立记为一个“行为元”，行为元是具有行为属性且不可再进一步拆分的基本
单位；
步骤2，对拆分后的“行为元”进行量化；
步骤3，以学习过程LP，LearningProcess为评价单元，计算危险信号；在网络学习中，
一个学习过程是完成一组学习行为的一个集合，学习过程LP内n种学习行为的采样值构成
一个n维空间的点；所述的n种学习行为元的采样值，是采样且经过步骤2量化后的行为元的
值；
步骤3.1n种学习行为元在前N个LP内的采样值构成一个n维云；n维云在每一个维度上
分别投影，得到n个一维云，分别计算每个一维云的期望、熵和超熵；设A1为一种学习行为
元，n维云在A1上的投影是一个一维云，计算可得A1CN的期望Ex，熵En和超熵He；
步骤3.2计算在云A1CN中云滴值Ex-2En或Ex+2En对应的隶属度μ2En，
μ2En=e-(Ex±2En-Ex)22(En)2=e-2;]]>步骤3.3计算在云A1CN中云滴值Ex-3En或Ex+3En对应的隶属度μ3En，
μ3En=e-(Ex±3En-Ex)22(En)2=1e9;]]>步骤3.4计算学习行为元A1在第N+1个LP中的采样值隶属于云A1CN的隶属度μ，判断μ与
μ2En的大小关系；如果μ≥μ2En，执行步骤3.4.1；如果μ2En≥μ≥μ3En，执行步骤3.4.2；如果μ≤
μ3En，执行步骤3.4.3；
步骤3.4.1如果μ≥μ2En，，则第N+1个LP内的学习行为元A1符合一般规律，产生安全信号
SSA1；
步骤3.4.2如果μ2En≥μ≥μ3En，则第N+1个LP内的学习行为元A1与一般规律有一定偏差，
产生危险信号DSA1；
步骤3.4.3如果μ≤μ3En，则第N+1个LP内的学习行为元A1与一般规律有很大偏差，产生
致病信号PAMPA1；
步骤3.5依次得到每一个维度学习行为元的安全信号SS、危险信号DS或致病信号
PAMPs；
步骤4，构造人工抗原提呈细胞AAPC计算某学生第N+1个LP内的n个维度的学习行为是
否与前N个LP内的n个维度的学习行为存在较大差异，反映某学生在第N+1个LP内的学习行
为是...

【专利技术属性】
技术研发人员：杨鹤，郑幸，
申请(专利权)人：湖北第二师范学院，
类型：发明
国别省市：湖北;42