一种基于神经网络的智能实验过程推荐方法及系统技术方案

本发明专利技术提出了一种基于神经网络的智能实验过程推荐方法及系统，将学生成绩和学生历史实验课程中每个实验的完成时间输入神经网络模型，通过SGD以及BP算法对神经网络模型进行训练以得到学生实验用时预测模型，通过学生实验用时预测模型对学生当前实验课程的实验用时进行预测，以对不同的学生推荐合适的实验内容，弥补了传统实验分配方式均衡性不足的缺陷，实现了学生实验的个性化定制，不同学生可以依据各自学习情况获得符合当前自身状况的实验内容，从而提升了部分学生实验课程的饱和度，也让部分学习能够依据自身状况保持学习热情。

An intelligent experiment process recommendation method and system based on Neural Network

【技术实现步骤摘要】
一种基于神经网络的智能实验过程推荐方法及系统
本专利技术涉及网络教学
，尤其涉及一种基于神经网络的智能实验过程推荐方法及系统。
技术介绍
在传统的学生网络实验过程中，每一节实验课程的内容通常由教师统一确定，所有学生需要在一节实验课中完成相同数量的实验，这会造成学习能力优秀的学生在一节实验课限定的时间内提前完成指定数量的实验后剩余部分时间，而学习能力较弱的学生则无法完成全部数量的实验。久而久之，部分学生浪费了大量空闲时间，部分学生每次无法完成指定的实验内容导致丧失学习兴趣，无法提高学习成绩。也就是说，传统的学生网络实验分配方式无法根据学生成绩为每个学生分配合适的实验数量，无法做到因材施教。
技术实现思路
有鉴于此，一方面，本专利技术提出了一种基于神经网络的智能实验过程推荐方法，以解决传统的学生网络实验分配方式无法根据学生成绩为每个学生分配合适实验数量的问题。本专利技术的技术方案是这样实现的：一种基于神经网络的智能实验过程推荐方法，包括：获取学生的综合评价数据和学生历史实验课程中每个实验的完成时间；构建关于所述综合评价数据和所述完成时间的数据样本，从所述数据样本中提取训练样本和测试样本；构建神经网络模型；将所述训练样本输入所述神经网络模型，通过SGD以及BP算法对所述网络模型进行训练，得到学生实验用时预测模型；将所述测试样本输入所述学生实验用时预测模型进行测试；获取学生上次实验课程的最后一个实验记录，根据所述学生实验用时预测模型对所述最后一个实验后的实验用时依次进行预测；依次累计所述最后一个实验后每个实验的预测实验用时，若所述最后一个实验后的第N个实验处的累计预测用时超出当前实验课程的限定时间，且所述最后一个实验后的第N-1个实验处的累计预测用时小于所述限定时间，则将所述最后一个实验后的N-1个实验推荐给学生。可选的，所述综合评价数据包括平时作业成绩、平时作业难度、平时考勤成绩、平时测试成绩、平时测试难度、学习态度评价等级、学生层次评价等级。可选的，所述综合评价数据还包括学生类别、课程类别、学期类别、班级类别，所述学生类别包括本科生或专科生，所述课程类别包括必修课或选修课，所述学期类别大一学期或大二学期，所述班级类别包括特色班或普通班。可选的，所述平时作业成绩、所述平时测试成绩经过标准化处理，所述平时作业难度、所述平时考勤成绩、所述平时测试难度经过归一化处理。可选的，所述构建神经网络模型，包括：初始化神经网络并定义隐藏层单元个数，指定输入大小；使用ReLU激活函数，定义一Dropout层，指定丢弃10％的神经元；定义神经网络的输出层，指定输入层的神经元个数为1并指定使用sigmoid作为激活函数。可选的，将所述训练样本输入所述神经网络模型，通过SGD以及BP算法对所述网络模型进行训练，得到学生实验用时预测模型，包括：将所述训练样本的特征值矩阵和权重矩阵相乘后输入所述神经网络模型进行前向传播以得到预测值；通过SGD以及BP算法对所述神经网络模型进行反向传播以更新所述权重矩阵；对所述神经网络模型进行多个轮次的训练以多次更新所述权重矩阵；根据多次更新后的所述权重矩阵构建所述学生实验用时预测模型。可选的，SGD算法为RMSProp，所述反向传播的损失函数为交叉熵损失函数，评价函数为MAE。本专利技术的基于神经网络的智能实验过程推荐方法相对于现有技术具有以下有益效果：(1)本专利技术的基于神经网络的智能实验过程推荐方法可根据学生成绩为每个学生分配合适数量的实验，弥补了传统实验分配方式均衡性不足的缺陷，实现了学生实验的个性化定制，不同学生可以依据各自学习情况获得符合当前自身状况的实验内容，从而提升了部分学生实验课程的饱和度，也让部分学习能够依据自身状况保持学习热情；(2)本专利技术的基于神经网络的智能实验过程推荐方法从多个维度对学生进行综合评价，可避免单一维度评价的偶然性、主观性，提高学生成绩数据的可靠性，可有效适用于任何教学场景，做到因材施教。另一方面，本专利技术还提出一种基于神经网络的智能实验过程推荐系统，以解决传统的学生网络实验分配方式无法根据学生成绩为每个学生分配合适实验数量的问题。本专利技术的技术方案是这样实现的：一种基于神经网络的智能实验过程推荐系统，包括：数据获取模块，用于获取学生的综合评价数据和学生历史实验课程中每个实验的完成时间；样本构建模块，用于构建关于所述综合评价数据和所述完成时间的数据样本，从所述数据样本中提取训练样本和测试样本；网络构建模块，用于构建神经网络模型；模型构建模块，用于将所述训练样本输入所述神经网络模型，通过SGD以及BP算法对所述网络模型进行训练，得到学生实验用时预测模型；模型测试模块，用于将所述测试样本输入所述学生实验用时预测模型进行测试；模型预测模块，用于获取学生上次实验课程的最后一个实验记录，根据所述学生实验用时预测模型对所述最后一个实验后的实验用时依次进行预测；实验推荐模块，用于依次累计所述最后一个实验后每个实验的预测实验用时，若所述最后一个实验后的第N个实验处的累计预测用时超出当前实验课程的限定时间，且所述最后一个实验后的第N-1个实验处的累计预测用时小于所述限定时间，则将所述最后一个实验后的N-1个实验推荐给学生。所述基于神经网络的智能实验过程推荐系统与上述基于神经网络的智能实验过程推荐方法相对于现有技术所具有的优势相同，在此不再赘述。另一方面，本专利技术还提出一种计算机可读存储介质，以解决传统的学生网络实验分配方式无法根据学生成绩为每个学生分配合适实验数量的问题。本专利技术的技术方案是这样实现的：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现上述任一项所述的方法。所述计算机可读存储介质与上述基于神经网络的智能实验过程推荐方法相对于现有技术所具有的优势相同，在此不再赘述。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术的基于神经网络的智能实验过程推荐方法的流程图；图2为本专利技术的步骤S3的流程图；图3为本专利技术的步骤S4的流程图；图4为本专利技术的学生实验用时预测模型的测试结果示意图；图5为本专利技术的基于神经网络的智能实验过程推荐系统的结构框图。附图标记说明：10-数据获取模块；20-样本构建模块；30-网络构建模块；40-模型构建模块；50-模型测试模块；60-模型预测模块；70-实验推荐模块。具体实施方式下面将结合本专利技术实施方式，对本专利技术实施方式中的技术方案进本文档来自技高网...

【技术保护点】
1.一种基于神经网络的智能实验过程推荐方法，其特征在于，包括：/n获取学生的综合评价数据和学生历史实验课程中每个实验的完成时间；/n构建关于所述综合评价数据和所述完成时间的数据样本，从所述数据样本中提取训练样本和测试样本；/n构建神经网络模型；/n将所述训练样本输入所述神经网络模型，通过SGD以及BP算法对所述网络模型进行训练，得到学生实验用时预测模型；/n将所述测试样本输入所述学生实验用时预测模型进行测试；/n获取学生上次实验课程的最后一个实验记录，根据所述学生实验用时预测模型对所述最后一个实验后的实验用时依次进行预测；/n依次累计所述最后一个实验后每个实验的预测实验用时，若所述最后一个实验后的第N个实验处的累计预测用时超出当前实验课程的限定时间，且所述最后一个实验后的第N-1个实验处的累计预测用时小于所述限定时间，则将所述最后一个实验后的N-1个实验推荐给学生。/n

【技术特征摘要】
1.一种基于神经网络的智能实验过程推荐方法，其特征在于，包括：
获取学生的综合评价数据和学生历史实验课程中每个实验的完成时间；
构建关于所述综合评价数据和所述完成时间的数据样本，从所述数据样本中提取训练样本和测试样本；
构建神经网络模型；
将所述训练样本输入所述神经网络模型，通过SGD以及BP算法对所述网络模型进行训练，得到学生实验用时预测模型；
将所述测试样本输入所述学生实验用时预测模型进行测试；
获取学生上次实验课程的最后一个实验记录，根据所述学生实验用时预测模型对所述最后一个实验后的实验用时依次进行预测；
依次累计所述最后一个实验后每个实验的预测实验用时，若所述最后一个实验后的第N个实验处的累计预测用时超出当前实验课程的限定时间，且所述最后一个实验后的第N-1个实验处的累计预测用时小于所述限定时间，则将所述最后一个实验后的N-1个实验推荐给学生。


2.如权利要求1所述的基于神经网络的智能实验过程推荐方法，其特征在于，所述综合评价数据包括平时作业成绩、平时作业难度、平时考勤成绩、平时测试成绩、平时测试难度、学习态度评价等级、学生层次评价等级。


3.如权利要求2所述的基于神经网络的智能实验过程推荐方法，其特征在于，所述综合评价数据还包括学生类别、课程类别、学期类别、班级类别，所述学生类别包括本科生或专科生，所述课程类别包括必修课或选修课，所述学期类别大一学期或大二学期，所述班级类别包括特色班或普通班。


4.如权利要求2所述的基于神经网络的智能实验过程推荐方法，其特征在于，所述平时作业成绩、所述平时测试成绩经过标准化处理，所述平时作业难度、所述平时考勤成绩、所述平时测试难度经过归一化处理。


5.如权利要求1所述的基于神经网络的智能实验过程推荐方法，其特征在于，所述构建神经网络模型，包括：
初始化神经网络并定义隐藏层单元个数，指定输入大小；
使用ReLU激活函数，定义一Dropout层，指定丢弃10％的神经元；
定义神经网络的输出层，指定输入层的神经元个数为1并指定使用sigmoid作为激活函数。

【专利技术属性】
技术研发人员：海克洪，黄龙吟，
申请(专利权)人：湖北美和易思教育科技有限公司，
类型：发明
国别省市：湖北;42