基于组合神经网络的移动学习情境预测方法技术

一种基于组合神经网络的移动学习情境预测方法，由预处理数据、数据增强、处理数据、构建组合神经网络、训练组合神经网络、组合神经网络测试与反归一化、组合神经网络性能评估步骤组成。由于本发明专利技术采用了组合神经网络，将该网络应用到移动学习情境的预测方法中，提取有意义的移动学习情境时序信息，有效地选择了影响移动学习情境的局部特征，并且从时间维度选择影响较大的时间及相关特征，更加有利于利用现有移动学习情境数据进行预测，预测性能较好。本发明专利技术具有网络构建较容易、网络性能较好、使用范围较广等优点，可用于课程学习资源推荐、WiFi数据流量区域预测等应用场景。WiFi数据流量区域预测等应用场景。WiFi数据流量区域预测等应用场景。

【技术实现步骤摘要】
基于组合神经网络的移动学习情境预测方法


[0001]本专利技术属于计算机
，具体涉及到移动学习情境预测方法。

技术介绍

[0002]移动学习(M
‑
Learning)是实现学习者随时随地学习的新型模式，是智慧学习和智慧教育的重要组成部分，已经成为教育信息科学领域的前沿研究方向。国内外在教育领域开展的移动研究可以大致分为：学习者移动行为的分析与识别、学习者移动行为模式的挖掘、学习者移动情境感知以及学习者移动学习地点的预测，学习者的学习效果以及学习效率会受到所处的情境的影响。在不同的学习情境下，学习者会根据在特定地点、特定时间下对学习的个性化需求，选择合适的学习内容以及学习形式。基于情境感知的移动学习研究使移动学习具有情境性，其最大的优势是可以识别和获取学习者的移动学习情境，追踪学习者的学习需求，从而能够更好地为学习者提供个性化学习服务，提高学习者的学习质量与学习效果。
[0003]通过研究学习者不同的移动学习情境等相关数据，分析并挖掘这些数据的内在联系具有广阔的研究前景。目前为止，学习情境研究中的移动学习情境预测问本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于组合神经网络的移动学习情境预测方法，其特征在于是由以下步骤组成：(1)预处理数据数据集来源于50名学习者使用数据采集APP得到的移动学习情境数据集R：R＝{id,E,st,f,l,a,h,dv,w,S}式中，id为学习者姓名、E为移动学习情境、st为学习者到达时间、f为学习者所处楼层、l为学习者所处经度、a为学习者所处纬度、h为学习者所处高度、dv为采集设备型号、天气类型、S为传感器；E取值为[1,q]，q取值为有限的正整数；f取值为[
‑
1,18]，l、a、h取值为有限的正实数，w选取晴、阴、多云、小雨、中雨、大雨；S为传感器、S∈{s1,s1,...,s
73
}，其中，s1为光线传感器、s2为加速度传感器、s3为方向传感器、s4为步数传感器；对移动学习情境数据集R进行预处理如下：1)学习者到达时间扩充对学习者到达时间st进行学习者停留时长扩充tp，按式(1)对st
i
和st
j
进行学习者停留时长扩充tp
i
：tp
i
＝st
j
‑
st
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式(1)中，st
j
表示第j个样本对应的学习者到达时间st，st
i
表示第i个样本对应的学习者到达时间st，i、j取值至少为2的有限正整数，其中i＜j；对学习者到达时间st进行移动学习情境切换时长扩充ti，按式(2)对st
k
和st
j
进行学习者停留时长扩充ti
k
：ti
k
＝st
k
‑
st
j
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式(2)中，st
k
表示第k个样本对应的学习者到达时间st，k取值至少为2的有限正整数，其中j＜k；对移动学习情境数据集R中到达时间扩充后的数据集R
′
为：R
′
＝{id,E,st,f,l,a,h,dv,w,S,tp,ti}；2)选择特征使用皮尔逊相关系数在扩充后数据集R
′
中的学习者姓名id、学习者到达时间st、学习者所处楼层f、学习者所处经度l、学习者所处纬度a、学习者所处高度h、采集设备型号dv、天气类型w、传感器S的特征与移动学习情境E、学习者停留时长tp、移动学习情境切换时长ti的相关系数中，选择相关系数绝对值大于0.1的特征作为特征选择数据集D；D＝{id,st,f,w,s1,s2,s3,s4,E,tp,ti}3)处理数值对特征选择数据集D进行缺失值填充、异常数值替换、编码转换；所述的缺失值填充是对缺失值用0进行填充；所述的异常数值替换是采用random随机函数按式(3)确定学习者停留时长tp
i
：tp
i
＝random(tp
b
,tp
i
‑1),tp
i
≥120
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式(3)中，random()为随机函数，tp
i
≥120时tp
i
为异常值，对异常值tp
i
用随机函数random进行替换；tp
b
表示第b个样本对应的学习者停留时长tp，tp
i
表示第i个样本对应的学习者停留时长tp，b取值为[5,15]，b＜i；所述的编码转换是对天气类型w进行整数编码转换；整数编码转换为：用天气类型w中晴、阴、多云、小雨、中雨、大雨，将第i个样本对应的天气类型w
i
映射为[1,6]的不同整数；将
特征选择数据集D中所有取值使用float函数转换为浮点型数值；4)划分数据集将特征选择数据集D按1:1划分为训练集D
train
、测试集D
test
；(2)数据增强按式(4)对训练集D
train
进行高斯白噪声数据增强，得到增强后的训练集为：为：为：式(4)中，concat()表示将random()处理后的数据沿着列进行g次拼接、g取值为[20,30]，|D
train
|为训练集的长度、取值为有限的正整数，D
train,p
表示训练集D
train
中的第p条样本，snr表示白噪声信噪比、取值为[20,40]；(3)处理数据分别对高斯白噪声数据增强数据集和测试集D
test
中的移动学习情境E和天气类型w采用独热编码方法进行转换；将第i个样本对应的移动学习情境E
i
转换为具有q个元素的一维向量，将第i个样本对应的天气类型w
i
转换为具有6个元素一维向量；对高斯白噪声数据增强数据集和测试集D
test
中所有数据X按式(5)进行归一化处理X
′
为：将高斯白噪声数据增强数据集和测试集D
test
按式(6)转换为具有前后时序关系的监督型数据D'：D
′
＝shift(Ds,n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)shift(Ds,n)＝[[d1,d2,..,d
n
],[d2,d3,..,d
n+1
],...,[d
|Ds|
‑
n+1
,d
|Ds|
‑
n+2
,..,d
|Ds|
]]式(6)中，shift()为监督型数据转化函数；Ds表示高斯白噪声数据增强数据集或测试集D
test
，d1表示数据集Ds中第1条样本，n取值为[30,50]，n＜|Ds|；(4)构建组合神经网络组合神经网络由归一化层、长短期记忆
‑
卷积神经网络、长短期记忆
‑
注意力神经网络、噪声
‑
长短期记忆神经网络、长短期记忆神经网络、全连接神经网络1、全连接神经网络2连接构成；归一化层的输出端与并联的长短期记忆
‑
卷积神经网络和长短期记忆
‑
...

【专利技术属性】
技术研发人员：郭龙江，赵建宇，任美睿，张立臣，李鹏，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：