【技术实现步骤摘要】
一种基于神经网络算法的英语学习动机调控方法
[0001]本专利技术涉及教育学习方法
，尤其是涉及一种基于神经网络算法的英语学习动机调控方法。
技术介绍
[0002]在英语学习过程中,学习者会经历许多枯燥或艰巨的任务,这使得学习者很难维持稳定的学习动机。因此,学习者需要依靠必要的策略来调控自己的学习动机,从而保持学习英语的热情。
[0003]由于现有技术对学习动机因素分析加权调配不到位，导致英语学习者面对英语学习时有着丧失信心，对英语学习感到枯燥乏味，从而丧失英语学习兴趣。针对在英语学习过程中,学习者会经历许多枯燥或艰巨的任务,这使得学习者很难维持稳定的学习动机。因此,学习者需要依靠必要的策略来调控自己的学习动机,从而保持学习英语的热情；目前，很多学习者针对英语学习没有目标，无法对学习成果进行合理检测，现有英语学习技术仅仅针对英语学习提供帮助，无法对英语学习进行合理调配，无法加强学习者对英语学习的动机，从而无法保持学习英语的热情；由于现有技术对学习动机因素分析加权调配不到位，导致英语学习者面对英语学习时有着丧失信心，对英语学习感到枯燥乏味，从而丧失英语学习兴趣。
[0004]为此，提出一种基于神经网络算法的英语学习动机调控方法。
技术实现思路
[0005]本专利技术的目的在于提供一种基于神经网络算法的英语学习动机调控方法，以解决上述
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种基于神经网络算法的英语学习动机调控方法，包括如下步骤：
【技术保护点】
【技术特征摘要】
1.一种基于神经网络算法的英语学习动机调控方法，其特征在于，包括如下步骤：S1：利用层次分析法对影响因素进行判别加权；包括构建由目标层、准则层和方案层所构成的层次分析结构模型、构建判断矩阵、计算各层级权重以及一致性检验；S2：K
‑
means聚类算法对影响因素进行聚类分析；S3：K
‑
means聚类算法进行对不同学习动机人群进行聚类；S4：建立神经网络模型；S5：针对英语学习动机提高成果给出检测方案；S6：灰色综合评价法对加权后的两个动机因素进行分析。2.根据权利要求1所述的一种基于神经网络算法的英语学习动机调控方法，其特征在于：所述构建由目标层、准则层和方案层所构成的层次分析结构模型：针对目标问题分析可能涉及的因素，基于这些因素的内部关系，设计构造出各因素之间相互连接的阶梯状层次结构，由高到低依次是目标层、准则层和方案层；所述构建判断矩阵：依据构建的阶梯型层次结构，对于每个单层次结构，将目标因素记为O,与其相关的影响因素指标P1,P2,
…
,P
n
有支配关系，接下来将这些因素两两对比，进一步探究各因素指标P
i
对P
j
的影响程度，然后选取数字1～9及其倒数作为衡量影响程度的标度，构建出判断矩阵C；所述计算各层级权重：根据上一步建立的矩阵C来对各因素影响程度的权重进一步计算；得出矩阵C的最大特征根λ
max
以及经过归一化处理的特征向量因而，只需对最大特征根方程求解即可:CW＝λ
max
W,然后对W做归一化处理，将归一化的特征向量作为本层次影响因素P1,P2,
…
,P
n
对于目标因素O的权重；所述一致性检验：对矩阵进行一致性检验，通过计算一致性指标来测量成对比较矩阵一致性是最直接有效的方法；若CR值小于或等于0.1,就说明比较矩阵一致性是合理的；但是如果CR值在0.1之上且不包含0.1,就需要对比较矩阵做进一步修正；Cl＝(λ
max
‑
n)/(n
‑
1),CR＝Cl/RI,其中，RI值为平均随机一致性指标，共涉及11阶矩阵。3.根据权利要求1所述的一种基于神经网络算法的英语学习动机调控方法，其特征在于：所述步骤S2中，K
‑
means算法是一种有效的聚类划分方法,其主要思想是：在给定K值和初始笶中心的情况下，把数据对象划分到距离其最近的簇中心所代表的类笶中，所有数据对象分配完成之后，根据一个笶内的所有数据对象重新计算该类簇的中心，然后再迭代进行分配和更新簇内中心的步骤，直至笶内中心点的变化很小，或者达到指定的迭代次数；假定D＝{X1,X2,X3,
…
,X
n
}是具有n个数据对象集合，其中每个数据对象都具有m个维度的属性；K
‑
means算法就是以欧式距离作为衡量数据对象间相似度的指标，将数据样本D中n个数据对象依据数据对象之间相似性划分到k个类簇C1,C2,C3,
…
,C
k
中，其中1≤k≤n；集合中每个对象都划分到与其距离最近的簇内中心所在的类簇中。4.根据权利要求3所述的一种基于神经网络算法的英语学习动机调控方法，其特征在于：所述K
‑
means具体算法流程如下：(1)从数据对象D中随机选取K个对象作为初始类簇中心；(2)根据公式计算当前每个簇内数据对象到簇中心的欧式距离:
(3)依次比较每个数据对象到簇中心的距离，将数据对象划分到距离最近的笶内中心的类簇中，得到k个类簇{S1,S2,S3,
…
,S
k
},根据公式(2)重新计算新的类簇中心，式中C
∣
表示第1个类簇中心，1≤1≤k,|Sl|表示第1个类簇中数据对象的数量；(4)重复步骤直至类簇中心不变或达到指定的迭代次数；其中K值确定步骤为:(1)通过确定每个类簇中的对象到簇内中心的欧式距离；(2)计算每个类簇内的误差平方和；(3)计算当前数据对象的总误差和；(4)K为K+1时，重复计算当前数据样本对象的SSE值，确定K值；误差平方和公式:5.根据权利要求4所述的一种基于神经网络算法的英语学习动机调控方法，其特征在于：所述步骤S3中K
‑
means聚类算法进行对不同学习动机人群进行聚类与S2步骤中K
‑
means聚类算法对影响因素进行聚类分析运算方式相同。6.根据权利要求1所述的一种基于神经网络算法的英语学习动机调控方法，其特征在于：所述S4中建立神经网络模型：神经元是神经网络的基本组成结构，其将多个输入信号通过传递函数在网...
【专利技术属性】
技术研发人员：管维婷，魏鹏斌，刘豪，马翱翔，
申请(专利权)人：安徽信息工程学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。