一种基于深度学习的模块数学识别批改系统技术方案

本发明专利技术公开了一种基于深度学习的模块数学识别批改系统，涉及模块数学识别技术领域，本发明专利技术通过标记试卷中选择区域、判断区域和解答区域分别使用大量模型所生成的结果标签，有利于对各区域的模型输出结果有效分类；通过对结果标签进行综合分析以判定模型结果的三种情况，有助于对模型输出的不同结果标签做出有效决策从而减少问题遗漏现象；而通过对初选模型集合内所对应的扣分值进行整合化分析筛选出分别适用于三类区域的初优模型集合，有助于对大量的模型进行初步优选从而增强模型的实用性；此外，通过初优模型集合与初选模型集合交集的运算模型并构建最优模型集合，再进行固化运算来获取最优固化模型，有助于提高整个系统的使用效率。统的使用效率。统的使用效率。

【技术实现步骤摘要】
一种基于深度学习的模块数学识别批改系统


[0001]本专利技术涉及模块数学识别
，尤其涉及一种基于深度学习的模块数学识别批改系统。

技术介绍

[0002]深度学习(Deep Learning,DL)由Hinton等人于2006年提出，是机器学习(Machine learning,ML)的一个新领域。深度学习被引入机器学习使其更接近于最初的目标
‑‑‑‑
人工智能(AI,Artificial Intelligence)。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
[0003]深度学习是一个复杂的机器学习算法，在语言和图像识别方面取得的效果，远远超过先前相关技术。它在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术，以及其它相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解決了很多复杂的模式识别难题，使得人工智能相关技术取得了很大的进步。
[0004]目前基于深度学习的模块数学识别应用于数学试卷中还不够完善，由于深度学习的相关模型都不相同且较为复杂，无法确保将试卷中已划分生成的选择区域、判断区域和解答区域进行运算以生成相应的结果标签；若因为机器识别错误需要进行多组扫描时，由于数学试卷样本较多导致扫描后的数据分类混乱，从而生成错误的结果标签，进而影响模块数学识别批改效率；<br/>[0005]针对上述的技术缺陷，现提出一种解决方案。

技术实现思路

[0006]本专利技术的目的在于：在于提供一种基于深度学习的模块数学识别批改系统，去解决上述提出的技术缺陷，本专利技术通过标记试卷中选择区域、判断区域和解答区域分别使用大量模型所生成的结果标签，有利于对各区域的模型输出结果有效分类；并进行了综合分析、偏向分析、优合分析、统一模型判定分析；通过对选择区域、判断区域和解答区域生成的结果标签进行综合分析以判定模型结果的三种情况，有助于对模型输出的不同结果标签做出有效决策从而减少难点遗漏现象，进而找出正确的解决办法；而通过对结果标签进行偏向分析判断出分别适用于选择区域、判断区域、解答区域的模型集合，有助于对大量的模型进行分类存储进而掌握各类模型的实际应用。此外，通过选取最优选择模型集合、最优判断模型集合、最优解答模型集合三者的交集，进而将三类区域所使用的模型进行统一化，有助于提高整个模块数学识别批改系统的使用效率。
[0007]为了实现上述目的，本专利技术采用了如下技术方案：
[0008]一种基于深度学习的模块数学识别批改系统，包括划分选择单元、数据分析单元、系统检测单元、筛选采集单元、运行检测单元和数据整合单元；
[0009]划分选择单元将试卷分为选择区域、判断区域和解答区域，再分别将试卷的选择区域、判断区域和解答区域输入到数据库内的运算模型中以生成若干结果标签，且将结果标签发送数据分析单元；其中结果标签包含：选择区域的扣分值、判断区域的扣分值和解答区域的扣分值；
[0010]数据分析单元接收到全部的结果标签后，获取模型数据库内全部的运算模型并将其进行综合分析以对不同输出结果采取相应措施，并生成初步选择集合、初步判断集合和初步解答集合；还将生成的初步选择集合、初步判断集合和初步解答集合发送给数据整合单元；
[0011]筛选采集单元采集各运算模型运行过程中的运行信息并将其发送给运行检测单元；其中运行信息包括运算模型输出结果的速度和运算模型工作过程中其他网页打开的响应时间；
[0012]运行检测单元接收到运算模型运行过程中的运行信息处理得到运算模型运行的稳定因子T，且获取全部的运算模型运行的稳定因子T并将其进行排序，获取预设数量排序在前的运算模型构建生成初选模型集合；还将初选模型集合发送给数据整合单元；
[0013]数据整合单元用于接收初步选择集合、初步判断集合、初步解答集合和初选模型集合并进行整合化分析以得到最优固化模型，再将最优固化模型发送到划分选择单元的运算模型处储存固化。
[0014]进一步的，其中运行信息包括运算模型输出结果的速度和运算模型工作过程中其他网页打开的响应时间。
[0015]进一步的，综合分析对不同输出结果采取相应措施的具体过程是：
[0016]S1：每个区域使用模型输出的结果标签都不相同，则判定出现模型问题、机器扫描问题，当出现机器扫描问题时，进行人工核实，当判定模型问题则对原模型进行更换；
[0017]S2：每个区域使用模型输出的结果标签至少有一组都相同，则通过计算稳定因子判断出分别适用于选择区域、判断区域、解答区域的初选模型集合；
[0018]S3：每个区域使用模型输出的结果标签都相同，则说明各区域扣分项非常准确，无误差。
[0019]进一步的，整合化分析以得到初优模型集合的具体过程是：
[0020]将初步选择集合、初步判断集合、初步解答集合内的选择区域的扣分值、判断区域的扣分值和解答区域的扣分值分别标记为X
i
、P
i
、J
i
，经公式得到优选偏向度G
i
，其中e1、e2、e3为权重因子，权重因子使偏向度G
i
模拟计算的更加真实，e1+e2+e3＝1，且e1小于e2小于e3；通过优选偏向度G
i
判断筛选出初优模型集合；
[0021]获取预设初优区间[Yamin,Ybmax]；
[0022]提取G
i
值属于初优区间[Yamin,Ybmax]内的运算模型并构建生成初优模型集合，其中Yamin为预设初优区间的最小值,Ybmax为预设初优区间的最大值。
[0023]进一步的，筛选判断最优固化模型的具体过程：
[0024]当生成初优模型集合后，获取初优模型集合与初选模型集合交集的运算模型并构建最优模型集合，当最优模型集合数量达到预设值时，则提取最优模型集合内运算模型对应的优选偏向度和运算模型运行的稳定因子，再将优选偏向度和运算模型运行的稳定因子
和与之对应的权重参数相乘，再将相乘的和进行相加得到固化值，获取排序第一的固化值对应的运算模型将其标定为最优固化模型。
[0025]本专利技术的有益效果是如下：
[0026](1)通过对试卷中选择区域、判断区域和解答区域分别输入到模型数据库内并生成的若干结果标签进行标记，有利于对各区域的模型输出结果有效分类便于后续分析判断并选出适用于三个区域的最优固化模型，进而优化整个批改系统进程；且通过综合分析、整合化分析、最优固化模型判定分析有助于快速得出分析结果为研究人员提供新思路，进而解决各类疑难问题；
[0027](2)通过对选择区域、判断区域和解答区域生成的结果标签进行综合分析以判定模型结果的三种情况，进而对具体问题具体分析，有助于对模型输出的不同结果标签做出有效决策从而减少难本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的模块数学识别批改系统，其特征在于，包括划分选择单元、数据分析单元、系统检测单元、筛选采集单元、运行检测单元和数据整合单元；划分选择单元将试卷分为选择区域、判断区域和解答区域，再分别将试卷的选择区域、判断区域和解答区域输入到数据库内的运算模型中以生成若干结果标签，且将结果标签发送数据分析单元；其中结果标签包含：选择区域的扣分值、判断区域的扣分值和解答区域的扣分值；数据分析单元接收到全部的结果标签后，获取模型数据库内全部的运算模型并将其进行综合分析以对不同输出结果采取相应措施，并生成初步选择集合、初步判断集合和初步解答集合；还将生成的初步选择集合、初步判断集合和初步解答集合发送给数据整合单元；筛选采集单元采集各运算模型运行过程中的运行信息并将其发送给运行检测单元；其中运行信息包括运算模型输出结果的速度和运算模型工作过程中其他网页打开的响应时间；运行检测单元接收到运算模型运行过程中的运行信息处理得到运算模型运行的稳定因子T，且获取全部的运算模型运行的稳定因子T并将其进行排序，获取预设数量排序在前的运算模型构建生成初选模型集合；还将初选模型集合发送给数据整合单元；数据整合单元用于接收初步选择集合、初步判断集合、初步解答集合和初选模型集合并进行整合化分析以得到最优固化模型，再将最优固化模型发送到划分选择单元的运算模型处储存固化。2.根据权利要求1所述的一种基于深度学习的模块数学识别批改系统，其特征在于，其中运行信息包括运算模型输出结果的速度和运算模型工作过程中其他网页打开的响应时间。3.根据权利要求1所述的一种基于深度学习的模块数学识别批改系统，其特征在于，综合分析对不同输出结果采取相应措施的具体过程是：S1：每个区域使用模型输出的结果标签都不相同，则判定出现模型问题、机器扫描问题，当出现机器扫描问题时，进行人工核...

【专利技术属性】
技术研发人员：王娜，杨宇，马婷婷，
申请(专利权)人：沈阳工程学院，
类型：发明
国别省市：