【技术实现步骤摘要】
本专利技术属于机器学习技术，特别是在人工智能及特殊教育，尤其是涉及一种基于模糊神经网络的学习能力评估系统及其实现方法。
技术介绍
1、针对学习能力较弱者的教育现有技术存在一种智能辅导系统(its)，该系统是一种基于人工智能技术的创新解决方案。1980年代以来，出现了许多智能辅导系统(its)，其中包括专为低视力学生提供支持的animal watch its以及针对阅读理解进行教学的i-start its等。对学校学生进行数学和几何学教学的its math spring以及针对编程语言(c、c++、python)的prutor its也属于先前开发的its。这些its主要面向教育儿童，提供了针对学生个性化内容的支持。然而，在过去并未有专门用于教导学习障碍儿童的its。
2、在学习障碍鉴别方面，一些研究使用eeg设备收集脑部数据用于机器学习分类。游戏及游戏界面的使用也用于收集失读症用户数据以进行鉴别。这些研究增强了教育游戏设计用于失读症鉴别的理论。研究人员开发了一款移动应用来管理和监测可能出现注意力缺陷多动障碍(adhd)症状的儿童，为其家长提供行为管理信息。其他针对发育性失写障碍(dd)和脑瘫(cp)儿童的系统和研究也得到了一定的探索和发展。
3、就现有技术而言，传统的教育系统通常采用一般化的教学方法，无法充分满足学生个性化的学习需求。例如，尽管有一些教育软件或在线教育平台能够提供一定程度的个性化内容，但它们大多缺乏针对学习障碍儿童的深度定制化支持。这些现有产品缺乏对学习障碍的精准识别和个性化教学策略的提供
4、此外，现有技术在教学方法和内容设计方面存在的通用性问题也导致了一些学习障碍儿童无法得到有效的帮助。现有的教育产品或平台往往采用一种标准化的教学方法，无法针对不同学生的学习特点和障碍制定相应的教学策略和内容。这种通用性设计难以满足学习障碍儿童的个性化学习需求，从而影响了其学习效果和学术成就。
5、因此，现有技术的局限性主要在于未能提供精准的学习障碍识别和个性化的教学支持。缺乏智能化、个性化的教学方法和内容设计是导致这些问题和缺点的主要原因。针对这些挑战，本专利技术的its采用了人工智能技术和模糊神经网络系统，旨在提供更精准、个性化的学习支持，从而有效解决了现有技术在学习障碍儿童教育方面的问题和不足。
技术实现思路
1、专利技术目的：针对上述现有技术的不足,本专利技术第一目的是提供一种基于模糊神经网络的学习能力评估系统，第二目的是提供一种基于模糊神经网络的学习能力评估系统的实现方法。
2、为实现上述的专利技术目的，本专利技术提供如下的技术方案。
3、一种基于模糊神经网络的学习能力评估系统，该系统包括：
4、数据采集模块：记录测试者的答应时间，采集记录测试者对于受测者的评分；
5、辅助评估模块：计算的数据分类模型和模糊最小-最大神经网络模型；
6、系统评估模块：基于t-检验对辅助评估模块中fmm神经网络进行评估。
7、为了实现上述系统，一种基于模糊神经网络的学习能力评估系统的实现方法，该方法是基于受测者的评估数据进行处理，根据评估结果划分不同的学习等级，并且形成学习档案实现教学的辅助，步骤包括：
8、s1、建立基于模糊约束的数据分类模型，获取测试者对于受测者的评分和应答时间数据，且基于模糊约束进行学习能力特征提取；
9、s2、基于步骤s1得到的学习能力特征进行数据集标签处理，包括重心方法，确定模糊集的中心，作为标签用于模型构建；
10、s3、构建模糊最小-最大神经网络模型进行模式识别和任务分类，根据模型的识别、分类输出建立和学习等级的映射规则；
11、s4、利用t-检验对模糊最小-最大神经网络模型进行评估，以保证其有效性。
12、进一步地，所述的步骤s1对于模糊约束有评分指标和时间指标，评分指标是用于对测试者给出的评分进行离散化处理，所述的时间指标是用于受测者阅读和拼写时间的离散化处理。
13、进一步地，在所述的模糊约束中，评分指标包括基于离散处理划分为优秀、平均和查；
14、所述的时间指标包括基于离散处理划分快速、平均和慢速；
15、由评分时间和时间指标输入数据分类模型得到的模糊集输出包括学习能力评估类别，学习能力评估类别标签包括极端学习障碍、高度学习障碍、低度学习障碍和无学习障碍；
16、将学习能力评估类别标签对应到弱学级和强学级。
17、更近一步地，步骤s2所述的数据集标签处理包括基于三角形成员函数、规则库选择和匹配模糊规则进行处理，具体是将受测者的学习评估数据放入三角形成员函数，并从规则库中选择和匹配模糊规则，通过重心法找出模糊集的面积的中心，返回一个清晰的值以做出决策。
18、进一步地，步骤s3具体是将输入空间中的评估数据用最小-最大超立方体来表示，并将其用于模式分类；所述的超立方体在输入空间中定义数据区域的几何形状，每个超立方体由最小和最大边界定义；且所述超立方体代表着不同类别的数据，可以重叠并且可以根据新的数据进行动态调整。
19、所述方法中，模糊最小-最大神经网络模型中，包括应用处理：
20、超立方体表示数据区域：利用最小-最大超立方体来表示输入数据的特定区域，基于每个超立方体定义了数据的范围，用于将输入数据映射到不同的学习能力评估类别中；
21、在线学习：在遇到新数据时动态地调整和更新超立方体，通过不断地适应新数据，提高模型的性能和泛化能力；
22、扩展和收缩：当新数据到达时，网络会根据需要扩展已有的超立方体或创建新的超立方体，基于重叠的超立方体的调整，以消除重叠区域；
23、模糊逻辑：用于处理数据的模糊性和不确定性，使得fmmnn网络可以有效地处理模糊数据并进行合理的分类。
24、进一步地，步骤s4包括基于输入的学习评估数据进行如下的检测步骤：
25、设定假设：提出零假设和备择假设；
26、计算t值：通过对实际数据应用t-检验公式，计算得出t值；
27、确定显著性水平：设定显著性水平；
28、做出决策：将计算得到的t值与临界值进行比较；
29、如果t值大于临界值，则拒绝零假设，接受备择假设，表示fmm神经网络实施的效果具有统计学显著性。
30、更近一步地，根据t-检验的结果，对fmm神经网络的性能和有效性进行验证，得到fmm神经网络性能的评估结果，并根据评估结果本文档来自技高网...
【技术保护点】
1.一种基于模糊神经网络的学习能力评估系统，其特征在于，该系统包括：
2.实施如权利要求1所述系统的一种基于模糊神经网络的学习能力评估系统的实现方法，其特征在于，该方法是基于受测者的评估数据进行处理，根据评估结果划分不同的学习等级，并且形成学习档案实现教学的辅助，步骤包括：
3.根据权利要求2所述的基于模糊神经网络的学习能力评估系统的实现方法，其特征在于，所述的步骤S1对于模糊约束有评分指标和时间指标，评分指标是用于对测试者给出的评分进行离散化处理，所述的时间指标是用于受测者阅读和拼写时间的离散化处理。
4.根据权利要求3所述的基于模糊神经网络的学习能力评估系统的实现方法，其特征在于，在所述的模糊约束中，评分指标包括基于离散处理划分为优秀、平均和查；
5.根据权利要求2所述的基于模糊神经网络的学习能力评估系统的实现方法，其特征在于，步骤S2所述的数据集标签处理包括基于三角形成员函数、规则库选择和匹配模糊规则进行处理，具体是将受测者的学习评估数据放入三角形成员函数，并从规则库中选择和匹配模糊规则，通过重心法找出模糊集的面积的中心，返回
6.根据权利要求2所述的基于模糊神经网络的学习能力评估系统的实现方法，其特征在于，步骤S3具体是将输入空间中的评估数据用最小-最大超立方体来表示，并将其用于模式分类；所述的超立方体在输入空间中定义数据区域的几何形状，每个超立方体由最小和最大边界定义；且所述超立方体代表着不同类别的数据，可以重叠并且可以根据新的数据进行动态调整。
7.根据权利要求6所述的基于模糊神经网络的学习能力评估系统的实现方法，其特征在于，模糊最小-最大神经网络模型中，包括应用处理：
8.根据权利要求2所述的基于模糊神经网络的学习能力评估系统的实现方法，其特征在于，步骤S4包括基于输入的学习评估数据进行如下的检测步骤：
9.根据权利要求8所述的基于模糊神经网络的学习能力评估系统的实现方法，其特征在于，根据t-检验的结果，对FMM神经网络的性能和有效性进行验证，得到FMM神经网络性能的评估结果，并根据评估结果，对学习能力评估系统模糊最小-最大神经网络模型进行重构。
...【技术特征摘要】
1.一种基于模糊神经网络的学习能力评估系统，其特征在于，该系统包括：
2.实施如权利要求1所述系统的一种基于模糊神经网络的学习能力评估系统的实现方法，其特征在于，该方法是基于受测者的评估数据进行处理，根据评估结果划分不同的学习等级，并且形成学习档案实现教学的辅助，步骤包括：
3.根据权利要求2所述的基于模糊神经网络的学习能力评估系统的实现方法，其特征在于，所述的步骤s1对于模糊约束有评分指标和时间指标，评分指标是用于对测试者给出的评分进行离散化处理，所述的时间指标是用于受测者阅读和拼写时间的离散化处理。
4.根据权利要求3所述的基于模糊神经网络的学习能力评估系统的实现方法，其特征在于，在所述的模糊约束中，评分指标包括基于离散处理划分为优秀、平均和查；
5.根据权利要求2所述的基于模糊神经网络的学习能力评估系统的实现方法，其特征在于，步骤s2所述的数据集标签处理包括基于三角形成员函数、规则库选择和匹配模糊规则进行处理，具体是将受测者的学习评估数据放入三角形成员函数，并从规则库中选择和匹配模糊规则，...
【专利技术属性】
技术研发人员：刘军发，高晨龙，蒋鑫龙，李宜兵，徐文，
申请(专利权)人：中科科乐智造科技苏州有限公司，
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。