为了实现英语教学能力的准确评估,首先需要构建一个信息采样模型约束参数的英语教学能力。结合非线性信息融合方法和时间序列分析方法进行统计分析的英语教学能力。英语教学能力约束指数参数是一组非线性时间序列( 11]。构造一个高维特征空间分布代表英语能力评估的参数指数分布模型,并抑制英语教学能力的主要指标参数包括教师水平、教学设备投资和政策相关性水平。

模糊聚类分析是一种无监督的机器学习算法,建立了样本类别的不确定性描述通过模糊理论,可以客观地反映现实世界。Yaqoob et al。 12)首次提出模糊均值聚类算法基于模糊聚类的概念。之后,王等人添加了一个模糊因素聚类算法,提出了一个模糊均值聚类算法( 13]。聚类算法获得每个采样点的隶属度所有集群中心通过优化目标函数,通过多次迭代最优聚类中心,从而确定采样点的类别来实现分类示例数据的目的。该算法分 n数据采样点到 c通过反复迭代类和最小化目标函数,从而实现聚类。其目标函数被定义为 (1) f x , y = ∑ 我 = 1 k ∑ j = 1 n χ 我 j c x 我 − u 我 。

在这里, χ 我 j 的隶属度吗 i集群中心 j数据样本点; c模糊加权指数,隶属度的计算公式吗 χ 我 j 是 (2) χ 我 j = 1 ∑ 我 = 1 k 一个 我 j / 一个 k j , 在哪里 一个 我 j = x j − u 我 欧几里得距离吗 j数据样本点 i集群中心。

聚类算法有简单的设计和良好的聚类效果的特点,已广泛应用于图像处理、大规模数据分析和入侵检测。王等人。 13)提出了一种模糊电气故障诊断基于理论的数据融合方法和模糊k - means分析方法用于分类感应电动机的不同模式,减少误警率。

英语教学能力评估教师能力水平和教学资源配置水平满足维度连续功能状态;即英语教学能力评估有一个收敛的解决方案,根据数据信息流模型构建的英语教学能力评估,构建一组标量采样序列组件为大数据分布模型提供一个准确的数据输入基础英语教学能力评估( 14]。

定量递归分析方法用于分析大数据信息模型的英语教学能力评价( 15]。灰色模型用于定量评估水平的英语教学能力。假设的历史数据分布表示为英语教学能力 x 我 我 = 1 N 预测和估计的概率密度函数获得英语教学能力当扰动特性的初始值是恒定的。

使用定量递归分析方法获得的 K邻居样本值的大数据信息流产出指数分布的英语教学能力评价和使用大数据信息融合方法构造域大数据信息流的英语教学能力评价分布,interclassification目标函数,即大数据聚类目标函数,定量地分析了指数相关性分布序列 x n n = 1 N 英语教学能力的评价研究,结合了 K值优化方法获得教学能力的定量评价 16]。递归特征提取结果 (3) x n = w 0 k + ∑ 我 = 1 米 w 我 k x n − 1 k , 在哪里 w 0 k 是抽样振幅最初的英语教学能力评价; x n − 1 k 是标量时间序列; w 我 k 的振荡衰减值是英语教学能力评价( 17]。基于模糊理论的数据融合模型如图 1。

映射过程的主要任务是计算几何数据样本点到集群中心的距离,然后将几何距离转换成通过隶属度的隶属度计算公式,最后样本点数据,集群中心指向它所属,和相应的隶属度输出。第一次读到HDFS的数据,并使用指定的(关键值)对输入格式的输入值映射函数,其中“关键”是数据样本点的id号,和“价值”是整个样本点数据;然后读取的最大利用率。最小距离算法计算初始聚类中心,计算欧几里得距离数据采样点到每个集群中心,并结合公式( 2)的隶属度计算算法流程图如图 2。根据采样点的隶属度和集群中心,它发现的最大价值,将集群的数据采样点属于中心对应的最大价值,最后以键-值对的形式出现( 19]。Map函数的输出,中心代表集群中心的样本代表一个数据样本点属于集群的集群中心,会员代表样本的隶属程度指向集群中心。

Reduce函数的主要任务是接受几个(键值)对Map函数的输出,以减少他们找到全局最优解的集群。第一次接收Map函数的键值对,其中“关键”是集群中心和“价值”是数据样本点对应于集群中心;然后采样点属于同一个集群中心放置在同一组,和数据样本属于一组不同的集群中心融合,和一个新的集群中心是根据公式计算( 3);最后,它是判断是否新的集群中心之间的几何距离和相应的集群中心,上一轮足够小或者迭代的数量超过了预定义的阈值;如果满意,迭代操作将退出,将存储在HDFS最终的聚类结果;否则,将使用新的集群中心作为下一次迭代的聚类中心,并使用减少的输出结果作为输入的映射下一轮迭代操作,直到满足收敛条件或迭代的数量大于阈值。

尽管模糊聚类算法具有更好的聚类效果比传统的硬聚类算法,仍有一些缺点。现有的聚类算法对初始聚类中心更敏感。因为该算法采用逐步迭代的思想,目标函数迭代期间不断减少。因此,如果 c聚类中心是随机选择的样本数据集一开始,几何距离很小,这将导致最终的聚类结果陷入局部最优解,这是不利于找到全局最优解。因此,合理选择初始聚类中心是一种有效的手段找到局部最优解。最大和最小距离算法是一种启发式算法在模式识别。它的核心思想是找到样本对象尽可能远的集群中心。在这项研究中,最大和最小距离算法用于确定初始聚类中心,以避免情况的几何距离随机选择集群中心很小或分布相对集中。文献[ 20.]使用最大和最小距离算法来动态地确定初始聚类中心的k - means聚类算法,但这种方法不限制数量的聚类中心,和太多的集群产生更大影响的集群效应的影响。因此,采用动态的方法来确定初始聚类算法的聚类中心,和聚类中心的数量是有限的。

在并行融合方法设计,当要处理的数据量很大,模糊聚类算法的时间复杂度相对较高,和算法的复杂性主要是集中在每个数据样本的隶属度的计算点到集群中心和集群中心2的更新过程。大量的数据采样点导致太多的迭代聚类过程中,直接影响模糊聚类算法的计算效率。使用映射-规约模式编程模型和高处理效率和可伸缩性适用于大型数据集的并行处理。该模型使用两种编程函数Map和Reduce共同实现分布式并行计算任务。因此,这个模型的帮助下,模糊聚类算法是分布式并行计算大数据集群的每个节点,这可以极大地提高模糊聚类算法的性能。并行模糊聚类算法的流程图如图 2。

模糊聚类算法的并行设计主要分为两个过程:Map和Reduce。首先从网络接收数据和数据从主机,执行属性筛选和数据标准化的两种类型的数据,然后结合模糊聚类的概念与使用映射-规约模式模型数据融合算法。Map阶段的主要功能是指根据数据样本的数据。集群的会员中心分类样本数据,减少阶段的主要功能是将数据属于同一集群的中心,以减少冗余的警报和最后决定它是否已经达到或超过一个预定义的迭代收敛性。如果不满足的次数,减少输入映射的结果,和下一轮迭代操作执行,直到满足收敛条件或者超过阈值的迭代次数;然后退出操作( 21]。

实验结果和分析,以验证改进算法的有效性,对算法进行了仿真实验。所选的工具是Matlab。假设融合处理是进行特征参数值(测量参数的真正价值是1)收集10传感器在某一时刻;也就是说, n= 10。具体测量结果和传感器方差设置如表所示 1。

第一次使用集群的k - means聚类方法测量数据。排序后,初始聚类中心 Z₁(1)= 0.58, Z₂(1)= 0.95, Z₃(1)= 1.45。根据公式( 5),第一轮迭代之后,我们得到了 x 5 , x 6 , x 1 , x 2 , x 3 , x 4 , x 7 , x 8 , x 9 , x 10 经历3集群,然后,我们可以得到 Z₁(2)= 0.54, Z₂(2)= 0.99, Z₃(2)= 1.48;在这个时候, Z_j(2)≠ Z _j(1), j= 1,2,3,所以我们应该回到步骤(2),进行下一次迭代。

第二轮迭代后, Z _j(3)= Z _j(2), j= 1、2、3。在这个时候,该算法收敛,计算完成。我们可以得到 x 5 , x 6 , x 1 , x 2 , x 3 , x 4 , x 7 , x 8 , x 9 , x 10 作为最后的集群;在这个时候, Z₁(3)= 0.59, Z₂(3)= 0.99, Z₃(3)= 1.48;然后,从, d₁= 0.4514, d₂= 0.4875。从仿真中使用的测量数据的大小相对较小,精度要求相对较高,容忍的错误 δ设置为+ 10%的真实价值;也就是说, δ=±0.1。根据设定的价值 δ,就可以知道以上|计算 d₁|和| d₂|都大于| δ|,所以的数据 Z₁(3)和 Z₃(3)可以被视为无效数据。我们有理由在数据融合和只需要删除它 Z₂(3)融合的数据集,即 x 5 , x 6 , x 1 , x 2 , x 3 , x 4 , x 7 , x 8 , x 9 , x 10 。

使用选中的融合数据集上执行融合处理,和最优融合结果是1.0046。传感器和测量结果方差设置如图 3。

图 4显示了Matlab的仿真图的加权系数系数改进的模糊逻辑算法基于k - means聚类和模糊逻辑算法改进。

从图可以看出 4的权重系数改进的基于k - means聚类的模糊逻辑算法与模糊逻辑的完全不同。例如,对于传感器的节点5号,重量在改进前的算法仍相对较大。我们已经了解到,测量数据偏差比较大,这将误导融合数据。基于k - means聚类的改进算法,因为这个值是由k - means聚类算法确定为无效数据的分离,其权重系数变成零。看看2号传感器节点。在前面的算法,它的重量是由于其他偏差数据的影响相对较小,而在改进算法,因为它不受数据影响特别大的偏差,认为其可信度相对较高,增加了重量。事实上,也是如此( 22]。这同样适用于其他节点,和权重都是重新分配,有效地提高了融合结果的准确性。

以大数据统计结果的英语教学能力评估的指标参数图 5为研究对象,数据聚类和信息融合处理实现教学能力进行评估。表 2显示了测试结果的评估准确性和其他指标。分析表明,用这种方法教学能力评价的准确性较高,和教学资源的利用率是更好的。

图 5显示了使用模糊逻辑加权融合算法,自适应加权融合算法的文献[ 23),文学的最小二乘融合算法和模糊逻辑基于k - means聚类融合算法改进。我们提出一个模拟图的融合结果。它可以看到从图直观地 6原来的融合结果加权模糊逻辑算法从设置的真正价值1最远的;融合的结果自适应融合算法和最小二乘融合算法和比较相似加权模糊逻辑算法。效果好,但仍存在一些错误;和基于本文改进算法的融合结果是接近1,这意味着融合结果是最精确的,这表明本文的改进算法的有效性。

表 3列表的精确值的融合算法和各自的错误。

从图可以看出 7结果使用自适应加权融合算法和最小二乘法确实相似,和错误都是零。使用加权模糊逻辑算法的偏差是最大的;同时本文提出的改进的模糊逻辑算法有最小的错误,这是0.0037。单独使用模糊逻辑算法相比,它有一个显著的改善,及其误差小于其他两个加权融合算法,进一步说明了改进算法的有效性。

同时,为了验证这个设计的并行融合方法的时间效率和数据融合率高于传统的融合方法在单个服务器上运行,时间效率和数据融合率控制通过控制工作在大数据集群的服务器数量。图 8显示的比较之间的运行时间和数据融合率提高并行融合方法和传统的融合方法在不同模糊索引。

从图可以看出 8融合效果是最好的时候 米= 2,消耗的时间模糊索引2和3并没有太大的区别。综合分析后,模糊索引值的2是更合理的。