文摘

随着数学在基础教育的重要性,如何评估和分析数学教学课堂通过科学方法的智能效果已经成为指标评价的智能教室。本文研究数学教学智能教室的设计和应用基于PCA-NN(主成分analysis-neural网络)算法。首先,本文简要描述了数学教学的研究现状智能课堂设计和PCA-NN算法。其次,结合数学教学的关键因素,它制定特定的标准,并提出了一种自适应智能和个性化智能数学教学课堂的策略。最后,通过实验验证了模型的算法。结果表明,对于数学基础水平不同的学生,数学教学智能教室基于PCA-NN算法可以有效地提高数学课堂教学的质量。通过研究教学质量等因素影响,和交互模式参与数学教学课堂设计的过程中,智能教室设计教学质量影响因素确定。本文从不同的角度分析和研究系统。研究结果提供了一些帮助当前的课堂教学质量评价和使用PCA-NN算法进行定量分析和多变量验证的数学课堂教学效果。

1。介绍

促进多元化教学模式和定制的教学方法的提高,数学教学已成为一个重要的基础学科教学(1]。另一方面,课堂设计,课程内容扩张,和主题培训数学教学已成为当前数学教学课堂的重要研究方向(2]。然而,在实际的数学教学过程中,虽然有许多不同的方法在现有的教学质量评价,对不同的教学方法很难实现差异化教学和多样化的课堂互动根据他们的内部相关性和学生的不同的数学基础3]。

本文提出了优化模型的数学课堂设计和教学质量评价基于PCA-NN(主成分analysis-neural网络)算法。本文分为四个部分。第一部分介绍了设计、研究背景,论文的部分的安排。第二部分阐述了研究的影响因素目前课堂教学的综合评价。在第三部分中,数学课堂教学的评价模型基于PCA-NN算法,和数学课堂教学质量的评价指标体系是由使用拉普拉斯因子方法,结合学生的学习效果。在第四节中,验证实验是为了验证相关指标的数学课堂和课堂评价模型并得出结论的研究。

本研究的创新是选择当地PCA-NN优化算法,使用模型相关课堂综合评价;本文研究不同参数的内容与评价的影响因素,提出了数学课堂教学设计和评价体系基于PCA-NN算法。通过研究教学质量、效果、交互模式,和其他因素参与数学教学课堂设计的过程中,智能教室设计教学质量影响因素确定。本文评估研究从不同角度评价体系,提供了一个综合指数目的课堂教学质量建设,然后使用PCA-NN算法进行定量分析和检验数学课堂教学的效果。根据五个影响因素的核心数学课堂教学质量,本文优化了传统的数学课堂教学方法,提出了基于PCA-NN算法评价方法,并构造一个更科学的智能数学课堂教学质量评价模型。同时,该模型与传统的算法相比,本文的模型来验证该模型的可靠性。

有很大差距课堂教学的智能建筑。某些领域处于领先地位的研究在数学课堂教学的智能建筑4]。Selvi Muthulakshmi发现,有很多的智能教室设计数学教学中存在的问题,如大量冗余和教学效率低,并提出了一个智能教学方法为青少年(5]。根据数学课程的教学特点,杨等人发现,当前的教学方法可以依靠学生的实际需要和教学目标,提出了一种multicustomized教学方法(6]。Ayachi等人提出了一个智能教室的基于多策略技术的数学课堂教学模式。实施差异化的课堂教学根据不同学生的实际情况,并为他们提供定制的反馈指导(7]。根据传统模型理论和运动训练数学课堂教学的经验,Smys等人发现当前数学课堂教学知识转移能力差的问题,在教学过程中。因此,教学综合适应性评价方法基于遗传算法。(8]。吴依靠现有的数学教学方法,提出一种新的智能课堂数学教学方法基于数学章节的内容和分析不同的内部相关知识在传统数学课堂教学(9]。李等人通过简化分析不同的数学教学课堂让学生在学习的过程中实现深入思考国家基于数学练习;通过实验,证明了这种教学方法可以提高学生在短时间内接受新知识的能力(10]。相关研究表明,数学教学的智能教室基于神经网络算法比经典的智能教室模型帮助学生快速学习新知识(11]。太阳等人研究了课堂综合评价的数学模型,数学教学内容的分类和数学课后练习,并采用了不同的教学实验教学策略(12]。卡等人表明,教学方法具有良好的稳定提高数学教学的质量和适合的配方优化教学计划(13]。为了提高数学教学课堂的教学效率和整体稳定性,通过研究和分析不同的学生,分层教学方法提出了基于数学教学理论(14]。经过实际验证,Alkrimi等人发现有明显的差异程度的智能智能教室的选择方案组在大学数学教学。因此,在此基础上,首次提出了数学教学方法(15]。苏等人提出了一个新的智能教室组织数学教学方法基于超混沌映射。根据内在相关性的数学课程和学生的兴趣,这个教学方法选择多样化和有效的课堂设计方法(16]。

从研究结果在这个阶段,我们可以看到,在当前数学课堂设计的过程,很少有应用程序规则的现代教学方法基于PCA算法或其他数据处理方法(17]。另一方面,智能教室设计的过程中,有许多不同的内部相关性(18]。因此,有一些明显的差异程度的情报,甚至PCA-NN算法的应用更少(19]。在这种背景下,具有重要意义,研究数学教学智能教室的设计基于PCA-NN算法(20.]。

3所示。方法

3.1。PCA-NN算法的基本思想在数学教学智能教室设计模型

PCA-NN算法是基于主成分分析算法的一种改进的算法(21]。算法主要分析不同类型的数据,并使用之间的关联度强的方法内部关联度的信息挖掘和数据处理22]。PCA-NN算法的核心思想是减少多维数据的维数来实现高效的数据处理,降低了计算复杂度,提高数据的利用率和效率分析(23]。与此同时,算法也是一个算法通常用于矿山数据和提取信息(24]。智能教室设计数学教学的过程中,为了实现数据挖掘和降维操作算法,需要数学教学数据信息转换成二进制计算机语言采用信息的方法不同的维度,实现操作和处理(25]。在实际应用的过程中,相关的编程和存储有不同尺寸的数学教学信息,因此算法的数据挖掘和降维在任何时间需要更改26]。

在这项研究中,PCA-NN算法应用于数学教学的设计和质量评估智能教室。主成分分析算法的基础上,深度PCA神经网络的训练是一个复杂的过程。只要网络的前层稍有变化,PCA将累积后的神经网络,其内部无效的信息也会有很大的错误。因此,在这项研究中,一旦输入数据的分布和输入顺序PCA算法操作改变之前,它将极大地影响,特别是在数据维度,所以如果有错误数据训练和提取的过程中,测试结果将产生不同的速度变化。一旦PCA网络训练,数学教学的系统参数将被更新。除了数据的输入层,每个后续PCA网络的输入数据是动态变化的,因为更新的培训前PCA层参数的变化将导致后者的输入数据的分布层。本研究可以充分利用每个数学教学课堂教学目标,通过PCA分析不同的数学教学模式,耦合内部相关性强的因素,然后结合神经网络的概念,实现数学教学课堂的智能设计。

3.2。数学教学课堂设计和施工过程质量评价模型基于PCA-NN算法

为了实现第三智慧的科学评价和分析教学课堂,本文以大学生为研究对象,调查了大学生的不同方面。通过大学的分析数据,课堂上数学教学能力是通过使用PCA-NN算法模拟和研究。这也是调查的过程和研究在大多数教学类。

施工过程包括以下方面:首先,根据现有的数学学习水平的不同专业的学生和成绩,系统将提取不同的数据特性,然后处理成二进制。计算机识别处理二进制数据和比较它与数据库。数据采集和培训流程如图1。


图1
数据采集和训练过程。

另一方面,在获得数据信息的方面,它主要是通过现有的学生成绩系统进口数据根据其内部相关信息并形成初步数据集群数据库基于数据库,然后输入到计算机培训分析系统。后输入的数据信息数据库,计算机系统使用PCA-NN算法基于多维操作规则实现数据库的多个迭代计算(27- - - - - -33]。计算后,根据计算机的数据库信息和预设自动判断程序,它恢复和把一些数据信息,依赖于不同类型的数据组信息,和数据分析过程如图2。


图2
PCA-NN模型的数据分析过程。

第三个方面是更新现有的数据库信息和计算错误。完成上述步骤后,处理数据库的变量维度,向量法是用来记录,形成了一个特殊的数据信息记录。数据库的变量维度信息转化为向量和迭代和存储信息。在这个过程中,数据组相似度的计算是通过计算实现不同数据组之间的距离和角度规则刻度(34]。距离或角度越小,越接近越高维度信息包含在数据中心。因此,相似性之间存在正相关的教学理论和高校理论知识,和实际水平的数学教学过程中智能教学课堂如图3。


图3
判断仿真过程中不同的数据组。

从图可以看出3数据维数的变化,相应的判断系数指数也有明显的变化,和不同的数据组织逐步呈现相似的变化规律,因为尽管数据组织是不同的,他们歧视规则在主成分分析的过程中维持不变。在这个过程中,相似的措施 不同数据组如下:

关联度判断公式 和耦合程度判断公式 之间的数据组如下:

的误差系数 和修正系数 之间的数据组如下:

此时,相应的数据组的仿真分析结果如图所示4。


图4
仿真分析的结果数据集的误差和校正系数。

在图4,随着仿真时间的增加,相应的误差系数和修正系数显示不同的变化规律,但总的变化趋势是相似的。这是因为固有的相关性和可靠性数据信息在不同的维度是不同的,所以没有超级相似的变化规律。的平方和 和方形系数不同 之间的一维容错数据组如下:

平均系数 下 水平周期和操作价值 在不同的集群如下:

其中, 是广场的加权和差异, 是一个单元的数据组, 和 集群内的向量被检测到, 不同簇之间的操作价值, 在每个集群处理价值。此时,相应的数据组的仿真分析结果如图所示5。


图5
仿真分析结果不同的数据集的维容错。

在图5,随着仿真时间的增加,广场的变化规律和相应的一维容错率的平方差异系数相似。这是因为模拟次数增加,PCA-NN算法是数据仿真分析的过程中。强的维度数据组相关数据组的正规化,所以后续的变化规律是相似的。

3.3。数学教学评价模型和改进策略基于PCA-NN算法智能教室

评估和研究智能数学课堂教学的教学质量,这评价模型并比较数学教学理论课程的分数不同等级和不同专业和数学教学类型,然后流程的相关性这两种基于PCA的大数据集。在这个过程中,相应的扰动自适应功能 和排序函数 如下: 在哪里 是一个单元的数据组。干扰的适应函数 和排序功能 满足以下关系:

计算和转换不同的数据向量之间的距离需要团体之间的链接和社会团体内部的链接,防止误判。平均连接函数 是 在哪里 是一个单元的数据组。后再决定每个PCA-NN训练的样本中心联系,我们需要比较不同类别的最短的距离,然后不同的相似性数据计算与逻辑结构和组合成集群。集群组校正函数 和距离校正功能 是 在哪里 是一个单元的数据组。multicoupling适应性训练过程从不同的模拟训练的组合,可以看到如图6。


图6
Multiadaptive耦合训练仿真分析过程。

从图可以看出6培训过程的变化,内部数据自适应耦合类型也发生了改变。这是因为内部数据组织和multieigenvalues是不同的,所以相应的耦合程度是不同的,和内部数据连续性由于多维计算复杂度是不同的。模块之间的耦合程度指的是模块之间的依赖关系,包括控制关系,调用关系,数据传输的关系。模块之间的连接越多,他们越强耦合和他们的独立性越糟糕。

4所示。结果分析和讨论

4.1。实验设计创新设计的过程模型,数学教学课堂基于PCA-NN算法

为了分析教学之间的关系差异和不同类型的数学教学课程的学习效果在不同的学生,本研究考虑了随机因素,进行验证性实验设计基于学生的数学教学课程和考试数据。这个实验过程结合改进的PAC-NN算法;首先,设置多重耦合阈值分析来分析创新课堂的教学效果有不同的教学方法,然后比较和分析不同参数的相关数据信息转化为多维教学模式。为了确保集群有一个相对较高的相似性匹配程度,匹配信息的数据信息是高的在实验。的客观评价标准的初步结果数学教学智能课堂质量评价系统在实验如图7,影响可靠性的不同数据集实验结果如图8。


图7
数学教学的初步评估结果智能课堂质量评价系统。

图8
的影响不同的数据集上的实验结果的可靠性。

从数据可以看出7和8聪明的课堂评价体系的数学教学,与学生的数量的增加解释例子和数学教学课堂培训主题,全面教学质量的错误正变得越来越小。这是因为PAC-NN算法可以进行多维分析和定量表征不同类型的数学知识。然后,与每个后续PCA因子进行了相关分析,然后与现有的参考阈值,并进行了误差分析。通过不同目标的相似度,相似度不同的数据信息可以判断。和每个集群的样本中心再次确定,可以有效地确定所需的数据源的空间矢量最初的数学教学质量评价的智能教室。

结合上面的初步实验结果,PCA-NN算法首先确定不同簇之间的相似度安排根据最短的距离数据组之间的比较,最后形成一个集群组与逻辑结构;此外,离群值的数量的不同的问题往往是不确定的,由于不同数据类型的实际调查问卷在实验。例如,在这项研究中,大部分学生主修数学课堂教学质量问卷选项数据通过相同的问题总结了学习目标相同的选项,然后总结和分类后的组数据进行分析,以减少错误率PCA-NN算法的分析过程,提高数据分析的效率和稳定性。

4.2。结果和分析

为了使一个深的结果分析和减少错误率的数学教学方法提出了在这项研究中,我们需要结合传统数学教学方法进行比较分析。在这项研究中,实验对比方法(智能教学集团和传统教学集团)是线下一对一的随机调查和数学教学智能课堂评价体系。调查的对象是学生,需要学习数学课程。不同年级的学生使用不同的问卷调查方法。问卷包括以下方面:思维、逻辑、推理和判断,参与、作业完成,平均分数,等等。在这次调查过程中,通过调查和实验分析,我们系统地分发500份实验所需的文件、资料最专业的学生。不同数量的学生满意度的结果数学教学智能课堂评价体系如图9。


图9
满意的结果不同数量的智能教室的学生数学教学评估系统。

从图可以看出9通过这个实验,与传统的数学课堂教学相比,这个实验的整体教学质量明显提高。在整个实验结果,95.1%的学生感到满意数学课堂教学,其中30.0%是女学生,65.1%是男学生。在这些平时考试的数学教学,92.5%的学生有明显的改善效果,其中62%是女孩和30.5%的男孩。谈到具体的数学教学模块的知识,如数学运动训练、数学原理的理解,和数学教学交互的人数明显改善这方面的占93.1%。人们积极参与这个链接的数量占96.5%。当被问及智能数学教学的课堂教学方法是有效的,接受调查的93.2%的学生同意在这个实验中使用的智能课堂教学方法。上面的数据分析表明,智能课堂教学方法在数学教学是非常有效的,和大多数学生同意在这个实验中使用的智能课堂教学方法。

5。结论

随着科学技术的进步,传统的数学课堂教学质量的评价模型不能满足要求。本文研究了智能数学教学课堂设计和模型基于PCA-NN算法。本文优化了传统的数学课堂教学方法,提出了基于PCA-NN算法评价方法,并构造一个更科学的数学教学智能课堂质量评价模型。验证了模型的可靠性。设计和智能数学教学课堂教学质量评价方法基于PCA-NN算法不仅可以有效地评价教学效果,还分析和评估教师的数学教学能力的现状。然而,本文的重点是只在建筑设计和评价模型的数学教学的智能教室,和加强评价体系的特点是不考虑。因此,在实施质量管理评价模型的智能数学课堂教学中,我们可以进行深入的研究多维系统的影响因素。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究受到了人文社会科学研究规划基金项目的中国教育部2018年职业发展支持系统研究西北少数民族地区农村中小学教师(18 yja880039)。