文摘
当前大学英语网络教学模式主要是基于传统的在线蕴藏教学中,有一些问题,如贫困交互。在复杂的背景下,本文研究了在线大学英语教学模式的基础上,高斯变异遗传算法和神经网络算法。首先,简要介绍了网络英语教学的概况和混合应用程序的高斯变异遗传算法。通过学生的调查和测试分析类,前后实验评估学生的网络教学质量在很多方面。在此基础上,提出了一个更好的教学质量评价模型。最后,实际应用表明,本文的模型是非常可行的。最后,学生有更高的热情和严重性混合背景下的大学英语网络教学基于对偶算法。英语教学质量可以利用每个学生的考试分数在英语课堂。本文实现了整体教学通过实时动态跟踪。量化指标用于英语课堂教学的影响程度指标,可以有效地评价英语课堂教学的质量。
1。介绍
随着科学技术的迅速发展,在21世纪,我们已经进入了全球信息化时代,然后进入信息时代的教育。教育的改革和现代信息技术紧密相连。随着网络技术的发展和普及世界各地,网络教育已经成为现代教育领域最重要的创新。因为它的许多优点,网络教育逐渐显示出其强大的生命力和巨大的发展潜力。因此,网络教育已逐渐被中国的教育界和教育领域的快速发展。然而,随着网络教育的不断发展,我们也遇到越来越多的困难和需要解决的问题。为了使网络教学充分发挥自己的优势,更好的为教育教学服务,一些辅助手段用于网络教学的补充和推动教育产业的升级和转型。
基于互联网,网络教学可以随时随地进行,没有时间和空间的限制。学习者可以自由安排的时间、地点和进度的学习根据他们的实际情况,提高了学习的便利,提高了学习的灵活性。与此同时,网络教学可以推广和分享一些有利的教育教学资源,学习者可以很容易地获得高质量和大量的教学资源,这有利于实现国家的教育和终身教育。
目前主流的教学质量评价仍然是基于传统的网络教学模式,网络教学模式时少(1,2]。的出现,新一代的智能教学方法,比如英语在线教学模式和多维数据分析教学模式,提供快速促进高校英语在线教学(3]。目前,网络教育的教学质量已成为现代评价的重要内容(4]。如今,有许多高校教学质量评价的方法。学生可以进行不同的网上教学根据不同的方法(5]。然而,在今天的许多方法,它是困难的对学生进行培训的知识要点根据他们的实际情况,不能达到良好的学习效果6]。
传统的大学英语课堂网络教学模式不能满足当前的客观要求。在此基础上,本文研究了大学英语网络教学模式的基于高斯混合背景变异遗传算法和神经网络的优化。根据五个因素对大学英语课堂教学质量评价的影响,本文改进了传统网络教学方法。(1)本文提出的评价方法更科学。(2)通过实际测试,本文定量评估的可靠性评价模型的网络教学和英语课堂教学质量。本文提出的方法不仅可以有效地评价网络教学的影响,还分析和评估当前形势下大学生英语能力。(3)网络教学质量的评价方法基于高斯变异遗传算法,可以有效地评价网络教学。
本文研究在线大学英语课堂教学模式的创新和质量评价体系的建设,主要分为四个部分。第一部分是研究背景的简要概述,研究创新和章节安排。第二部分介绍了网络教学模式的研究现状及其影响因素。在第三部分中,在线教学质量评估基于高斯变异遗传算法和神经网络算法。根据高斯随机函数和拉普拉斯特征识别方法,在线教学质量评价模型的遗传神经网络构建混合算法,它是根据三维定量特征的信息(7]。第四部分验证模型的不同指标提出了通过相关实验。
2。相关工作
的发展模式创新是缓慢的,尽管一些国家有良好的基础和舞台在线英语教学领域的创新结果。智等人发现,有许多问题在设计不同类型的网络英语教学模式(8]。因此,一个智能网络教学策略提出了基于多个目标。根据学生参与网上英语教学模式,Entezami等人提出了基于实时在线互动教学模式弹出策略和神经网络算法。模型交互效率高和稳定性强的特点9]。王等人结合英语实践教学发现,不同类型的学生有明显差异数据多样性分析的过程中学习英语课程(10]。因此,提出了分级梯教学模式。按照规定不同的英语口语培训,鲁伊斯等人提出了一个更好的、有针对性的口语训练方法(11]。柯等人发现,机器学习策略能统一管理学习和英语课程具有类似内容(12]。因此,结合遗传算法,在线自适应融合网络的大学英语教学模式的设计。Delanoy和Kasztelnik进行在线和数字处理在不同的英语听力材料,发现效率的智能数据信息识别不同类型的听力材料也不同,受情感基调(13]。根据局部优化的神经网络算法,语法教学系统提出了基于语音交互训练(14]。邹等人提出了一种分级网络教学算法,可以实现multimainline计算通过结合网络协会结构(15]。Haghrah等人发现,类似的英语语法的文章有很强的相关性。因此,在线英语听力,口语,阅读,阅读,和写作训练方法。该方法可以自适应地选择最好的训练方法根据不同的英语内容,所以它可以有效地提高学生的英语学习水平(16]。基于现有的网络英语教学数据库,一种新的提取方法英语网络教学的特点提出了在混合环境下基于语义差异的英语词语在不同的上下文中。结果表明,该方法比传统方法更适合上下文(17]。李等人做了一个在线英语教学系统的微分分析目前统一的内部联系人数据根据分析结果数据收集在教学过程中(18]。所以等人对大学英语网络教学过程分为不同的数据表示方法。基于高斯变异遗传算法的优化分析19),刘等人提取现有英语教学方法的特点,完成了内部的相关性分析和差异比较的基础上,提取结果(17]。基于文本信息的英语测试数据库在高校,Mikalef等人进行了分化分析英语学习的关键,并提出了一个基于multiangle在线教学策略分析。实验结果表明,该方法可以显著提高学生的效率评估准备(20.]。威尔逊发现有伟大的大学英语网络教学模式的差异在不同的上下文中。因此,在线教学方法提出了基于自适应环境的变化(21]。解决网络卡顿的问题在网络英语教学的过程中,Kkese加上5 g数据传输技术和云存储技术提出了一个端到端的混乱的在线英语教学网络的方法,有效地提高了视频和音频流畅稳定在线英语教学过程(22]。曹等人开发了一种混合背景下基于个性化推荐的网上教学方法根据不同的英语教师教学特点和习惯,从而提高学生的热情和参与类在某种程度上(23]。
总之,我们可以看到,当前的英语课堂教学模式在高校主要是基于差异化的教学方法,它很少是由智能优化算法和数据分析技术(24]。另一方面,虽然伟大的研究成果已经在网上英语教学,它很少被广泛使用,很少有良好的微分分析模型和评价模型结构(25]。
3所示。方法
3.1。应用高斯变异遗传算法来优化神经网络算法在英语网络教学模式
在这项研究中,高斯算法不仅是用来寻找不同的数据之间的关系,但也可以探索和分析数据的热点信息。此外,作为一个常见的算法,这个算法也是许多数据采集和分析的基本方法基于多信息。高斯变异遗传算法是实现多元化特征匹配和数据组处理根据特定的目标组合规则信息,实现其内部唯一性匹配根据其内部的相关性。为了分析不同维度的数据类型,其独特性需要杰出的根据不同的数据类型和数据组的相关性。为了实现数据的分析算法,目标数据的内容转化为模式识别的内容,可以通过计算机进行分析。在这个过程中,向量空间模型通常用于处理对象特性数据。
3.2。实现高斯变异遗传算法在大学英语网络教学质量评价模型
本文进行了一个随机调查大学生的学习过程在许多学校,和基本的研究对象是不同专业的学生。通过调查多数大学生的不同方面,最后,分析和评估不同的数据的结果的评价英语教学质量。这也是网上教学质量分析的基本实现过程对于大多数大学生。流程如图1。
具体实现过程如下:步骤1。定义一个适应度函数在搜索空间,考虑到人口规模,交叉率和变异率。步骤2。生成初始种群。步骤3。计算健身。步骤4。如果满足终止条件,退出;否则,转到步骤5。步骤5。选择高斯变异系数和多次复制。生成分组人口1。步骤6。遗传因素交叉算法随机确定多个染色体并生成人口2。步骤7。遗传因子突变算法生成人口3根据突变数量然后再进入步骤3。
在第一方面,第一个研究数据是第一个调查数据(主要是记录学生的成绩和穿孔卡片的英语课堂教学课程)根据当前大学英语成就不同类型的学生。在线英语教学系统,数据提取的每个学生的听力状况和在线学习性能。然后,计算机语言处理是由结合不同类型的多维数据信息和转换成多路二进制数,因此网上教学系统可以进行定量分析和特征提取在第一次在学生学习数据的多维存储信息。结果如图所示2。
增加的转换从教学信息数据的维数向量信息,其变化规律是更加明显。变化规律更明显,几乎他们所有人到达最小值在中间,前面位置(150),这也符合法律的数据分析。
其次,在这项研究中,通过分析在线听学生的特点和网络英语教学教师,根据他们的角色,一些在线调查问卷进行,如学生的设计问题在英语阅读能力、写作能力、口语表达能力,和网上教学的严肃性。最好的在线教学方案和学习策略是快速提取,然后最优方案处理数据,其数据信息导入到在线教学系统。然后,根据其获得的变量维度信息多样化的耦合程度的信息,所以原来的基础上,它分为不同的网上教学中心模型根据其特点。网上教学仿真分析结果如图所示3。
从图可以看出3最优在线教学计划有不同类型的优化程度改善和显示逐步增加,然后逐渐稳定的趋势。
另一种方法是删除一些不重要的信息。向量记录方法是用于收集这些无意义的数据,并形成记录。因此,这些收集的数据可以作为矢量转换和存储信息。当重合度达到预设的要求,它可以实现数据处理,判断,和分类的目标数据。仿真结果如图所示4。
从图可以看出4,更多的数据信息分类,特殊的内部数据信息将会发挥作用,内部分化将会更加明显,其法律也会更加明显的趋势差异。高度相似的计算过程中,不同向量之间的距离和角度将有一定的关系。距离和角度越小,相似度越高的信息的两个算法。之间的正相关和更高的英语理论知识和实际的英语水平。
让 和 不同学生的在线英语学习观察,然后相似性度量函数和相关性函数他们之间可以表示如下:
夹角余弦对应于每个角度如下:
相应的欧几里得距离如下:
平方的总和的区别对应于每个人如下:
3.3。优化过程的高斯变异遗传算法和神经网络算法在网络英语教学
本文中使用的高斯变异遗传算法有很多优势,比如在数据处理的速度和准确性,具有良好的可控性和精度分析,在多元化的数据类别,它维护了一个低错误率和容错率。
优化的神经网络算法的高斯变异遗传算法是由单位在每一层,和它的过程包括以下部分:点1。输入层实例训练集的特征向量点2。连接点的重量被传递给下一层,一层的输出是下一层的输入点3。隐藏层的数量可以任意输入层有一层,输出层有一个层点(4。每个单元也可以被称为神经节点,定义根据生物来源点5。上面的变成了一个两层神经网络,输入层不计入点6。总结在一层加权,然后输出转换根据非线性方程
另一方面,在这个过程中混合智能分析的在线英语教学的背景下,它需要分类和处理学生的英语水平,英语应用能力和多样化的智能数据。在分类的过程中,需要选择稳定策略根据他们之间的分歧,然后结合多种不同的思维模式。经过几次的训练和阈值测定,稳定性数据在线处理和标准化与不同的差异。数据分析和处理过程如图5。
在图5,数据分析和处理的维数的增加,在一定的范围内(0 - 500),统一标准处理时间也更长。这是因为尺寸越大,数据量越大,单一处理数据量是有效的。因此,尺寸越大,处理时间。高斯变异遗传算法可以进行差异化分析根据英语在线教学的内容,及其所表达的内部相关性多元化分析功能,这是表示如下: 在哪里是集团要处理的类型数量。高斯变异遗传算法将进行唯一性分析根据其固有的数据差异,而数据相关性的分析是通过解析函数的综合歧视 ,耦合函数 ,和相关函数 ,其表达式如下:
信息的阈值的程度对应于三个函数如下:
其中,是集团要处理的类型的数量,是加权数据的总数,是加权当前数据的总数。经过上述分析,数据处理过程如图6。
4所示。结果分析和讨论
4.1。实验过程中混合的大学英语网络教学模式上下文
在线实践教学实验进行了基于实际的大学英语课程内容、教学过程和过程分析是根据学生的课堂表现进行的过程。我们将设置多个阈值引用值的高斯变异遗传算法优化的神经网络算法,以确保每个实验组可以明显消除其固有的数据相关性和随机误差。
另一方面,智能高斯变异遗传算法结合神经网络算法来优化其参数的优化和多变量分析。因此,在数据处理方面,需要改变固有的规则。作了一些改进;改进过程的具体实验过程如下:最好的解决方案。仿真结果如图所示7,测试结果如图8。
从数据可以看出7和8当实验数据确定为不同类型的数据,仿真过程的内部相关性和实验过程有很大的变化,以及变化规律也不同。这是因为不同的综合解决方案和相关分析仿真数据组是不一样的,可以明显区分的内部差异,所以变化规律是不同的,这也表明,在线英语教学模式可以进行多元化的目标教学对学生英语基础不同。
4.2。实验结果和分析
这个问卷调查的方法离线一对一的调查和纸随机调查。调查对象是最专业的大学生在大学。不同性别的大学生和成绩,问卷被用在这个实验的不同方式。调查问卷包括以下内容:英语口语能力,英语写作能力,英语阅读能力,学生的课堂参与、作业完成,平均等级在课堂上,等等。在整个实验中,91.3%的参与者满意的英语课堂教学,32.2%的女孩和59.1%的男孩。在这些英语测试,89.3%取得了重大进展,其中61%是女孩和39%的男孩。实验结果如图所示9(1 - 10代表十组学生使用英语在线教学,包括1357年一、二年级的学生和2468老年人,男孩和女孩和9和10组,分别)。
通过图9在线教学后,不同等级的学生提高他们的英语成绩很好,但改善效果不同等级的英语成就是不同的。这是因为不同的等级有不同的英语基础的学生,在学习英语课程有不同的困难,每个人的学习能力和学习方法也不同。然而,每个年级的学生可以提高性能通过在线英语教学的英语课程。
5。结论
本文研究了在线混合背景下的大学英语教学模式基于高斯变异遗传算法和神经网络的优化。首先,简要总结了大学英语教学质量评价的现状,应用高斯算法和神经网络的优化内容。其次,根据五个因素影响大学英语课堂教学质量的评价,它改进了传统网络教学方法。本文提出的评价方法更科学。最后,通过实际测试,评价模型的可靠性网络教学和英语课堂教学质量的定量评估。结果表明,本文提出的方法不仅可以有效地评价网络教学的影响,还分析和评估当前形势下大学生英语能力。然而,本文只重点建设的大学英语教学评价模型和数据分类分析,不考虑如何加强课程评价的关键系统。因此,在高校采用这种网络教学方法,我们可以深入研究的关键变量重量英语课程的评价体系。
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
本研究支持的重点项目在教育和教学安徽建筑大学:大学英语网络教学改革和实践在混合学习环境中(项目号2020 jy05)。