优化网络教学质量评价模型基于分层PSO-BP神经网络

文摘

在教学质量评价,针对BP神经网络收敛速度慢的缺点,容易陷入局部最优,网上教学质量评价模型基于层次分析法(AHP)和粒子群优化BP神经网络(PSO-BP)提出。首先,建立了在线教学质量评价系统通过使用层次分析法来确定每个子系统和每个的重量指数在网络教学质量评价体系,然后结合实际经验,每个索引构建的风险价值根据安全条例。通过BP神经网络,建立了回归模型和模型的重量和阈值进行优化的粒子群算法。基于BP神经网络的在线教学质量评价模型,模型的参数不断进行调整,选择适当的函数和粒子群算法用于神经网络的训练和学习过程优化。调查问卷的科学性是通过信度和效度试验来验证。根据评分结果,结合各指标的权重系数的网络课程质量评价指标体系,影响网络课程的质量的关键因素。基于调查数据,描述性统计、方差分析、皮尔逊相关系数法用于验证研究假设,获得有价值的实证结果。通过比较模型与标准BP模型,结果表明,PSO-BP模型的准确性高于标准的BP模型和PSO-BP有效地克服了BP神经网络的缺陷。

1。介绍

与互联网的快速发展在信息时代,网络课程有一个伟大的对高等教育的传统教学模式的影响。为了充分发挥优质教育资源的辐射效应,满足学习者的日益个性化的学习需求,各级教育机构进行了一个全面的混合传统和网络课程的教学改革。然而,仍有一些问题有待解决的过程中,网络课程在中国的发展,无论是独立开发或引进国外优质课程。如何科学、合理的评价网络课程质量的一个问题。目前,缺乏相关的在线课程的质量保证机制,和混合教学改革缺乏客观和操作改进策略。因此,对网络课程质量的高需求敦促我们开始评估课程的学习者和教育者和监控过程质量。提高网络教育的质量是一个重要的问题,在高等教育的发展不容忽视。目前,许多学院和大学开展了广泛的在线课程教育和学习网络课程的学生人数正在增加。然而,许多问题已经暴露在网络课程的发展,目前没有得到有效解决。

一个是对话模式,主要调查教师和学生之间的互动,学生与学生之间,学生和环境之间通过媒体(1,2),考察了优点和缺点交互性的虚拟学习环境提供的各种学习工具在线课程。分析不同的在线学习环境的特点,从线性谈话过程的角度,分析比较不同的在线学习环境的沟通、灵活性、交互和反馈从会话原则的角度(3,4]。另一种是组织模式5),这主要是源于管理控制论的视觉系统模型。根据模型,学生是教学环境系统中的self-managers,他们正在学习的协助和监督下老师。组织模型分析软件工具的性能从六个方面:支持在线学习资源组织、协作、学习监控、灵活性、自动学习,和自治组织(6,7]。质量的评估标准基于互联网的远程学习:评价标准包括7个一级指标,即架构、课程开发、教学和学习,课程结构、学生支持系统,老师支持系统,评估和评价体系8,9]。此外,一级指标分为两个部分:必要的索引对于每个在线课程评价和可选的索引,可以独立选择和表达需求,根据不同的评价,进一步被细化为必要24个二级指标和21个二级可选指标(10,11),使评价标准更灵活的和有益的。与此同时,它还提供了一个案例研究报告评价六所学校使用这个在线课程的评价标准。层次分析法(AHP)来评估教学质量的特点,它是课堂教学质量的定性评价方法(12,13),但由于教学质量受到主观和客观因素的影响,各种因素影响了尽可能全面反映评价对象。前面的评价需要建立一个综合评价指标体系,该指标反映了人的主观认知差异和变化的定性指标,这些差异和变化的内涵是通过使用AHP不是很清楚。很难量化的模糊定性指标,确定各级指标的权重14]。基于BP神经网络的自组织、自适应性、自学习惯,和其他特点,课堂教学质量评价模型基于BP神经网络可以更好地避免主观性和不确定性的人工选择过程中重量和相关系数,使评价模型更聪明,自适应,可用15]。提出了教师教学质量的评价以来,有很多评价教师教学质量的方法,如专家评价方法(16),层次分析法,神经网络模型评价方法(17),模糊综合评价方法(18),灰色关联度评价方法(19),距离综合评价方法,单独分类,和其他的评价方法。为了体现科学性、客观性和公正性的教师教学质量评价,这些评价方法不仅系统地分析评价结果,也从不同的角度定量和定性分析评价。在线课程质量评价的三个基本核心问题研究[2,20.)目标是否适合社会需求;是否意味着达到他们的目标是一致的;是目标物的评价?网络课程评价的理论和实践现状总结如下:明确的课程目标,光滑的网络通信,直接和有效的反馈结果,个性化的课程设计,以学生为中心和teacher-assisted组合(21,22]。绩效评估的原则和方法之后大学在线课程老师认为大学在线课程是学校课程体系的重要组成部分,必须有明确的目标和有效的组织23,24]。为了确保质量的在线课程(25),高校应进一步加强管理和发展措施,如制定质量标准,质量监控关键节点,和市政审计和评估。模糊粗糙神经网络的多目标进化已经研究[26,27]。最小中心距规则激活方法,讨论了在SAR目标解相关(28,29日]。

在线教学质量保障体系科学和准确的分类,本文结合安全分析专家建议同时,确定每个指标的权重系数和应用算法和BP神经网络在线教学过程中存在的相关问题的风险评估和有效地克服BP神经网络收敛速度慢和容易陷入局部最优的缺点。该方法不仅具有自学习功能的专家经验,还具有较高的人工智能。16个三级指标组成的一个系统,建立了定性指标和定量指标相结合,使模型更有说服力。然后建立了评价模型,采用粒子群优化算法来优化神经网络的训练过程以MATLAB为开发平台。不断的调试后,才最终确立了一个更好的模型。教学质量评价模型是基于层次PSO-BP神经网络。首先,介绍了人工神经网络的基本思想教师教学质量评估,描述了教师教学质量的评价指标,主要介绍了分层PSO-BP神经网络的算法。教师教学质量评价体系中的具体实现包括确定BP神经网络层的数量,每一层的神经元数量的决心,和输入数据的预处理。最后,通过仿真实验,教师教学质量评价方法的特点,基于改进BP神经网络进行了分析。

2。PSO-BP结构层次分析法的评价指标

2.1。建立了层次PSO-BP模型

层次分析法(AHP),利用较少的定量信息使复杂系统数学和分层次的因素的基础上,深入本质的分析,影响因素及其内部关系复杂的系统。在实际应用程序中,实际上有一些差异影响每个因素对评价对象的能力。因此,我们需要从每个因素的实际影响能力和分配一个不同的重量比例。权重的过程中,无论是客观权重方法或主观权重方法可以采用,或者两者都可以组合来确定最终的重量。但是在这个系统,很难定量分析所有的因素,因为许多因素的影响。基于上述情况,本文着重于研究专家评价方法,从层次结构模型的第二层,形成一对比较矩阵与配对比较法对每个因素属于上层,直到底部层:

矩阵B是一个真正的对称矩阵。判断矩阵的特征值和特征向量由平方根的方法解决。特征向量归一化,得到权重向量。

建立层次结构后,确定因素在每个层次之间的相互关系。在决定因素在每个级别的体重,上层的因素作为标准来比较每一个因素的低水平标准。采用成对比较,某一刻度值显示两个指标的重要性。通过这种方式,可以转换成数字量化主观的判断。刻度值的比较指标的重要性,九个数字1 - 9通常用来表达。这九个数字的含义如表所示1。

其中,国际扶轮是一个随机一致性指数判断矩阵的顺序有关。的对应关系如表所示2。

协调在线教学质量评价系统的功能模块根据PSO-BP水平是主要考虑在设计系统的框架;挖掘结果为学校提供支持决策水平。这个系统投资低,容易维护和很强的实用性。整个系统的框架如图1。

2.2。建设层次PSO-BP评价指标的隶属度

2.2.1。用户权限管理

教学质量评价体系是一个全面的系统平台为学校管理员、教师和学生。为了确保教学评价的真实性和合理性,应提供不同的权限的用户不使用。即普通教师应该有权评估自己和其他教师,尽管教学经理有权修改、查询,并查看数据挖掘的结果。

2.2.2。数据导入历史教学评价

在过去,老师进行评估通过发放纸质问卷,然后学校管理员整理和总结了数据到EXCEL表中。在这些数据有一些隐藏的信息。因此,这个系统应该实现历史数据的转换和导入,使数据挖掘的结果更客观。

2.2.3。关联规则挖掘

通过关联规则,作者发现“影响因素,可以有效地解释教学质量优秀”和“关联规则,可以有效地解释教学质量的评估结果为优秀,”提供强有力的科学依据学校领导和管理者改革教学质量。

2.2.4。在线评估

随着计算机网络技术的广泛应用领域的教育和教学中,传统的评价方法已经不再适合教学的发展时代,因此,系统应该提供一个网络化的教学质量评估。

2.2.5。更新教学评价体系

通过分析历史数据的挖掘结果,教学质量评价体系的评价指标体系调整和更新,使教学评价更合理和客观。

八大质量影响因素层次PSO-BP在线课程已确定。在接下来的研究中,问卷设计是首先分布式和恢复,然后收集问卷数据分析提取适当的因素(见表3)。

因子分析的可靠性密切相关样本的数量。大多数学者认为,因子分析,样品的数量应变量的数量超过5倍。如果样品的数量超过10倍数量的变量,结果更可靠。变量在作者的数量是18岁,所收集的数据样本的数量是301,和样本的数量与因子分析的要求。KMO统计得到基于变量之间的偏相关系数值。变量相关时,简单的相关性非常高,但这些变量之间的偏相关系数很小,表明有共同的变量因素。相反,如果每个变量的偏相关系数较大,之间的共同因素变量少,不适合因素分析。KMO索引值在0和1之间。当KMO值较大,变量之间的偏相关系数较低,更适合因素分析。具体的判断标准如表所示4。

通过回顾研究数据,相关研究已经证实,如果变量的数量是10至50岁的因素提取的特征值大于1的方法是可靠的。变量的数量在这个研究是20。适当的使用特征值大于1的方法提取的因素。与此同时,许多因素是由结合平版印刷的递减变化。如图2,可以看出特征值大于1的因素是5。

用于因素的主成分分析方法选择和因素轮换法选择最大方差法。获得的结果如表所示5。累计解释常见的因素是变化超过50%,并提取4因素的因子分析的结果是可以接受的。

3所示。在线教学质量评价模型基于分层PSO-BP神经网络

BP神经网络模型被广泛使用,主要是因为它的自适应性强、容错性和鲁棒性。BP神经网络预测过程主要是建立完善的评价指标体系,选择合适的样本数据,进行培训和学习,发现输入和输出值之间的关系,并得到问题的最优解;BP网络模型建立一个完善、高效的电子政务绩效评估模型具有深远的意义。

使用分层的主要步骤PSO-BP神经网络对电子政务绩效评估如下:步骤1:根据电子政务的相关影响因素在开发过程中,选择适当的电子政务绩效评估的指标数据,利用相关算法进行指标数据的标准化处理(28),然后处理指标数据处理X₁,X₂,X₃、……X_n作为输入值是PSO-BP神经网络的输入电平。第二步:输入层中的输入数据后,数据将神经网络中的传播。数据将被隐藏层中的一层一层地进行处理,然后将处理过的数据传输到输出层。通过输出层的数据是实际的输出值Y。步骤3:当输出层的输出的实际值和期望值,如果输出值和期望是不平等的,公式和误差信号根据原始路径反向传播的传播通过不断循环,为了调整隐层神经元的权值,使误差小。第四步:不断重复前面的步骤2和步骤3,直到误差可以小到一个最小值,然后停止训练和学习,选择的神经网络的训练样本更精确,并输入样本数据不同的输出向量。当所有的数据样本值和最小误差的预期接近,一代算法层面上通过神经网络权值训练BP神经网络和自适应学习的内部表示。

训练样本的选择,我们可以使用分层PSO训练的BP神经网络模型的电子政务绩效评估也为大规模的电子政务绩效评估,由于神经网络具有一定的鲁棒性,然后在一定程度上导致主观价值将少量的与实际值偏差,但是误差不会影响评估结果。其流程图如图3。

粒子群优化算法的速度和位置的迭代公式也可以写成 在哪里问是惯性权重。粒子群算法可以调整全球和本地通过引入惯性权重优化功能。适当的惯性权重可以避免陷入局部最优和远离全球最佳。这里的惯性权重减少线性迭代的数量,以确保收敛。计算公式是

信号正向传播和反向传播两个过程的共同构成BP神经网络学习的整个过程。在训练样本输入网络,输入层输入激活值,处理系统中的每个隐层和交付到输出层和来自神经元获得网络的输入响应。如果你得到更大的输出和期望输出值之间的差异,那么网络将误差最小化原则的指导下,反向传输输入信息处理和分配的每一层神经元响应错误处理任务,然后获得神经元的误差信号,并在此基础上,每一层的重量比。重量比例调整的过程中,网络的学习过程本身可以完成。终止这个过程是基于会议或学习时间标准的精度标准。获得网络连接的值后,新的样品可以表示为一个非线性的形象。大量的实际研究成果充分证明BP神经网络的映射能力,但也有一些不足在收敛速度方面。对参数的敏感性越高,网络初始权值等问题,更突出。在实际研究的过程中,高度重视解决这一问题。(1)有必要完成初始化粒子群神经网络的初始化,根据相应的规则来初始化粒子初始化处理。(2)相应的评价他们。在评价的过程中,粒子群的组件映射设置为网络重量比的形式,以形成一个完整的神经网络,然后输入样本进行训练。重量优化,本质上,是一个循环迭代的过程,为了加强神经网络的基本能力,通常需要把样本空间,用于培训的一部分,另一部分是用于测试。事实上,我们应该确保培训集在每个培训的多样性。(3)计算相应的层次PSO-BP模型。后确定粒子是否需要更新,以模型为例,个人的飞行速度是第一次修改和纠正。这项工作后,新粒子生成。

最后,算法终止条件。算法终止时的迭代次数超过最大代数或设计目标函数小于给定的值。

4所示。实验验证

摘要神经网络工具箱(例数十分)的Matlab 7.0软件用于建模。MATLAB的神经网络工具箱软件是基于人工神经网络理论,并使用MATLAB语言构造典型神经网络的激励函数,如年代、线性的,竞争力,和其他激励功能,使设计者可以输出选择的网络。计算变成一个对激发函数的调用。此外,根据各种典型规则修改网络权值,再加上网络训练过程中,使用MATLAB语言编写各种网络设计和培训子例程。我们可以称之为神经网络设计和培训程序工具箱根据我们的需要,从而提高解决问题的效率和质量。大学教学评价数据的基础上,从2009年到2012年,本文使用上述建模方法建立预测模型的教师教学质量评估。样品在一个人工神经网络,神经网络训练的必要条件。样本选择的质量直接影响到神经网络的训练结果。因此,选择样本的基础上,总结和分析课堂,这是典型的调查问卷。课堂教学为学生根据教学质量评价指标选择了教师评级指标。 Each rating class has a lot of students, which is equivalent to have a lot of judges. This paper adopts the lowest points and eight input index values, which can eliminate some teaching quality evaluation data. As for the expected output index, this paper adopts the evaluation value of the teaching supervision group after the class lectures and uses such sample data to train the network. Its significance lies in that although the indicators of teachers are typed by students, the final evaluation result reflects the evaluation thought of the experts in the supervision group.

根据指标体系的标准化的处理方法,收集到的样本数据标准化处理。得分数据(0,100)转化为(0,1)之间的数据进行神经网络处理。处理过的样本数据如表所示6。第一个1到10组数据表6老师被用作训练数据(包括数据),其余4组作为验证数据(不包括教师数据)来验证预测神经网络模型生成的训练后的结果。

(1)初始化:设置权重和阈值的初始值的功能。在BP神经网络训练之前,必须设置权重的初始值和阈值,可以通过最初的功能。(2)创建一个网络预测模型:由NEWFF函数,实现神经元的数量是根据样本数据确定的。同时,用户需要确定数量的隐藏层,隐藏层神经元的数目,转换函数和训练功能。隐层节点的数量设置为8,目标误差为0.01,和学习速率设置为0.01。过程如下:净= newfF(极大极小(P), (5 8 1) {“tansig”、“tansig”,“purelin”、“traingdm”、“learngdm”、“mse”);回声在我= 10000;net.trainParam.show = 12;网。TrainParam。目标= 0.02;网。TrainParam。Lr = 0.02;net.trainparam.epochs = 1003;暂停(净tratrain(净、P、T);(3)网络培训:网络是由函数训练根据训练样本输入P,目标向量T,提前训练函数的参数设置。(4)网络仿真:由函数模拟,实现测试数据显示模拟训练网络。

网络训练后的评估结果和实际评价结果如表所示7。实验数据表明,模型的训练和预测精度基于层次PSO-BP神经网络是完全在可接受的范围之内,是合理和可行的预测模型。

比较初级和二级指标的权重结果网上教学评价模型的专家和学生,结果如下。

从图可以看出4一级指标的权重得分由专家在降序排列课程设计、教师团队、课件制作、学习交互和系统设计;一级指标的权重得分由学生按降序教师团队和课程设计、课件制作、学习交互和系统设计。指标体系设计、课件制作、和学习互动,权重分配由专家和学生不是很不同,和这三个指标的权重的顺序也是相同的。至于课程设计和教师团队的两个指标,权重分配由专家和学生有很大的不同:专家关注的设计课程,在学生更加关注老师团队。

从图可以看出5在所有二级指标,比较专家和学生的权利的结果,四项指标的权重的科学性和兴趣,专业,个人魅力,和协作的教学有很大的不同,而其他指标的权重差异相对较小。其中,专家比学生更加注重内容科学和有趣,而学生更加注重专业性的三项指标,个人魅力,和合作教学。

优化BP神经网络的分层算法用于训练和测试样本。为了确保测试结果的一致性,培训过程如图6。

如图7,因为BP神经网络容易陷入局部最优,我们选择使用PSO算法来优化它的重量和阈值的调整。模型优化的算法不会有局部最优问题,和PSO-BP网络模型将有更快的收敛速度和更小的错误在100 (w)。

5。结论

本文验证后,发现粒子群算法引入到BP神经网络来优化其连接权重和阈值的设置可以有效地改善其收敛速度和更强大的性能指标在全球搜索过程,有效地提高BP神经网络的固有问题。在线教学质量评价因素权重比较大的选择为基础,建立安全评价的层次PSO-BP模型,以及相应的评估结果进行了验证。分层PSO-BP算法认为在网络权重调整的过程。重量校正是由每个训练样本的误差反向传播的基本BP算法,和重量通过跟踪更新历史最佳个体网络的重量和历史最好的体重组每次训练后网络。验证结果表明,给出的结果模型研究符合实际情况。这个模型有一个简单的算法的特点,高评价,和高智商。与传统的神经网络模型相比,层次PS0-BP模型研究有一个更好的性能在网络教学质量评价和安全性评价提供了一种新的方法的网上教学质量。

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

作者宣称他们没有利益冲突有关。

引用

1. 燕,m .姚明,z . f . Li和d·王,”一个案例研究的软件质量评价SCT模型与BP神经网络的基础上,“IEEE访问,8卷,第56414 - 56403页,2020年。视图:出版商的网站|谷歌学术搜索
2. y江、张j . c .陈”新的教学质量评价方法研究基于改进模糊神经网络对大学英语,”国际期刊的继续工程教育和终身学习,28卷,不。3 - 4、293 - 302年,2018页。视图:出版商的网站|谷歌学术搜索
3. Z.-H。盾和告诫。王”,评价方法基于BP神经网络的质量链协同效应,”国际设备工程与管理杂志》上,21卷,不。4,3-11,2016页。视图:出版商的网站|谷歌学术搜索
4. d . Zhong-Hui和w·Si-Dong”评价方法基于BP神经网络的质量链协同效应,”国际设备工程与管理,21卷,不。4、193 - 201年,2016页。视图:出版商的网站|谷歌学术搜索
5. 问:彭”,优化体育教育和教学质量管理基于BP神经网络,”Boletin Tecnico /技术通报,55卷,不。7,643 - 649年,2017页。视图:谷歌学术搜索
6. y元,c . Wang“IPTV视频质量评估模型基于神经网络,”杂志的视觉传达和图像表示,卷64,不。10日,1026291 - 1026299,2019页。视图:出版商的网站|谷歌学术搜索
7. z郑、“水质评价基于BP神经网络在Nierji水库,”水资源研究杂志》上》第六卷,没有。3、247 - 253年,2017页。视图:出版商的网站|谷歌学术搜索
8. x赵、美国腾和s . Lei“矿产资源评价模型研究基于PSO算法和BP神经网络,”信息与计算科学杂志》上,12卷,不。17日,第6266 - 6257页,2015年。视图:出版商的网站|谷歌学术搜索
9. z Lv, j . Shao, t·李”的短期预测方法热风炉天然气消费趋势基于PSO-BP神经网络,”信息与计算科学杂志》上,12卷,不。18日,第6833 - 6823页,2015年。视图:出版商的网站|谷歌学术搜索
10. 黄m . j . h .聂,l .张”为食品期刊学术质量综合评价模型基于粗糙集和神经网络”推进食品科学与技术杂志》上,11卷,不。1,第70 - 64页,2016。视图:出版商的网站|谷歌学术搜索
11. y y l . Zhang w·朱,j . h .傅”研究推荐的书基于层次分析法和BP神经网络,”国际先进的媒体和通讯》杂志上》第六卷,没有。2 - 4、187 - 194年,2016页。视图:出版商的网站|谷歌学术搜索
12. 问:你和张问:“在杭州湾海水水质评价基于t - s模糊神经网络,”沿海研究期刊》的研究,卷94,不。sp1, 50 - 63年,2019页。视图:出版商的网站|谷歌学术搜索
13. h, h .风扇,赵y”设计基于模糊数学的教学质量评价模型和支持向量机算法,”智能和模糊系统杂志》上,35卷,21,2018页。视图:出版商的网站|谷歌学术搜索
14. z王”,教学质量评价模型的现代和当代文学在中国高等教育基于支持向量回归算法(SVRA)”智能和模糊系统杂志》上,第455 - 452页,2018年。视图:出版商的网站|谷歌学术搜索
15. m . j . Uddin g . Vizzari和美国电影,“案例推理方法对小额贷款借款人风险在线Kiva P2P贷款模式,”数据技术与应用,3卷,不。2、2017 - 2029年,2018页。视图:出版商的网站|谷歌学术搜索
16. 豪,p .剪秋罗属植物,j·塞尔”新perspectives-approaches在四个新英国医学院校医学教育,“BMJ临床研究(ed)。,卷329,不。7461年,第331 - 327页,2018年。视图:出版商的网站|谷歌学术搜索
17. t . Yanmei和a·杰”,对教学质量评价体系的研究在教学效率的数学模型的基础上,“国际期刊工程造型没有,卷。31日。1,第243 - 236页,2018。视图:谷歌学术搜索
18. 贾和y彭日成”,教学质量评价和方案预测模型基于改进的决策树算法,”国际期刊的新兴技术在学习(iJET),13卷,不。10日,146 - 158年,2018页。视图:出版商的网站|谷歌学术搜索
19. 王z和j·刘,“大规模网络公开课的教学质量评价体系是基于大数据分析,“国际期刊的新兴技术在学习(iJET),14卷,不。14日,第93 - 81页,2019年。视图:出版商的网站|谷歌学术搜索
20. p·梅,“信息化教学的质量评价研究在移动学习环境基于SEM模型,实证分析”中小企业管理与科技,3卷,不。15日,第132 - 129页,2019年。视图:谷歌学术搜索
21. 郭j . s . Yu,“大学英语教学质量的评价模型基于大数据分析,“IOP会议系列:材料科学与工程卷,750年,第12086 - 12077页,2020年。视图:出版商的网站|谷歌学术搜索
22. l .钱和z . Perez”双语教学质量的一个智能评价模型基于网络资源共享,“国际期刊的继续工程教育和终身学习,30卷,不。2、148 - 159年,2020页。视图:出版商的网站|谷歌学术搜索
23. 曾y”,高校体育教学质量的评估基于隐马尔可夫模型和数据挖掘的混合动力技术,”国际期刊的新兴技术在学习(iJET),15卷,不。1,4-19,2020页。视图:出版商的网站|谷歌学术搜索
24. x Qingnian n .辛醇,“文科核心课程质量保证基于教学评价由学生:复旦大学的案例研究,“中国的教育和社会,51卷,不。4、260 - 271年,2018页。视图:出版商的网站|谷歌学术搜索
25. l . s . Cowin和m .罗宾,”造型工作的支持,工作适应、工作角色和工作满意度为护理学院会议的学术人员,“BMC护理,17卷,不。1,22-35,2018页。视图:出版商的网站|谷歌学术搜索
26. 曹,z . j .赵p . YangGu和s . k . Halgamuge”通过分布式并行多目标模糊粗糙神经网络的进化对股票预测,“IEEE模糊系统,28卷,不。5,939 - 952年,2020页。视图:出版商的网站|谷歌学术搜索
27. y l . e . Liu Lv, p .谢”研究稳定的天然气管道运行优化模型考虑空气冷却器、压缩机的操作相结合,“IEEE访问,7卷,不。99年,第83265 - 83251页,2019年。视图:出版商的网站|谷歌学术搜索
28. a . Monti-Guarnieri d·m·曼卓尼,s . TebaldiniRecchia”植被目标解相关SAR干涉测量:模型,模拟和性能评估,”遥感,12卷,不。16,2545 - 2562年,2020页。视图:出版商的网站|谷歌学术搜索
29. h·朱l·m·肖y唐、梁和j·李,“最小中心距规则激活方法扩展信念基于规则的分类系统,”应用软计算卷,91年,第106217 - 106214页,2020年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020则江和晓惠王。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。