文摘
为了解决数据丢失率高的问题,长耗时的资源整合,大量的冗余数据,和不完整的资源整合的结果在传统的方法中,远程教育资源整合模型的设计方法,提出了从比较教育的角度。关联规则是用于矿山资源和资源得到有效的上下文中比较教育学,,目的是增加资源整合的影响。然后,使用一个三层体系结构,创建一个远程教育资源集成模型,和挖掘结果通过应用程序层相结合,资源加密层和多播通信层来实现远程教育资源整合。仿真结果表明,本文的方法数据损失率低、资源整合时间短,减少冗余数据,全面整合的结果,它提供了一个有效的技术支持教育的发展。
1。介绍
随着互联网技术的发展和创新,网络已迅速渗透到人们的日常生活。有很多不同类型的资源网络。这些资源包含巨大的价值。他们不仅有多种表达形式,但他们也涵盖了广泛的话题,包括教育、医疗、贸易、军事和经济(1,2]。资源的应用程序资源集成的基础。例如,在军事、整合和分析收集的资源可以提高效率和军事分析和决策的科学性,同时确保国家安全;在教育、合理使用资源整合方案设计教学目标和计划,从而指出教育发展方向(3,4]。用户可以查看市场情况在电子商务业务使用数据资源集成,方便他们做出消费选择,依照他们的重要利益5]。根据上述分析,在许多领域,可以提高资源的使用效果,合理整合资源。在教育领域中,有大量的资源整合方法,这为教育的发展提供理论和技术支持。
文献[6)提出了一个基于WLAN的信息资源集成方法。首先,建立资源整合平台。通过平台资源初步加工,包括资源获取层、资源集成层和应用程序层;然后,资源整合优化模型的建立是为了进一步提高平台预处理结果。在优化过程中,集成因素引入资源整合,在同一时间和平均速率设置;最后,两个约束条件结合,实现信息资源的集成约束。实验结果表明,该方法可以提供一个有效的资源应用集成方法和提高资源使用的影响。文献[7)提出了一个网上信息资源的集成优化方法基于聚类算法。首先,计算用户的兴趣相关的信息的方法获取信息资源的关键字;然后遗忘函数是用来描述用户兴趣的变化,以及信息资源的用户兴趣模型创建基于研究结果。用户兴趣矩阵使用既定的模式,创建和用户类型分为两类:核心和非核心业务用户。k - means聚类算法和余弦相似度测量技术是利用进一步隔离两组用户和确定他们的兴趣权重。最后,兴趣权重是根据重量计算结果要求,和用户行为预计将实现网络信息资源整合和优化。实验结果表明,该方法具有较高的用户满意度,因为它充分考虑了用户的兴趣资源整合。文献[8)设计了一个大型数据流集成系统基于多维分层抽样。根据多维分层抽样策略,系统设计。首先,系统分为模块的硬件设计,如分类器,CPU,内存,提高了系统的稳定性提高模块的性能。第二,数据层次结构模型在软件体系结构中,开发利用调查的数据流,实现数据质量检测使用集群技术。最后,为了实现大规模数据流集成的功能设计,数据检测结果与硬件模块的处理结果合并。测试结果表明,该系统可以处理大量的数据资源和复杂的环境中有效地整合数据,表明它具有实际应用价值。
上述传统方法在资源整合发挥了积极作用,但随着网络信息资源的数量,不能满足实时处理的需要大量的资源。在当前应用程序的过程,是很常见的,资源整合的数据丢失率过高,资源整合需要很长时间,冗余数据量大,资源整合的结果并不全面。为了解决上述问题,本文提出了一种设计方法,远程教育资源整合模型从比较教育的角度。
2。研究背景
比较教育学不同于传统的教学理念。它主要提倡教育教学以辩证的态度。具体地说,它是指发现教育的缺陷和不足通过比较不同的教育系统,教育理念和教育方法。同时,挖掘其优势,优化不同的教育方法,促进教学模式的改革。比较教育学的发展有一定的作用,促进整个教育领域。分析不同的教育模式的优点和缺点,他们的优点可以改善教育方法。图1显示了比较教育学的研究方法体系在不同的原则。
比较教育学的发展,教育是丰富教育方法,改变教育思想,和提高教学水平,但从教育的角度,研究教学模式各领域的和谐互助。在当今社会,国家在不同领域之间的交流逐渐加深,这文化融合在教育领域也非常明显。它具有一定的现实意义比较不同国家和不同民族之间的文化差异。互联网是主要用于不同地区和国家之间建立沟通的桥梁。因此,将生成大量数据资源在互联网上,以及如何有效地处理这些资源尤为重要。在数据处理中,资源整合是一种有效的方法,可以收集多个数据和资源。用户可以找到他们所需要的资源整合资源为教育提供了坚实的数据基础。因此,为了进一步促进教育领域的发展,比较教育学的视角下,研究远程教育资源的整合方法是本文研究的核心和最终目标。
3所示。远程教育资源整合模型
根据分析部分2,虽然目前的教育理念已逐渐成为深深扎根于人们的心灵经过多年的发展,吸引了大量的注意力在相关的领域,它可以直观地通过比较教育理论,尽管公众对教育研究的深度的概念是在一条直线,公众的教育概念研究的深度不是。然而,目前开发资源集成技术方面需要增强资源处理的影响。因此,需要研究一种有效的网络教育资源整合的方法比较教育学发展的背景下为了提高资源处理效率。在此之前,为了提高资源整合的效率,避免冗余数据融合结果的影响,应该首先预处理远程资源。
3.1。远程教育资源的开采
为了更快地整合远程教育资源,首先,需要挖掘和分析。领域的资源挖掘、关联规则是一个递归的频繁集理论方法,可多次扫描数据库资源资源数据库中获取相关信息,获得属性之间的关联资源(9,10]。
在正常情况下,关联规则方法可以搜索资源的图书馆。假设有资源集在图书馆的资源,它们代表一组的形式: 在哪里代表着资源类型。项目集对应的资源集是由 :
的公式,代表项目集的数量。使用关联规则开采资源的过程是一个过程,通过项目集搜索不同的资源。项目集用于搜索资源集 ,这主要表现在寻找有效的资源资源集 ; 用于搜索资源集 ,这主要表现在寻找有效的资源资源集 ;以此类推,资源集是在项目集吗 ,重复这个过程,直到不能搜索资源集(11,12]。最后,通过整合有效资源的资源集形成一个集成的资源集 ,的表达式是 在哪里代表了有效的资源类型。
为了促进远程教育资源的挖掘和分析,两个概念添加到关联规则挖掘,即自然发生的概率属性和关联规则的调整支持率13]。其中,自然发生的概率远程教育资源的属性是指设置远程教育资源属性的频率出现在所有远程教育资源,这被定义为 在哪里代表远程教育资源的属性。
当挖掘关联规则不同的远程教育资源,它们是相互独立的。自然发生的概率 的属性 代表的发生频率的产品属性和 ,这是定义为 在哪里代表了产品对象多属性决策和指数代表对象多属性决策的加权系数。
调整支持率关联规则可以反映特定的不同规则之间的联系(14),它被定义为 在哪里 ; ; 代表的实际支持率关联规则;代表所有属性的发生概率;和表示感兴趣的程度。
当使用关联规则挖掘远程教育资源,如果 ,这意味着没有具体的两个资源之间的联系,如果 ,这意味着两个资源有一定的协会(15,16]。
根据远程教育资源的分析结果基于关联规则的挖掘,可以获得不同的远程教育资源之间的关系,在图书馆的资源和有效的资源可以开采,这有利于远程教育资源的综合分析。
图2显示远程教育资源基于关联规则的挖掘过程。
3.2。建设一个模型集成的远程教育资源
基于远程教育资源挖掘结果部分3所示。1,建立远程教育资源挖掘模型。模型建设的过程中,三层体系结构的技术支持、远程教育资源挖掘模型设计的三层体系结构具有以下优点:(1)模型的各个层次都是相互独立的,和上层业务功能的变化不影响使用水平越低,反之亦然,这增强了模型的灵活性(2)当访问的资源模型中,用户请求可以终止时间,确保使用的安全性模型(3)所有级别可以响应用户请求并执行响应处理根据具体的任务分配,提高了资源模型的处理效率
远程教育资源集成模型的组件支持的三层结构如图3。
3.2.1之上。应用程序层
的过程中用户访问远程教育资源整合模型,通过识别用户服务请求,和访问控制的权利转移到虚拟化软件、用户资源访问权限制定根据用户角色的权限,而不影响用户的应用体验。应用程序层的主要工作是帮助资源加密层和多播通信层和处理用户请求。中央连接在遥远的教育资源整合模型,提高了资源利用率和模型的整体功能(17,18]。
3.2.2。资源加密层
因为没有独立的网络中资源节点,所有服务器可以响应用户请求。因此,所有服务器在一起形成一个巨大的资源缓存。为了提高缓存的安全资源,这些资源的有效管理和迁移需要提高加密的命中率资源,从而提高远程教育资源的安全(19,20.]。在这个步骤中,可以添加一个关键加密资源,关键可以表示为 在哪里和代表一对密钥。
3.2.3。多播通信层
为了确保一致性条件的远程教育资源的整合过程,一个集群矩阵根据不同资源的分布构造
根据聚类矩阵 ,资源约束和定义结构条件,资源水平集成环境通过条件约束定义,澄清和评价尺度条件统一,确保得到最好的资源整合的结果。
多播通信层的具体参数如表所示1。
构造一个远程教育资源整合模型,使用参数见表1作为标准,发现资源的有效的数据集中通过加密、集群、和其他步骤,和消除无效的数据,如干扰数据和冗余数据(21,22),从而实现各种各样的远程教育资源的有效整合,以确保模型是各级进步,并实现资源整合的目标全面、实时的方式(23,24]。构建远程教育资源集成模型是通过公式来表达,具体如下:
的公式, , ,和代表模型的输入项,具体指的是资源,项目集,和关联规则;代表之间的距离函数关联规则(25),和它的表达式 在哪里和 ,分别代表的支持和信心。
图4的工作流程图是远程教育资源集成模型。
总之,远程教育资源集成模型的设计实现从比较教育的角度在理论水平。为了验证其应用效果,以下将从实用的角度进行测试应用程序的效果。
4所示。仿真实验分析
远程教育资源整合的理论设计模型通过上述步骤实现。为了验证其应用价值,验证了仿真实验的形式,及其有效性验证从两个层次的理论和实践。信息资源整合的方法基于无线局域网及网络信息资源的集成和优化的方法基于聚类算法作为比较方法和本文方法进行比较,通过比较得出具体的实验结论。
4.1。实验数据集
在实验中使用的数据来自ERIC文学教育资源数据库。平台根据IP地址,法官的权威和显示的内容都可以访问的资源。用户可以点击“EBSCO学术检索(整个学科)”并选择subdatabases。实验模拟环境中进行SPSS 9.0。
4.2。实验对比指标
资源整合方法的应用效果进行了分析从以下角度:(1)数据损失率:这个指标是指损失的一些数据资源整合的过程中,导致资源整合不足的结果(2)资源整合耗时:这个指标主要反映了资源整合的效率;耗时越短,效率越高。(3)冗余数据量:由于大量的数据,如果重复和冗余数据不是有效地处理在资源整合过程中,冗余数据量太大,会影响资源使用的影响。(4)资源整合的综合性结果:用来反映综合资源是否能满足不同用户的需求。
采取上述四项指标作为调查的重点,比较传统的方法的应用效果和方法本文比较结果如下。
4.3。实验结果和分析
4.3.1。数据损失率(%)
首先,使用数据损失率在资源整合的过程中作为实验指标,比较了三种方法的应用效果,结果如图所示5。
根据图5,当迭代次数是3,本文的方法的数据损失率为5.2%,数据丢失的信息资源集成方法基于无线局域网是7.1%,和数据损失率的网上信息资源集成优化方法基于聚类算法的6.4%;当迭代的数量是10,本文的数据损失率的方法是5.2%;当迭代的数量是10,根据数据分析结果,本文的数据损失率的方法在资源整合很低。通过分析数据损失率的变化趋势下的三种方法,可以看出,随着迭代次数的增加,三种方法显示持续的上升趋势,但上升趋势的方法,这篇文章不是很明显,传统的方法,表明数据损失率的变化范围的方法,这篇文章是小的。仿真结果表明,本文的方法可以保留尽可能多的数据信息资源整合,避免大量数据的负面影响损失资源使用的影响。
4.3.2。资源整合时间(年代)
测试时间消耗的资源一体化进程之间的不同数据量方法和传统的方法,以确保实验结果的准确性,确保数据类型和仿真平台参数一致,测试结果如图6在这种情况下。
图6表明数据越多,资源整合过程所花费的时间就越长。的资源整合时间基于无线局域网的信息资源集成方法和网上信息资源集成优化方法基于聚类算法都是速度比本文中描述的方法在处理不同数量的数据。根据特定数据的检查,最大资源整合时间1.2本文中描述的方法,和资源集成操作所需的时间的数量数据时保持稳定增长到800 MB。信息资源集成方法基于无线局域网的最大资源整合时间9.3秒。当数据量超过1300 MB,资源整合时间保持不变;网络信息资源的集成优化技术基于聚类算法的最大资源整合时间4.8秒。当数据量达到1400 MB,资源整合时间保持不变。根据仿真结果,资源整合的效率在本文中描述的方法时更大的数据量是可变的。
4.3.3。冗余数据量(MB)
由于大量的远程教育资源和大量的加工业务,这是不可避免的,会有重复和冗余数据,这将影响到资源使用的影响,导致用户无法获得准确的资源。因此,冗余数据资源整合的效果必须检查方法。测试,确保运行平稳的资源处理任务。实验采用上述三种方法测试中的冗余数据资源集成,测试结果如图7。
它可以看到从图的分析7冗余数据比率反映了大量的冗余数据。比率越高,冗余数据。当三种方法用于集成和过程远程教育资源,将产生一定量的冗余数据。本文的方法冗余数据的最低比例,和最高的价值仅为5%。信息资源集成的方法基于无线局域网的冗余数据比例最高,最高的值达到20%以上。虽然冗余数据率的在线信息资源集成优化方法基于聚类算法的低于基于无线局域网的信息资源集成方法,它仍然高于本文中的方法。仿真实验证明该方法可以有效地处理无效干扰数据资源加工,提高资源整合的影响。传统的方法不适合资源整合,它很容易给用户在资源使用造成麻烦。这是因为本文的方法预处理数据资源整合的过程中,获得有效的数据挖掘中的数据,从而提高资源整合的影响。
4.3.4。综合性的资源整合的结果
下面是一个资源整合的进一步分析不同方法的影响。10个用户随机选择在线教育网站的得分。评估的三种方法的综合性资源,他们是否能满足用户需求,是否满足个人需求的资源。评价结果是用分数表示。分数范围是0 - 100。分数越高,满足了用户越多,资源更全面。表2显示了不同方法的比较结果。
根据表中的数据2,本文的方法的综合评价得分高于两种传统方法,和最低和最高评价分数是89.7和99.0,分别在最高的评价分数基于WLAN的信息资源整合的方法和在线信息资源集成优化方法基于聚类算法90.1和80.9,分别。比较结果充分验证本文方法的优越性和显示,不仅有效地消除干扰资源整合资源,而且提高资源的全面性。
5。结论
数据资源集成有利于各领域的健康和长远发展。大多数研究整合各种资源建立资源管理平台。然而,传统的方法有很多缺点在他们的应用程序。在这项工作中,远程教育资源集成模型开发从比较教育的角度,以更好地完成远程教育资源的整合。实验结果表明,在本文中描述的方法数据损失率低资源整合;冗余数据的比例是最低的,最伟大的价值仅为5%。在本文中描述的方法有更高的整体评估分数比两种传统方法,最低和最高评价评级为89.7和99.0,分别。资源整合的效率很好,和最大耗时1.2秒,表明在本文中描述的方法有更好的应用程序的影响和较高的应用价值。
数据可用性
使用的数据来支持本研究的结果包括在本文中。
的利益冲突
作者宣称没有利益冲突。