文摘
在其漫长的发展,现代教育技术课程发生了一些变化,积累了大量的信息。理论上说,国家强大的重视在学校的使用它。学生主修教育应该把教育技术课程,这样他们可以学习的特点和应用技术核心当前信息化教学媒体和纳入自己的教学计划和课堂活动。这将帮助他们满足今天的教室的信息需求,随着他们的发展随着教育现代化和教育信息的可用性。因此,本研究采用无线传感器网络(WSN)艾德科技类收集和发送数据,然后使用AI来评估这些类的质量和指导实时改变他们如何教和完成以下任务:(1)教育技术课程的发展现状和国内外的WSN的介绍。(2)传感器网络在教学中的应用,介绍了格勒乌神经网络的基本原理和相关阐述了优化算法,和教育技术课程的质量评价体系。(3)IPSO-Adam-GRU评价模型提高了神经网络的hyperparameters格勒乌的帮助下改进的PSO方法和亚当梯度下降法。美联储模型测试数据评估,研究结果相比,从一个专家的评估,以确定如何执行模型。本文的结果表明,建立的模型优于其他人,因为它提供了一个更准确的评估。
1。介绍
21世纪是高科技的世纪,一个世纪的教育。经济和技术之间的竞争,在最后的分析中,人才的竞争和教育。一个国家的现代化需要的现代化人才。只有实现现代化人才的质量我们的教育可以在竞争的不败之地1]。人才质量的现代化在很大程度上是依赖于教育和教育改革往往侧重于培养人才与广泛的能力。目前,我的国家正在努力采用高标准的公民教育。强调全面、详尽的教育被定义为培养创新能力与创新精神和实践能力为重点。高质量的教育是当代教育理念和思维方式,旨在开发个人到高素质人才的能力与当今社会[交融在一起2]。实施素质教育的核心是课程改革。如何改革教育技术课程在高等师范学校的基础上,素质教育的关键是确保教育技术人才培养的质量。只有通过课程的主要问题与发展中教育技术课程和分析先进的教育教学理念转化为真正的教育权力(3]。课程教与学之间的调解人。课程教授为了实现教育概念、事实和知识,老师希望传授。教学的质量直接影响课程设置的概念,科学课程设计,课程教学的效果(4]。关于教育技术的书现在有许多形式和版本。不同版本的教科书的内容是多方面的和完整的。从教学理论教育技术能力和教学资源生产教学软件操作,包括硬件操作和教学软件使用。内容的基本知识、理论和实践涵盖广泛。如此多的教学内容,有针对性的学习是困难的学习者。因此,集中资源的创建是一个紧迫的问题在当前的教育,和定制的教学很难实现与现有的材料(5]。
传统的教育体系有自己的优势,但缺乏灵活性等问题有关,狭窄的项目的范围,缺乏可访问性,成本问题,单调的学习经验。互联网和先进技术的快速增长引发了地方实现素质教育的需要,随时在线考虑学生的选择和速度。在线教育系统要求数据传输,也有相关问题的速度和优化网络通信的可用性,以确保学生可以无缝地访问资源和方便。也有相关问题不恰当的使用数据,不安全的数据传输,并违反由恶意第三方供应商组织。
即使在教育软件的研究,建立课件相当复杂,是具有挑战性的学生理解很多不同的教学资源。大多数当前的教材教学技术仅仅是一个数据点的集合。教科书的主要问题是一个广泛的话题他们包括封面和各种材料。学习者基础相对不一致,但是在现代教育技术中,教学生的专业是认为相同级别的学习。尽管如此,学习者从不同的专业背景不太可能保持一致时,他们的学习。因此,当指示,我们必须准确地评估我们的学生的能力,仔细工艺我们的课程计划包括理论和实践信息,并根据这些考虑做出必要的调整,以避免的失败教训,后来中途放弃学习过程(6]。因此,实现教育目标要求逻辑上组织和调整教学内容。是至关重要的适应课程和程序教学与现代教育技术时,完成学生工作按照这一水平,评估他们的能力水平。在典型情况下,课程教材应集成按照学习者的总体的实际应用能力和专业水准。否则,教学内容的学习者的能力水平的范围,和教学的课程将失去传授知识本身的价值(7]。
现代教育技术课程的内容丰富和复杂,涉及教学理论、硬件安装和操作,软件使用,教材的选择和个性化处理,制作教学课件。这意味着,整个教学过程必须考虑学习者的能力的范围更有针对性和分化。理论的应用,软件的操作,生产加工的课件应该匹配的内容。本课程使用现代教育技术。它是由赵et al。(8]属性和操作。无线传感器网络(网络)结合计算机、网络和无线通信技术。微型传感器被放置在整个监测区域来收集数据。这种自组织无线多次反射网络可能是一个好的选择当连线访问不能用于传输数据在一个足够高的标准9]。本文使用网络教育技术课程的收集和传输数据,然后使用人工智能评估教育技术课程的质量和调整现代教育技术课程的教学策略。
论文的独特的贡献包括以下:(我)探索教育技术课程的发展现状和国内外网络(2)实现的基础,格勒乌神经网络和相关教学优化算法(3)发展IPSO-Adam-GRU评价模型的实现增强分类结果
本文的组织如下:部分2讨论了相关的研究方法采用部分紧随其后3。部分4介绍了实验结果,分析和讨论的结论部分5。
2。相关工作
到目前为止,总共有19个MOOC-related课程主要学习平台的一部分网络资源的现代教育技术课程。学生对课程的理解材料是直接相关的教学内容(10]。网络公开课大规模网络公开课()是免费的在线课程可供任何个人登记,从而提供灵活的和可负担得起的方式学习新技能和技术进步的职业生涯。网络公开课的行业的需求密切相关,它能使个人学习技能,满足行业的需求,遵循一个非常有效的学习的过程。提供的课程多样化地区来自著名大学的教授。网络连接是利用这样的课程的主要要求之一,可能是一个障碍在偏远地区连接相对较低。技术和理论知识点是所有当前教育技术资源的基础课程。在发展学生的能力和知识,大多数课程都要求学生创建教学场景使用多媒体技术,应用传统的教学方法,收集网络教育资源,创造个性化的教学资源,操作和应用软件,评估信息技术,整合课程和案例研究(11]。课程涵盖了安装、调试和安装和配置卫星数据接收卡的收据和使用IP资源,和其他技能也可以。教育技术理论的知识,交流教学方法和理论,选择的基本原则和实施教育媒体和教学设计的基本原则都包含在理论知识(12]。教育信息化的逐步推广,教师的教育技术能力需要密切关注教育信息化的讲座;越来越多的学术机构和研究人员已经开始重视教师教育技术能力的发展。正常使用教育技术学生的能力是在现代教育技术课程。许多学者把这门课程作为研究的切入点,提高教育技术能力正常的学生,根据目前的教学条件。课程创新的重点领域,改变教学模式,教学评价是现代教育技术由研究[13]。文献[14)重新设计课程结合英特尔未来教育的概念和方法和现代教育技术课程的培训项目,开发了一种解决问题和基于项目的学习方法建立在先进的教育技术。文献[15调查和解决当前教育技术的两个基本问题公共课程:内容设置和实验课程的创建。文献[16]分析了使用该教学方法以提高当前教育技术的公共类的质量和效率。最终的目标是为所有的孩子提供先进的教学技术。根据文献[17],TPACK想法是列入当前教育技术公共课程的设计为了给学生一个技术集成方面的新观点,因此促进其增长的教育技术应用能力。文献[18)构建“FLIPPR”了基于现代教育技术课程教学模式和高等院校的教学特点,通过实验研究应用在教学实践,最后验证的有效性FLIPPR翻转教学模式构建。现代教育技术的公共课程正在使用“混合和集成”教学模式,根据文献[19]。在当前教育技术课程的实际教学就使用这种教学方法进行的。她教学方法可以用来教现代教育技术在一个有效的方式。文献[20.)检查和突出问题与当前教学实践部门使用的教学策略,并提供解决方案,通过对比现代教育技术课程的老师。作为新一代的传感器网络,传感器网络已由各国政府的高度重视。它已经被用于广泛的行业在美国,日本和其他国家通过不断的研究和开发(21]。英特尔公司和加州大学伯克利分校领导“除尘”技术研究工作。他们成功地创建一个功能齐全的传感器瓶盖的大小,可以执行功能,如计算,检测和通信。2002年,英特尔研究实验室的研究人员连接32传感器大小的处方药瓶互联网阅读气候对缅因州的“大鸭岛”评估条件的海燕巢(22]。此外,三菱电机公司也成功地开发了一个小型,低功耗无线网络模块设想,可以建立一个点对点网络使用特定的低功耗无线(23]。我的国家几乎开始研究网络及其现代使用的同时其他工业化国家。它最初出现在一位官员信息和自动化领域研究报告的中国科学院“知识创新工程试点磁场方向研究”是在1999年。五大项目之一在民用方面,网络涉及城市公共安全、公共卫生、安全生产、智能交通、环境监测等领域(24]。这项研究在25)强调音乐教育在提高远程使用5 g网络。网络速度是最重要的影响学生的在线课程。框架实现卷积神经网络(cnn)列车智能系统,还提供远程音乐教育对学生的5 g网络。该系统优于传统的系统和取得了99.13%的准确性。这项研究在26利用大数据升级传统的系统,促进”共建和共享数字资源和信息。研究智能校园的概念,专注于四个光谱,即学生课程管理模块、信息发布和交流模块,教学支持模块,和日常办公管理模块。高等教育管理系统利用传感器网络技术无缝执行活动,确保适当的通信在智能校园系统。这项研究在27)使用翻转课堂音乐教学的概念和两种技术的支持,即人工智能和无线网络。老师和学生能够相互交互使用交互式设备支持的智能网络技术。CNN模块实施,以确保系统是智能和能够提供自动分类的课程材料。该模型取得了98.25%的准确性相比与传统的资讯系统。
3所示。方法
3.1。基于无线传感器网络的教学方法
在教学中的应用需要基于传感器网络的特点。例如,代码的增加和改善无线网络协议执行。申请过程包括以下:(1)过程进行分析,并找出存在的困难和需要重点用于WSN的实验,例如,天线部分参与无线通信的基础。因为这部分内容很抽象和具有较强的理论知识,不同类型的天线和性能参数可以通过平台设置在教室里。比较不同类型的天线的性能能使学生直观地理解天线设计参数对性能的影响。引入隐藏终端和暴露终端的载波监听多路访问/冲突避免(CSMA / CA)协议,不同的参数对性能的影响协议是合理设计,然后,分析了仿真结果通过图表工具。CSMA / CA协议用于传输载体在802.11网络。该产品的研发得到了客观最小化潜在的碰撞可能发生当多个电台发送信号在数据链路层。CSMA首先检查介质的状态在每一站开始传输之前。这使得通过听广播节点避免潜在的碰撞,然后指导设备传输的信号,如果通道是免费的。 Hence, when a node receives a packet, it ensures the channel is clear and no other node transmits at the same time. In case the channel is not clear, the node waits for a randomly chosen time frame and then rechecks the clearance of the channel which is called the backoff factor. The channel thus remains idle while the backoff counter reaches zero and the node transmits the packet. If the channel is not free, the backoff factor is reset and the process is repeated. (2) Design the corresponding network model according to the difficulty of the course. During the simulation, the network model is established according to the main purpose to be simulated. Sensor network, sensor network communication, and sensor network service make up the three key components of WSN design. Periodic experimental data, network topology data, and other basic data types can be used to categories the sensor nodes in the system. Along with the real data of these fundamental data kinds, the data to be conveyed in the sensor network should be able to discriminate between the data of these fundamental data types. This requires adding an identification header to the header of each data packet to be transmitted to indicate which data type the data packet to be transmitted belongs to. (3) Simulate and collect data through the network model. Once the network model is built, it is necessary to collect the simulation performance and statistics of the network protocol, such as the network delay performance of a certain protocol, packet loss rate, and extra service load. Statistics can be collected on a single object in a network model, or global statistics can be collected on the entire network. For example, if you want to know whether a site is a hidden terminal, you need to collect the relevant network performance of the site, such as packet loss rate and channel collision probability. Finally, the application framework of educational technology courses based on WSNs and AI constructed in this paper is shown in Figure1。
3.2。封闭的复发性单元
复发性神经网络(RNNs)是一类神经网络,善于处理序列的非线性特性。LSTM和封闭的单元(格勒乌)是最常见的RNNs复发。的封闭RNN LSTM可以成功地解决RNN的梯度消失问题,格勒乌后获得了很多利益。基于LSTM神经网络,格勒乌已得到增强,闸门机制比LSTM简单。这大大加快了训练过程。使用LSTM的主要优势在于其能够解决梯度消失的问题。消失梯度问题使得网络训练困难的单词或整数。梯度用于更新RNN参数,而在长序列的单词或整数,梯度变小,没有网络培训是可能的。LSTM网络有助于消除这些问题,使捕获的长期关键字或整数序列之间的依赖关系由大型分离距离。阿达玛产品操作和乙状结肠函数是格勒乌神经网络的基本操作。 The Hadamard product of two vectors is similar to the concept of matrix addition. The elements corresponding to the same row and column of the given vectors or matrices are multiplied together in order to form a new vector or matrix. It is a binary operation that considers two matrices of similar dimensions and produces another matrix similar to the dimension of the operands. In the sense, each element , 元素的产品吗 , 的两个原始矩阵。网络能够忘记和存储数据在0和1之间采用乙状结肠函数。格勒乌神经网络的结构图如图2。
格勒乌重置的大门,用图表示2的标志 ,调节多少忘记了过去的信息。埋层的状态是减少的影响因为从之前的即时丢失的更多信息。调节多少前一时刻的记忆与当前状态保持同步,充当格勒乌神经网络的更新。输入和忘记盖茨在LSTM是相同的 ,和越大 ,更多的信息保存在当前的即时。因此,格勒乌神经网络比LSTM具有较高的训练效率和更少的内存。
两个复位门口和更新门通过结合输入当前时刻与隐层的状态之前的时刻。重置门电路输出值和更新门电路输出值所示
隐层的输出前一刻是重置门电路输出添加到当前的输入并把它放到双曲正切激活函数来获取当前激活状态 。输出隐藏层的前一刻和激活状态当前的隐藏层所示 在哪里是Hadmard产品操作,神经网络隐层的重量状态在前一刻,然后呢神经网络的重量是在当前时刻状态时输入。
格勒乌在LSTM的优点如下:和同时可以处理当前和历史信息,从而不仅提高训练速度,而且节省运行空间。隐层的状态获得当前时刻的共同作用下,隐藏层状态前一刻和当前隐层激活状态,和隐藏层状态函数在时间所示
它可以看到从方程(1)(5神经网络)格勒乌不增加随着时间的推移,忘记过去的信息。先前的数据不是有效地遗忘和保存以下格勒乌单元,建立依赖关系前一刻,当下和防止梯度消散。
3.3。优化算法
3.3.1。粒子群优化
粒子群优化(PSO)于1995年由美国学者首次提出。PSO方法是仔细检查,惯性权重被添加到粒子的速度。PSO算法,也称为标准PSO方法,提高整体的进步。该算法有多个优于其他传统的优化方法。的主要优势是它的简单的概念,更容易实现,鲁棒性的控制参数,提高计算效率。PSO收益率更快、更便宜的结果相比,其他方法也可以并行。算法不使用梯度优化的问题,它不需要问题是可微的。算法可以被认为是参与群鸟类觅食行为机制。区域问题是解决类似于一群鸟类的飞行空间,并且每个鸟被认为是一个粒子没有体积和质量代表候选人解决问题的办法。在太空飞行中,每个粒子速度和位置有两个组成部分。 Firstly, the particle swarm is initialized, and the particle finds the individual extreme value by dynamically updating its own speed and position globally. At the same time, iterative search is carried out in the solution space, and the particle continuously updates the speed and position of the particle according to the optimal solution pbest found by itself and the optimal solution gbest found by the group. When two optimal solutions are found, the particle update individual velocity and position are shown in 在哪里是粒子群中粒子的数量, 。 目标空间的维数, 。 粒子速度, ,和速度的大小取决于目标函数的性质。和正在学习因素,也称为加速因素,通常 。 和是统一的,相互独立的随机数字,和值范围是什么 。
PSO算法的局部搜索能力明显减弱时,粒子不能有效控制自己的粒子飞行速度,因为它是难以找到理想的解决方案。为了有效地控制粒子的速度,惯性权重介绍了。改进的粒子的速度和位置所示
方程(8)表明,惯性权重对粒子群的速度有显著影响。当更大,粒子步长也大,导致飞行速度更快,导致整体的搜索。较小的值导致更小的粒子的步骤,较慢的速度,和更好的本地搜索。当前位置的粒子群是由前一时刻的位置和当前速度,也间接地受到惯性权重的影响 ,所以惯性权重在算法中扮演一个重要的角色。
各种研究PSO在教育来实现。作为一个例子,PSO技术实施与前馈神经网络反向传播算法。神经网络参数的优化做了考虑参数如隐藏神经元,学习速率,和激活函数。数据集模型上实现教育专注于私立大学每年的数量的增加。数据集由380教育机构参与国家评估与鉴定委员会的认证程序。混合算法和反向传播产生了有希望的准确性和适应度函数相比,传统的最先进的方法。一项研究设计一个最优的神经网络结构对高等教育数据使用算法技术。该研究使用PSO LSTM发现递归神经网络技术与前馈神经网络的最优解。500教育机构收集的数据集NAAC官方网站被用于这项研究。混合模型算法和LSTM取得了有前景的结果考虑RMSE和精度指标。
3.3.2。亚当算法
自适应估计时刻(亚当)提出了学者在2014年ICLR会议。有很大区别亚当算法和随机梯度下降法(SGD)。SGD算法只有一个学习速率,α函数通常用于更新算法的学习速率。可以改变亚当算法的学习速率调整第一和二阶矩估计的梯度。亚当算法利用动量因子和自适应学习速率来提高收敛速度。亚当优化算法比其他传统方法有几个优点。它更容易实现,需要较小的内存空间使其效率计算。该算法在稀疏的梯度的情况下,更有效地工作不稳定的目标,和更大的数据集较大的参数。当前时间步和重量所示
自适应调整进行了结合不同的学习权重,在哪里 和 默认情况下,显示了自适应学习速率 在哪里的指数衰减的意思是平方梯度,当前时刻的梯度,是一个非常小的参数,为了避免分母为0。
3.4。改进的粒子群算法的原则
PSO不断迭代更新解决方案,直到找到和决定全局最优解。PSO方法的迭代优化过程容易陷入局部最优的问题。因此,这个问题必须得到解决;本文优化了PSO算法通过选择一个合适的学习因子,结合改进的惯性权重和引入变异因子,从而提高PSO算法的收敛速度。改进的PSO算法如下:
3.4.1。提高惯性权重
本文用非线性惯性权重提高标准粒子群优化算法的缺点。改进的非线性重量所示
惯性权重摘要改进是一个非线性函数。当迭代次数逐渐的增加,惯性权重的值逐渐减少。然而,当迭代的数量趋向无穷大时,惯性权重将方法固定值,因此先增加然后减少满足全球和本地搜索需求的PSO算法。健身的粒子所示 在哪里样品的数量,是预测数据,是测量数据。
3.4.2。引入变异系数
这项工作提高了PSO算法,通过融合一个突变组件,基于遗传算法的变异原则。自适应变异因子迅速、随机初始化粒子的某些基因突变率每次更新后的粒子的速度和位置。这就增加了粒子的局部搜索范围随着时间的推移,防止PSO算法进入局部最优。为了准确判断PSO算法陷入局部最优解,健身方差作为指数来判断聚合粒子密度在搜索。方差所示 在哪里平均健身价值,th粒子的健身价值,是归一化校正因子。
粒子适应度之间的联系,个人理想的健身,全球最佳的健身,允许误差确定是否发生变异。局部最优位置的粒子被困如果满足突变的要求。为了使粒子跳出这个职位,这个职位需要突变和更新,因此粒子的搜索范围扩大,位置变异。
3.5。教育技术课程质量评价体系
根据素质教育的理论和课程设置普遍遵循的原则,教育技术课程的质量评价应遵循以下原则。
3.5.1。针对性的原则
这意味着课程的内容必须明确目标,目标教学对象。计算机专业课程构成课程体系的重要组成部分的学时数。面向应用的课程,这是密切相关的主要教育技术,包括计算机辅助教学中,多媒体技术的应用,多媒体课件的发展,网络教育的应用,不仅有一个课程类别和一小部分学时,但大部分内容也集中在基本概念和理论的阐述。根据教育技术专业的培养目标,我们需要解决学生的信息技术能力的不足。加强计算机课件的开发和硬件维护和网络教育应用人才的培养,教学窗口技术的面向应用的人才迫切需要在当前的社会里,这意味着未来将主导教育技术系统的方法和信息技术。
3.5.2。应用程序的原则
学习是为了应用,课程设置的基本原则是适合学生实际的应用程序。揭示一个人的价值不仅仅是知识的数量他掌握了,而且他获得的成就和数量优势通过使用这些知识。实用性课程设计中所示。首先,要帮助学生找到理论与实践之间的联系。第二是帮助学生提高他们处理和解决实际问题的能力,以提高他们的个人价值。
3.5.3。发展原则
关注学生的未来发展是素质教育的基本原则。两种对立的哲学教学中可以看到知识传播和人类生长的目的。前者是专注于鼓励人们的知识结构,而后者是关注学习。我们强调学生应该能够追求自己的独立研究领域完成课程之后,让他们理解的教学和学习策略中使用教育技术学科。课程应有利于培养学生的各种能力,如检索的能力,过程,利用信息,创造思维,独立学习,,实现自我监控。教育技术提供的课程应适当扩大横向和纵向,在教育改革和发展的大局,拓宽学生的思维。
3.5.4。科学的原则
首先,课程的设置必须符合学生的认知规则。在任何情况下,法律的改革必须尊重学生的认知习惯和心理接受。其次,课程改革应该在课程理论的指导下,按照进化和发展教育技术课程本身的原则。
根据上述原则,教育技术课程的质量评价体系建立如表所示1。
4所示。实验和分析
4.1。实验数据和预处理
635年这项工作建立一个实验数据集的数据集按照教育技术课程质量评价体系。为了使训练预测模型更准确,确保单位指标的不同类型的数据在同一数量级,本文用归一化法处理实验数据,其目的是实验数据映射到[0,1]区间。标准化所示
4.2。IPSO-Adam-GRU预测模型参数的设置
格勒乌神经网络最大的缺点是难以合理确定hyperparameters,容易导致过度拟合,降低了预测的准确性。针对以上缺点,本文使用IPSO算法进行全局优化,减少了培训范围附近的全局最优解,从而缩短运行时间和提高训练精度。由于hyperparameters可能在训练过程中自适应地确定由于亚当进行局部优化的算法,有更少的机会,模型的预测精度将受到不当hyperparameter选择。摘要hyperparameters优化包括隐藏层的数量,每个隐层神经元的数量,和学习速率。
4.2.1。准备隐藏层的数量的选择
合理选择隐藏层的数量格勒乌神经网络优化格勒乌神经网络的第一步。IPSO优化一个隐藏层格勒乌,IPSO优化两个隐藏层的格勒乌IPS0-GRU1 IPS0-GRU2,分别。同样,格勒乌的一个隐层的优化算法和两个隐藏层的优化算法表示为格勒乌的PSO-GRU1 PSO-GRU2,分别。比较上述四个模型的健身,健身比较IPSO-GRU1 IPSO-GRU2如图3。健身比较PSO-GRU1 PSO-GRU2如图4。
它可以看到从数据的横向比较3和4IPSO-GRU1的健身价值和IPSO-GRU2比PSO-GRU1和PSO-GRU2要低得多。也就是说,无论隐藏层是一层或两层,优化IPSO-GRU精度远高于PS0-GRU。已经证实,IPSO,建议在第3章,比PSO优化的准确性更高。随着迭代的数量上升,PSO-GRU优化前两次健身趋于一个固定值。然而,IPSO-GRU选择因为它可以尝试优化更迅速,避免局部最优。IPSO-GRU1健身和IPSO-GRU2可以纵向比较图3格勒乌时,这表明神经网络有两个隐藏层,优化精度高于只有一个隐藏层。虽然精度并没有太大的改善,考虑到格勒乌属于深度学习,它通常是一个多层隐层,因为数据预测本文是非线性的。为了实现模型的预测精度高,本文选择两个隐藏层。
4.2.2。选择隐层神经元的数量在每一层
格勒乌神经网络两个隐藏层和IPSO亚当梯度下降算法优化和选择hyperparameters更优化的准确性比只有一个隐藏层。在第一隐层神经元的数量,第二隐层神经元的数量,和学习速率都是hyperparameters调优。迭代的数量被调整到50到简化跟踪。如图5和6,第一个隐层优化和第二个隐藏层优化都显示在同一个图。
我们可以看到在图5,有越来越少在第一隐层神经元,这个数字仍然是一个整数在整个优化过程。当有0到20之间迭代,第一隐层可以有多达23个神经元。神经元的数量优化迭代次数上升更快。Hyperparameter优化是使用IPSO更快更有效。得到适当的在第一个隐层神经元的数量,我们可以迭代的22倍,这就是我们所说的一个常数值。正因为如此,8第一隐层神经元。
图6显示在第二个隐层神经元的数量正在增加在优化过程中,这个数字是整数。必须有至少10第二隐层神经元当迭代的数量是0到20之间。随着迭代次数的增加,神经元的数量得到更快地优化。避免局部最优的IPSO神经元数量的增加。在第二个隐层神经元的数量趋于稳定在12日,这是一个恒定的数量,当数量的重复方法22。因此,现在只有12第二隐层神经元。
4.2.3。学习速率优化
学习速率是一个重要的hyperparameter格勒乌神经网络。网络学习速率主要是用来调整重量通过调整梯度长度在亚当梯度下降算法。学习速率越小,优化精度越高,就越容易收敛到局部最小值。学习速率越高,局部优化精度越低,容易错过局部最小值。学习速率优化如图7。
从图可以看出7整个过程的学习速率的优化是在上升,但学习速率值范围是恒定的。当迭代次数在[0,20],学习速率是最小的,保存在 。随着迭代次数的增加,学习优化速度迅速增加。当迭代次数增加到21日学习速率优化趋于一个恒定的值,这是 。
4.3。优化模型的性能检测
初始化模型与实验的最佳参数,并与训练集训练后的数据,发现最好的模型。然后美联储模型测试的数据集,和输出比较的输出专家。最后的实验结果如表所示2。可以看出,本文提出的模型非常接近专家评价结果,证明了模型的性能优势。
5。结论
为了发展教师能掌握现代教育理论,灵活使用各种现代教学媒体和手段整合教学资源,并支持教育信息化的有效增长,高等教育机构提供公共教育技术课程。其课程内容广泛、适用和实用和由各种学术领域如教育、计算机科学、心理学、学习、和科学。作为教育技术的公共课程材料目前在市场上,从教学内容的角度来看,它包括三个部分:基础教育理论,基本的信息技术,信息技术和课程整合的案例。从课程的教学大纲,通常30%的课堂时间用于传授教学概念,30%的课堂时间是用来教现代教学技术,和30%的课堂时间是用来进行案例分析。总之,教育技术课程包括知识,实践,活动内容结构,为创新教育的顺利发展和实践空间,这样一个全面的课程是非常有利于创新教育的发展。使用现代信息技术教师虚拟化实际教学情况下,创造一个身临其境的学习环境,激发学生的学习兴趣,激发他们的认知冲突,和发展学生解决问题的能力。鼓励孩子们自己去学习,看到他们学习和同龄人之间的联系,教师,和世界,终于明白如何应用和转移他们所学到的。因此,本文使用无线传感器网络教育技术课程的收集和传输数据,然后使用人工智能评估教育技术课程的质量,适应现代教育技术课程的教学策略,并完成以下任务:(1)教育技术课程的发展现状和国内外的WSN的介绍。(2)传感器网络在教学中的应用,介绍了格勒乌神经网络的基本原理和相关阐述了优化算法,和教育技术课程的质量评价体系。(3)改进的PSO算法和亚当使用梯度下降优化hyperparameters格勒乌的神经网络,从而构建IPSO-Adam-GRU评价模型。 The test data is input into the model for performance testing, and the output results are compared with the expert evaluation results. The results show that the evaluation accuracy of the model in this paper is very high, which further prove the superiority of the proposed model. The study model could be further evaluated on larger dataset and compared with the traditional state-of-the-art algorithm considering additional metrics of evaluation. This could be considered for implementation as part of the future research work.
数据可用性
在当前的研究中使用的数据集是可从相应的作者以合理的要求。
的利益冲突
作者宣称没有利益冲突。
确认
研究支持重庆市社会科学规划青年项目:研究的道路上高质量的培训乡村教师建设的背景下成都重庆城市经济圈(2021 ndqn82)的两倍。