文摘

探讨基于ai的互动音乐设计和提出了一种新的学习模式。它有助于发展学生的探究能力,并允许教师带头。与此同时,本文系统地介绍了DL的地位在音乐教学评价理论的应用和使用DL理论建立数学模型对人工智能音乐教学评价体系。人工智能的施工方法基于DL音乐教学评价模型在本文中有详细描述。模型可以评估质量的人工智能音乐教学网络训练后。设计教学质量评价神经网络训练和测量来验证模型的性能。实验结果表明,该模型的预测精度为94.79%,也就是大约8.52%高于传统方法。它有一定的实用性和可行性,它可以作为一个有用的基准各种教学质量评价系统的发展。

1。介绍

目前,人工智能(人工智能)应用研究在教育理论与实践正在爆炸式增长,它已成为教育发展的一个关键切入点。使用人工智能(AI)在计算机辅助音乐教学演示了一个时代的一定的必要性和积极意义。人工智能理论研究近年来显著扩大,与贝叶斯网络等主题,深度学习1,2),和一般人工智能。人工智能是一种人工智能(3,4),使用计算机模拟人类感知,推理和其他的认知功能。艺术教育和信息技术的发展,需要更多的计算机和多媒体技术在当前音乐教学活动,以培养学生的能力。CAI(计算机辅助教学)是使用计算机来代替教师在教室里和编译成各种课件,教学内容让学习者选择不同的内容根据自己的学习情况。因此,教学内容多样化、形象化,使其更容易教学生根据他们的能力。应用人工智能和网络信息技术对音乐教育和教学活动可以提高教育的效率和水平。一般来说,CAI需要使用人工智能技术和复杂项目的编译如自然语言理解、知识表示和推理方法。音乐教育受益于AI以独特的方式(5]。AI将带来新的改变音乐教育的教学模式和理论;特别是,它将带来新的改变教学手段和教学方法,使音乐教育提供更多积极的实用价值在互联网时代。

在教育行业,提高教育质量是一个永恒的话题。教学质量评价的科学性、合理性和时效性都在提高教育质量的重要因素。目前还没有非常公平的、合理的或科学的方法评价大学教师的教学能力。数学方法经常用于高等学校教学质量的评价是为了使它更科学。衡量教学质量的研究与实践,如教学质量评价体系和评价模型,在某种程度上落后于时代。以其优越的基本特征、深度学习创造了一种新的思维方式对人工智能研究作为一项新技术。在现代神经科学研究的基础上,神经网络(神经网络)6- - - - - -8]理论创建一个信息处理系统,模拟人类神经系统的过程,记得,和处理信息9]。反向传播神经网络(摘要)10)是一种神经网络具有强大的非线性映射能力。结果,解决非线性关系的教师教学评价问题是可行的和科学的。DL-related技术的引入到人工智能领域的音乐教学对教学质量评价将丰富教育教学理论,促进教学环节的变化评价方法,并提供一个基础科学和定量评价教学质量,这一切都将成为巨大的理论和实践价值。

本文着重于人工智能音乐教学的效能评估基于DL理论,从知识的角度建设。以下是它的一些创新:(1)本文构造一个基于DL的教学质量评价模型通过分析以前的教学质量评价方法的优缺点,总结现有的教学质量评价模型的方法,针对现有评价方法的局限性。然后,利用Matlab工具箱的功能强大,每个评价指标作为输入和评价目标作为一个输出;训练网络,网络测试,最后分析实验结果。(2)因为初始重量和阈值的摘要是如此重要,本文使用一种改进的遗传算法来优化神经网络的初始权重和阈值,减少时间的摘要找到满足训练的重量和阈值终止条件。为了避免影响预测效果由于网络模型的复杂性,使用改进的主成分分析方法降低维度的评价指标的前提下,保留了大量的原始信息。根据研究结果,改进方法提高摘要预测的准确性和速度对音乐教学质量评价结果。

2。相关工作

人工智能在各种领域都取得了重大进展(11),形成一个多元化和多方面的发展道路。同时,人工智能领域的技术已经变得越来越流行音乐,和人工智能的结合,音乐教育取得了大量研究成果。然而,人工智能音乐的教学质量评价是一个难题,有许多影响因素和动态变量。来自美国和其他国家的学者对这个问题进行了广泛的研究。

Spooren等人设计的教学质量保证体系,提取的重要因素,影响教学质量的评价,并提出了实施对策的关键因素,提供更合理、有效的教学质量的保证体系(12]。唐兰和伯恩的建设进行研究在高等学校实践教学体系,并提供了可靠的理论支持教学质量评价的实践高等学校通过实证研究13]。侯等人结合教学评价的实际情况,提出适合教学评价的评价指标;的基本原理和算法,详细介绍了主成分分析(14]。约翰逊等人应用层次分析法和神经网络在教学质量评价模型(15]。Beuth等人探讨了学生评价体系的优化和教学效果的影响因素,这提供了一个可靠和有效的现实依据人才培养和教育质量评价的研究16]。杨和韦尔奇给理论和代数算法的优点,并应用神经网络教学质量评价模型。通过具体的例子分析结果显示,结果表明神经网络建模教学质量的算法的有效性(17]。Du和Slipinski提出采用模糊综合评价方法和层次分析法,并结合定性和定量方法,使评价结果更加可靠和科学(18]。张和王提出了一个基于摘要教学评价模型。采用不同的评价系统在评估不同的学科、专业,为了使评估更加合理,科学,和客观的(19]。根据教学质量评价过程的复杂性,他和李提出了一个基于神经网络算法的教学质量评价系统,利用神经网络的结构特点。和确定系统的数学模型20.]。李等人从横向角度的教学过程中,将教学质量评价体系五个方面的教师质量、教学态度、教学内容、教学方法和教学效果作为第二级评价指标(一级指标21]。

提出了一种新的研究角度和方法基于DL和AI音乐教学相关文献的研究。本文着重于人工智能音乐教学的效能评估从DL的角度。本文主要论述了建立评价指标体系,指标的选择,指标权重的设置根据当前教学质量评价中存在的问题和不足之处。确定评估教学质量的可行性,介绍了基于数据的熵方法,指导样品之前使用熵方法得到。然后使用自适应变异遗传算法来优化神经网络模型之前为了学习样本知识和建立评价模型。该模型降低神经网络学习样本和验证的主体性教学质量建模的有效性和准确性,根据研究结果。

3所示。方法

3.1。人工智能音乐教学

CAI(智能计算机辅助教学系统)以认知科学为理论基础,应用人工智能CAI技术,这是一个智能CAI (22]。智能系统可以起到很好的辅助作用对学生学习音乐知识和提供更好的教育方法。它具有一定的实用价值和积极意义的研究音乐教学23]。CAI实际上是一个由计算机系统辅助专家系统为教师的教学和学生的学习。音乐知识学习者通过登录客户端访问学习相结合,其通常是一个学习平台,然后现在教师的学习结果通过人机交互模式。教师通过性能提高新的教学模式和教学模式,提高学习者的学习意识和学习能力基于负面的反馈,并形成一个完美的互动闭环。与此同时,人工智能技术也为学生提供了大量的学习资源和服务。为了组织教学设计理论,我们可以分析教学系统的主要内容,然后组织教学设计理论体系的主要内容。我们认为,教学系统可以抽象地划分为指导理论,学习者,教育技术,学习行为,信息资源、教学目标、和其他主要内容,有一定的交互作用。

人工智能和音乐的结合已经存在一段时间。教学理念、方法和知识学习的内容都可以表示为在ICAI [24]。从宏观的角度来看,教学模式是一种稳定状态的把握整个教学活动及其要素之间的内在关系。人工智能是一种应用技术,利用大数据网络资源。因此,人工智能技术被用在音乐教学活动的过程集成和分析大量的学生和他们的音乐学习相关的数据。可以共享学习资源,当你投资于人工智能的教育。出现重大变化的人工智能技术的发展,教学观念、教学内容和教学方法将发生,需要教师提高他们的整体教学设计能力和水平。同时,人工智能和区块链技术可以帮助教育者创建一个协作的平台。与此同时,区块链技术可以保护学生的隐私,保证数据的完整性。人工智能音乐教学的应用程序体系结构如图1。

AI技术的集成和分析学生的音乐学习数据有助于教师了解每个学生的内在学习基础,掌握基本的音乐理论知识,和音乐表现能力,等等,并且可以用作基础采取有针对性的措施来引导学生进一步提高他们的音乐学习能力,尤其是他们的音乐表现能力。我可以指导全面的教学设计理论建设的人工智能模块化教学模式基于AI的要求的先进性和适应性。实现全面的学习理论,实现有意义的全面的学习目标牵引的学习分析,我们应该使用面向对象的方法。与传统评价方法相比,基于ai教学系统使用发展情感评价反馈和rational application音乐学生的提高教学效率。人工智能技术可以为每个注册用户提供一个独特的学习计划针对他们的具体需要。AI-created学习计划明显不同于传统教育学习计划。学生的潜力可以开发更有效地与AI个人独有的学习计划。智能学习环境促进了智能教学策略的实施,同时也展示先进的技术。为了更好地为音乐教育提供积极的实用价值在互联网时代,人工智能带来了新的改变音乐教育的教学模式和教学理论,特别是在教学手段和教学方法。同时,人工智能英语教学有利于扩大音乐课堂的知识能力,吸引学生的学习兴趣,提高音乐课堂教学的效率,记录档案,并提供学生的基础后续音乐学习活动,都是值得推广的。

3.2。基于DL建设的音乐教学评价模型

DL是人造NN-based机器学习方法的一个子集。无监督、semi-supervised或监督DL都是可能性。深层神经网络,深度信念网络,循环神经网络,和卷积神经网络现在都被用于各个领域。人工神经网络是一种智能系统,人们用来模仿人类大脑神经系统的信息处理功能(25]。这是最基本的抽象和模拟人类大脑的。摘要是一个前馈分层网络的三层:输入、隐藏和输出。神经网络可以被认为是一个高维非线性动态系统与神经元处理单元从自动控制的角度。这个系统有多个输入和输出,输入-输出关系可以被认为是一个从输入到输出的映射。三层摘要模型如图2。

这个模型的设计目标是建立一个有效的教学评价模型,实现相应的人工智能音乐教学评价通过分析现有的评价指标和方法。教学质量评价系统,它可以被视为一个从输入到输出的映射。神经网络的自学习能力,可塑性的映射,使它能够通过训练模拟所需的映射关系,以取代领域专家自动评估评估对象。摘要的非线性逼近能力是反映在s形的激活函数,所以s形激活函数一般用于隐藏层。输出层的激活函数可以是线性的或s形。虽然摘要可以以任意精度逼近任意非线性函数,这对解决非线性问题具有较强的实用性,但它也有许多缺点。例如:(1)容易陷入局部最小值。(2)隐层的确定缺乏理论依据。(3)可怜的收敛性和低效率。(4)可怜的泛化能力。 Therefore, this paper introduces the adaptive mutation genetic algorithm, which improves the mutation operation in the genetic algorithm, and the mutation operation helps to improve the diversity of the genetic algorithm population. At present, the mutation probability is obtained through continuous experiments. Openness, self-organization, complexity, integrity, and relevance are the common basic characteristics of all systems. The establishment of instructional quality evaluation index system in this paper follows the following principles: consistency principle, independence principle, comprehensiveness principle, fault tolerance principle, incentive principle, and feasibility principle. The evaluation problems in this paper are divided into two aspects: index scoring and grading and classification, so two networks can be used to deal with them. A network stores and memorizes the importance coefficient of each index and synthesises the scores, which is called a comprehensive network. The other one classifies the index scores linearly or nonlinearly, so as to obtain the final evaluation result of the total index, which is called classification network.

以三层前馈网络为例,介绍了摘要算法。在一个三层前馈网络,输入向量

隐层输出向量

输出层的输出向量

预期的输出向量

权重矩阵输入层和隐层之间由以下公式表示:

试错法是一种方法来确定隐层节点的数量。有三种方法来确定初始值的试验方法,如以下公式所示。在本文中,经验公式(7)是用于确定初始隐层节点的数量。

其中,隐层节点的数量,输入层节点的数量,输出层节点的数目,1到10之间是一个常数。更常用的非线性传递函数是双曲函数公式:

摘要的功能实际上是通过计算完成网络输入网络输出;因此,隐藏层越多,神经网络的学习速度慢。因为摘要只有一个隐藏层可以逼近任意非线性函数,本文首先试图设置一个隐藏层。选择3 - layer摘要相对简单的结构。做出客观、正确的评价对象的,我必须首先分析的主要指标影响评价结果,以及他们的比例。因为每个指数评价体系都有不同程度的影响评估结果,应该分配不同的权重。然而,许多高等院校仍然使用相同的重量或主观确定权重分布表建立一个评价体系为了方便,这不仅降低了评估结果的可信度,但也很难进一步挖掘评价数据。因此,理性的重量分布是一个关键的步骤,提高了评价体系。形成一个教学质量的综合评价,专家和学生必须评估和评分指标,和每个评价内容的质量等级系数可以计算使用合理的程序和计分方法。有必要合成总指数的分级标准系数根据每个索引后的比例分析和评估对象的评估每个索引并获得相应的等级系数。

标准摘要只调整权重梯度方向错误的时间 ,和之前没有考虑时间 ,导致振荡和收敛速度慢。增加动量项可以减少振动,提高收敛速度。正确使用BP训练算法和 ,和修正公式如下:

体重调整公式与额外的动力因素

其中,是权重矩阵,是输入向量,然后呢动量系数。通常的误差函数,如果学习数量的增加,会变得越来越小,这可能会导致较慢的函数近似。 在哪里误差函数和吗是训练速率系数。

网络拓扑和训练数据被确定后,总误差函数的性质是完全由激活函数。提高激活函数可以改变错误表面和局部最小值的可能性最小化。在数据分析中,所涉及的样品通常包含许多变量和多变量分析问题的复杂性。我希望有更少的变量参与定量研究,可以获得更多的信息。正是这种信息重叠的变量可以减少变量的维数,从而简化了问题的分析。标准的摘要算法只调整返回错误的重量,这将增加训练次数,导致收敛速度慢。为了解决这个问题,本文介绍了批量训练方法。这种训练方法确保了错误总是在减少状态,可以提高收敛速度。它的工作原理是:当输入层的输入样本,整个网络的总误差计算,而不是错误的一个样本,然后相应的错误计算每一层的总误差,并调整权重。本文的评价结果,评价对象的每个索引通常表达的不同的等级或状态。 The evaluation grade of this paper is divided into five grades: excellent, good, medium, poor, and failed. These grades or states are qualitative or quantitative evaluations of the evaluation contents. The final evaluation result depends on two problems, one is the evaluation and scoring of the content, and the other is the formulation of grading criteria.

4所示。结果分析和讨论

教学过程是一个复杂的思维过程的教学和学习。它需要教师的专业知识和经验为基础,通过吸收,可以完成好,解释,推理,例子,和合成。本文采用改进的摘要构建人工智能英语教学评价模型。为了验证模型的性能,仿真实验在本章进行。摘要学生的教学评价数据作为输入值,和专家的教学评价数据作为期望输出值。使用本文中的算法,在Matlab仿真程序设计来确定AINN模型。在输入层节点的数目,隐藏层和输出层16×4×1,分别;学习速率是0.9;采用乙状结肠函数为每个节点的功能。不同的算法用于误差实验,不同算法的平均绝对误差图所示3。

可以看出,本文改进的摘要可以建立一个人工智能音乐教学质量评价模型。和这个算法的误差小于其他算法。结果表明,本文算法具有一定的精度。比较人工智能音乐教学质量评价模型的输出值与实际值,结果如图4。

根据数据分析在图4输出值之间的误差,这个模型的真正价值相对较小。这一结果表明,该模型的性能可以满足实际应用的需要。在这篇文章中,有两种方法可以设置网络停止训练,一个是控制误差范围,另一个是达到最大迭代次数,和其中一个条件可以停止训练。不同的网络的收敛结果如图所示5。

可以看出,这个网络的收敛速度快。为了更好地说明该算法的优越性,改进后的算法比代数算法和传统的摘要,结果如表所示1。

从表中可以看出,对于一个给定的规模问题,本文算法在几十秒内可以达到较高的计算精度;代数是第二。然而,摘要是更糟的计算精度,计算需要花费更长的时间。一般来说,训练样本的数量约占总数的8倍网络连接权重。图6摘要改善模型的显示了健身。

图6表明改进的健身摘要模型收敛于50迭代,和健身价值稳定在1.35左右。可以看出,改进后的模型具有较高的适应性和已经在一定程度上优化。通过培训,可以量化的分类标准或专家的经验不容易量化的信息存储在非线性网络。新的实验数据是用来衡量教学质量评价神经网络。模型的预测精度图所示7。

可以看出,该模型的预测精度是在相对较高的水平,和它的精度高于比较算法。在本章实验进行了再一次,和教学质量评价的结果模型训练基于代数算法,摘要,本文改进算法进行了比较。结果如表所示2。

根据上面的数据分析,如果首选的定性评价方法,评价结果将很容易受到评估者的主观因素,这将导致的随机性评估。如果首选定量评价方法,评价过程和评价结果将陷入教条的数据,忽略了探索创新意识的对象,和其价值的体现。在这篇文章中,专家经过多次讲座的综合评估值作为期望产出指数,这样的样本数据用于训练网络。它体现了定量和定性相结合的思想在教学质量评价。在这一章,通过许多实验结果证明本文的评价方法有一定的优越的性能和可行性。和该模型的预测精度高达94.79%,约8.52%高于传统方法。同时,实验表明,人工智能音乐教学有一定的积极作用,刺激学生的音乐学习兴趣和提高学生的音乐成就。它是有效的和可行的在音乐教学中使用人工智能。

5。结论

论述了人工智能技术在音乐教育的优势和局限性。每个注册用户可以接收一个个人学习计划为他们的特定需求由于人工智能技术。AI-customized学习计划是完全不同的从传统教育学习计划,和AI-customized学习计划可以更有效地开发学生的潜能。人工智能技术将会成熟,适用于音乐教育在未来,音乐教学带来极大的便利和效率。同时,本文对人工智能从DL角度来看音乐教学的有效性。介绍了神经网络评价系统的总体结构和算法基于教学质量评价的特点。指标体系的重量决定使用一种改进的摘要和更好的函数近似和容错,导致科学和合理的评价结果。实验表明,该模型的预测精度高达94.79%,约8.52%高于传统方法。它适用于复杂非线性系统的评估的评分标准不容易表达的分析,具有一定的实用性和可行性。同时,实践证明,人工智能音乐教学发挥了积极作用在刺激学生的音乐学习兴趣和提高学生的音乐表现。 Using AI in music teaching is effective and feasible. Although this paper has achieved some research results, there are still some shortcomings and areas to be improved in the research process. In the next step, we will do more in-depth data mining and sorting on the data of music instructional quality evaluation, so as to better serve the instructional quality evaluation.

数据可用性

使用的数据来支持本研究的发现可以从作者要求。

的利益冲突

作者没有任何可能的利益冲突。