文摘

大学日语教学是日本专业发展的摇篮。与互动频率的上升与日本在我国领域的政治,经济,贸易,和其他领域,日本作为一个专业的学科展示推广,普遍化,folkization特性。然而,日本的小小的思考趋势作为全球通信的应用程序开发工具使得日本高校教学不够专业。以满足社会的需求和发展,以及解决问题的教师短缺和缺乏关注学生的基础知识在高校日语教学的改革,研究使用专家系统作为理论基础,结合BP神经网络技术来设计一个辅助教学系统界面友好,通用性强,和可扩展性为日本语言教师和学生。教师可以使用这种技术来组织测试分类和总结测试问题点和基于知识的复杂性问题。学生可以利用这个系统自己学习,确定在他们的知识薄弱环节点,他们可以更有效地实践和创建一个乘数影响工作的一半。最后,设计和实现整个系统按照软件开发过程。已经证明,系统可以提供现实的结果后,具有良好的应用价值巨大数量的数据测试和操作。

1。介绍

外语人才的需要日益演变从一个外语“双语”和“语言”由于国内经济的快速发展和国际化步伐的加快。高校外语专业的学生应该寻求发展不仅第二外语技能,还他们的专业外语能力。日本已经上升到顶部的大学生第二外国语言选项的列表。特别是自世纪之交以来,中国和日本之间的交流已经生长在频率,两国的进出口贸易稳步提高,加速了经济和文化的交流。因此,日本语言教学的重点已经转移到学生的日本综合应用能力、自主学习能力,提高文化修养(1,2]。因此,日本教学资源越来越不能满足社会发展的目标,而竞争激烈的就业市场对毕业生不断增加的需求。由于人工智能和网络技术的进步,智能教学辅助系统进化出了《纽约时报》,吸引了大量的研究。有许多智能教学辅助系统基于网络使用的目前,国内外,但是他们的智力很低(3,4]。考虑到许多问题与当前日本的辅助教学系统,有必要扩大日本研究基于人工智能教学辅助系统。

专家系统的概念可以追溯到1960年代作为人工智能的一个重要分支。DENDRAL专家系统,由斯坦福大学在1965年,被认为是进化的一个里程碑专家系统(5]。专家系统已经成为最活跃的,有价值的,在人工智能和高效科学领域(6]。它可以有效地利用收集到的有价值的经验和专业知识的专家在很长一段时间的需求和解决问题专家解决方案通过模拟专家的思维过程。医疗、军事、地质勘探、教学、化学等领域都可以受益于专家系统。自2000年以来,人们的研究专家系统发生了一定的变化,并研究了专家系统结合模糊技术,实时操作技术和神经网络知识库技术和新技术取得了突破。许多基于BP神经网络的故障诊断专家系统开发。文献[7)优化BP神经网络的专家系统诊断和推理模块使用麻雀搜索算法(SSA)和缺陷的分析和诊断rubber-wheeled车辆使用建立故障诊断系统。结果表明,该系统既准确又快速的完成诊断任务。文献[8)的BP神经网络算法的收敛速度慢的出发点和最后增加了收敛速度通过引入陡度因素,结合引入动量因子和自适应步选择方法。此外,他们提高捣固车在故障诊断应用程序的效率。文献[9)是基于BP神经网络的前馈网络学习算法,利用虚拟仪器工具自动创建一个教学质量评价模型,分为五个类别:优秀,良好,中等,合格,不合格,避免人为主观的重量比设置的影响评估结论。文献[10)建立了一个基于BP神经网络的齿轮箱故障诊断系统诊断水泥立式轧机齿轮箱、行星齿轮箱齿轮和轴承的水泥厂,给诊断结论。

上述研究表明,基于BP神经网络的专家系统的角色预测,诊断、故障诊断、监测、控制、和解释在各领域的合作。然而,由于人工智能技术已广泛运用于教育领域,基于人工智能专家辅助教学系统已逐步应用于智能教学学院,这是坚定与教育现代化。在其他领域的教育,基于人工智能的专家辅助教学系统也有各种各样的应用程序,包括人类推理模型学习艾滋病的发展,变得越来越流行。例如,内科医学诊断专家系统是一个expert-assisted教学系统,可以识别和诊断病人的症状通过一系列规则属性(病人的症状11]。研究需要针对这一点,日本时代的教学实际需要的情报作为出发点,提出了一套解决教师不足的问题,缺乏对学生基础知识的关注,目前困扰日本高校教学。它可以解决学生面临的障碍在他们独立的日本大学学习。此外,它可以解决这一问题,教师很难参与学生的自主学习。因此,在该系统的支持下,它不仅可以帮助学生巩固和掌握基本知识,也提高他们的自主学习能力,减少教师的教学负担,提高教学质量。研究者综合BP神经网络技术与专家系统理论产生一组日本交互式的教学辅助专家系统,易于维护和扩展,可以对日本师生共享资源。本文的创新工作包括以下:(1)首先,系统通常采用B / S三层结构体系和集成了日语教学的特点,导致日本教学辅助专家系统的一些功能更加完善和人性化。(2)其次,根据不同的用户,系统整合教学评价和自主学习提供了一个English-assisted教学模块和学生的自主学习模块。前者主要是针对教师、和它使用的知识表达方法进行分类和总结日本知识分结合帧类型和生产类型。日本教师可以使用这个系统诊断整个类和确定学生的基础知识的理解,可以用于指导教学。后者分析考试的知识要点之间的关系问题使用BP神经网络算法,创建了学生的自主学习模块,并进行自诊断和其他活动的基础上,个别学生。(3)最后,设计和实现整个系统按照软件开发过程。已经证明,系统可以提供现实的结果后,具有良好的应用价值巨大数量的数据测试和操作。

2。相关的概念和理论

2.1。BP神经网络的基本原理

Rumelhalt等人提出了BP人工神经网络在1986年,代表一个新的时代优化人工神经网络的联想记忆(12]。它是使用最广泛和成功的人工神经网络算法模型。反向传播神经网络(或“英国石油公司”)是多层前馈神经网络训练,利用误差反向传播方法(13),这是经常使用在系统评价在不同的领域(14- - - - - -16]。

正向和反向传播过程中使用BP神经网络训练。向前传播信号从输入层到隐层到输出层,它改变了非线性一层一层地产生输出信号。在一层神经元的状态没有影响下一层神经元的状态。如果在输出层产生的实际结果没有达到预期,误差向后传播。错误反馈的步骤,误差信号进行隐藏从输出到输入方向,和误差传播每一层的神经元。这一层中的每个神经元的权值和阈值改变基于接收到的错误在每一层来减少误差梯度方向。BP神经网络是建立在网络反复训练直到输出错误或训练次数满足预定的价值。图1描述了整个过程。

如图1输入训练样本,通过训练网络,BP神经网络可以建立一个从输入到输出的非线性映射连接。由于它的结构简单,适应性强,有能力强等功能的重复非线性近似(17]。考虑计算复杂度和其他因素,本文利用BP神经网络和我某一知识的掌握点由日本专业的高校,尽管有更高性能的算法或网络结构如卷积神经网络(18]。日本教学辅助专家系统模型是建立在此基础上,以帮助教师分析学生学习情况直观地和日本来更好地服务教学。

2.2。专家系统

专家系统主要进行问题诊断基于知识存储在知识库中,这是通过采访专家、经验丰富的维修员工,或学习文学材料。然而,可能有遗漏,导致故障诊断发现不足。权重和阈值确定网络的稳定状态,和稳定的神经网络变成了神经网络专家系统的知识库19]。因此,本文认为结合两个解决专家系统知识获取的严峻挑战,同时也使专家系统通过定量分析缺陷诊断。

人机界面、数据库、知识库、推理引擎,翻译专家系统的基本组成20.]。人机界面(HMI)是一个互动的窗口,允许用户登录和操作系统。数据库存储用户的个人信息和接收的收集的数据标准化。规则知识,训练神经网络结构,修改后的权值和阈值都是存储在知识库中。推理机的推理过程是由根据知识库的规则或通过结合收集和处理数据训练神经网络的诊断,然后通过解释显然表现出诊断结果。图2展现了专家系统的结构。

然后结合图2,每个组件的新系统详细介绍了这项研究。

2.2.1。知识库的设计

知识库分为两个部分:提交和处理信息的能力和使用专家模型存储信息的能力,这使得它简单的维护。有两种形式的知识在日本教学助理专家系统的知识库:静态知识库和动态知识库。前将固定在日本学习词汇和语法存储在静态知识库分层次广泛对话,主题专家和知识工程师求和。后者指的是由领域专家规则的输入,可以添加、修改和删除。

日本教学辅助专家系统,包括因果关系的品质,逻辑、过程,和结构,主要是用于检查学生理解知识的点在一个给定的测试。结果,系统提出了我们的研究使用了一个基于规则的混合知识表达方法和框架,它可以充分利用知识表达的好处,学习彼此的优点和缺点,改善知识表达能力,提高推理效率。下面是如何定义的混合知识表示:

帧的名字:槽位1:侧1(如果(选择一个),那么(结论1),CF)侧2(如果(B)(结论2),CF)…槽位1:侧1(如果(选择一个),那么(结论1),CF)侧2(如果(B)(结论2),CF)…

的选项一个,B等代表的投资判断,结论代表的推断结论,CF是指程度的确定性。CF是独立的判断条件设置和推断的结论,和他们没有直接关系。

2.2.2。推理引擎

一个专家系统,它仅仅是一组计算机程序(21没有一个推理引擎],是不完整的。该系统采用的前后推理相结合的推理方法。向前推理规则是用来匹配已知事实与知识库。中包含的知识分考试是在分析和解决纠纷。反向不确定性推理应用于确定学习者掌握知识的项目。(1)转发规则推理基于规则的表示形式与多个输入和输出,可以分解成单独的输入和输出叫做向前推理规则。详细定义如下公式所示: 在哪里R(我)代表了我∈Rth规则,X= {x₁,x₂、…x_米}是系统的输入向量,Y= {y₁,y₂、…y_n}是向前推理的输出向量,y_我代表知识。规则的结论Y∈V是系统的正向推理的输出,然后呢c_我是确定的y_我。米是指数量的规则。CF (y_我)的可信度我th知识掌握。它反映了领域专家的程度不确定关于信任,增加或减少的值越大,更准确的分析y_我。(2)逆不确定性推理提出了系统的知识库中的规则是基于可信度。因此,不确定性推理引擎使用的不确定性推理方法实现。然后,建立了系统的模糊关系公式: 在哪里μ_z结论是向量。

解决方案(2)获得它的推理模式。

假设 ,指的量化向量向前推理结论y。 是权重向量。让 。假设μ_p是一个加权逻辑公式,它可以表示如下:

真理的公式(4)是加权累积每个子项的真实度。因此,整个公式的真理程度增加而增加每个子表单的真实度。

μ_CF结论的可信度(0≤μ_CF≤1)。结论的可信度得到的叠加和量化规则的可信度,然后反向推理的传播。在此系统中,μ_CF是真正的可信度y矢量在整个分析,也就是说,发生的比例乘以相应知识的点y_k在整个分析问题。一些模糊量词和定量表征描述信誉为用户预先指定的好处,与专家的专长,如表示1。

2.2.3。翻译

日本老师提交后学习者的答案在本地文件,系统显示推理结果的形式表老师用户。翻译包括两个部分:首先,系统给出了知识点名称以知识的形式点表示基于诊断结论获得的测试结果由用户上传。然后,它将提供一个及时的分析诊断故障知识分和证实结论的可信度。结果是按升序显示基于学习者的测试结果。

3所示。日本建设教学辅助基于BP神经网络的专家系统

系统是建立在一个三层浏览器/服务器(B / S)结构。B / S结构是一个相当模糊的概念,并没有统一的设计标准。它主要包括表示层、业务层和数据层。图3描述了系统的完整体系结构。

表示层是用户与系统的接口。用户可以通过表示层数据与业务层的通信,需要易用性和强大的交互。业务层是表示层和数据层之间的连接层。它包括数据处理模块,比较分析模块、数据预处理模块、数据挖掘模块。第一层和最后一层只能通过中间交换数据层。数据层中存储数据所需的系统操作,以及一些临时数据在操作过程中生成的。

使系统更精确的诊断和个性化,研究结合了神经网络和专家系统在数据挖掘模块,这样直觉思维和逻辑思维相辅相成。该系统将日本专家的经验和知识转化为一个非线性问题,诊断过程实现输入和输出的非线性映射,然后使用神经网络来获取最终的诊断结果。

3.1。基于神经网络的内隐知识基础

神经网络知识的表示是隐式的22],它对应于图像的知识。体重系数和阈值的集合后获得学习的内部编码大多从领域专家的对象和规则表在这个系统。网络结构和权值存储在知识库中。这种知识是通过神经网络学习模块和属于元知识获得的系统,它提供了信息的推理和判断。知识的表示被定义如下: (在哪里x₁,x₂、…x_n)^T代表知识的描述点后一些问题问题银行转换;(y₁,y₂、…y_米)^T是指知识的诊断结果。

日本根据领域专家提供的知识,知识是知识分为15分,和日本专家为这15个知识添加问题点作为测试题库的示例数据库。知识的选择分应该代表,训练和测试样本选择从这个数据库。在网络训练和学生想要测试自己,他们也从这个数据库中提取试题进行自我测试。

3.2。BP神经网络模型的训练

每个学生的知识的故障诊断点实际上是掌握知识的评价点。提出多层网络领域的使用最广泛和有效的缺陷诊断(23]。它也被称为一个BP网络因为它使用BP算法的学习过程。图4说明了网络的结构。

假设训练系统采用三层神经网络结构模型图4,其学习过程如下。

假设输入层包含米神经元,隐藏层包含N神经元,输出层包含K神经元。输入向量X= {x₁,x₂、…x_米},隐层节点的输出向量H= {h₁,h₂、…h_n},和目标输出层的输出Y_目标= {b₁,b₂、…b_j},实际的输出层的输出Y_真正的= {y₁,y₂、…y_k}。从输入层到隐层的权重矩阵被定义为U,从隐层到输出层,权重矩阵被定义为V。μ_n和δ_k代表隐藏层和输出层的神经元偏见,分别f和分别是乙状结肠函数。(1)隐层的输出如下: (2)实际的输出层的输出如下: (3)目标输出之间的误差和实际计算输出层的输出如下:

重要的是要注意,隐层神经元的数目并不是随机决定的。在这项研究中,输入和输出层神经元的数量是预先确定的,和隐层神经元的数量可以使用以下公式计算24]:

根据前面的分析,详细的BP神经网络的训练过程包含以下步骤:步骤1:确定网络结构。集米= 150,K= 4;然后根据公式(9),我们可以得到N= 20。步骤2:预设所有连接权值之间的随机值(−1,+ 1)。是这一层的节点之间的加权值和下一层的节点。步骤3:训练样本的形式化。分别是初始化输入向量x_p(p= 1,2,…,150)和目标输出向量b_p(p= 1,2,…,150)。步骤4:训练阶段:为每个样本做以下:(一)使用公式(6)和(7),分别计算h_n和y_k。(b)使用公式(8)计算输出错误。(c)修改权值和阈值根据以下公式: (d)如果 ,然后去(e);否则,返回步骤4。(e)如果 ,然后去(f);否则,返回步骤2。(f)培训结束。

相对应的培训过程算法如图5。

4所示。系统性能测试和分析

分析日本教学辅助专家系统如何工作在实际教学中,我们用一个例子说明它。

4.1。系统环境配置

操作系统Windows 10×64位CPU是英特尔(R) (TM)核心i7 - 9700 CPU @ 3.00 GHz, web服务器使用互联网信息服务器(IIS) 6.0,和开发软件使用ASP.NET。后端数据库采用SQL Server 2000。为方便开发,配置数据库服务器和web服务器在同一台计算机上。

4.2。系统性能分析

案例:日本测试30参与者,老师希望评估十个问题的结果。首先,使用用户界面输入这些十个问题及其相关规则到数据库中。中包含的知识分十个问题中选择测试然后分布在九个独立的语法点后系统的推理和分析。显示在表2,定义y向量作为这些九个语法点。

考试后,老师上传学生的答案。表3介绍了统计结果。

回答样本获得的系统结合了30名学生,存储数据库中的数据排序,并匹配规则中定义的知识库。综合评价的九个语法点,数字转换y得到μ_y如下: 在哪里x代表知识的频率点y_k在所有学生答案n的总和所有学生回答的问题。在获得这个表达式,重量μ_y。定义加权向量W;权重规则如下:

假设向量的信誉 。样品被检测到,加权值对应于每个知识要点是向量加权叠加的信心C。信誉是由系统中的规则和由领域专家定义。权重向量的值递减在步骤2中ⁿ。加权μ_y是由μ_p,结果见表4。

结论的可信度的表示μ_CF向量,结果如表所示5。

从上面的分析可以看出,如果班上所有的学生都选择答案的选项属性是“我们已经掌握了这个知识,”答案是一个确定的答案,其加权值μ_即是最小的,它的值是0。如果班上所有的学生都选择答案的选项的属性“我们没有掌握这些知识点”,答案是确定的,加权值μ_即马克斯,30。如表所示4的加权值的知识“动词”是最大的,达到21。它可以通过这个测试,得出的结论是,“动词”的知识是全班最差的。其次,知识的“形容词”也没有得到应有的重视。的加权值“辅助单词和辅助动词”和“句型”都是0,表明学生的最佳理解这两个知识要点。通过比较数据表5和信誉措施定义的系统表1结论的可信度,每个点可以获得知识。

最后,对于考试的情况,系统还提供了一个总体的分析类的考试情况,如表所示6。

观察分析结果表6掌握的知识“语序”是“未知点。“这是因为,在回答问题的过程中,超过25%的学生没有回答相应的问题这方面的知识。因此,系统数据是不完整的,不能给出合理的推理。根据这一情况,教师可以进行下一个测试或重点解释这个知识的教学过程。

总结,证明日本教学辅助专家系统集成BP神经网络构建的研究可能提供适当的测试后发现,具有良好的应用价值和处理大量的数据。完成的基本评价大学日语教师掌握的知识在学生团体,它雇佣的结合生产和框架知识表达方法和不确定性推理技术。同时,根据评估结果,系统可以识别弱连接知识积分和现在的学生量身定做的任务。这不仅减轻教师的工作量,还提高了日本的教育质量。

5。结论

2.0时代的智能,人工智能技术的应用外语教学已经引起了越来越多的学者的兴趣,它已经成为一个不可避免的外语教育的未来发展趋势。也许认为集成、开发、设计、和应用人工智能和外语教学课程,以及他们的管理和评估,将迎来一个新的革命语言技术和外语教学。在今天的大学课堂,利用智能教学辅助系统是不可避免的。结合日本专业的教学方法科学技术不断被引入。日本教学辅助专家系统集成人工智能算法提出了发展潜力的研究支持智能科技领域的教育,和这种学习技术将变得更加辉煌的未来。系统的测试结果表明,它具有良好的应用价值。然而,由于该系统是相对较新的,它还在实验和理论阶段,没有被广泛使用。因此,我们必须努力工作在未来,提高在以下方面。日本教学辅助专家系统提出了本研究的基础上,尽量减少收购基本知识在高校日语教学的改革和助攻基础知识的教学。目前,该系统只对编纂知识诊断故障点。 It only enables the entry and judgment of objective questions when choosing a question database and neural network sample database. To make the Japanese auxiliary teaching expert system more useful and intelligent, it needs further to assist students in the training of subjective questions like reading comprehension, translation, and composition. Meanwhile, future work practices will need to address the system’s reliability and intelligence level.

数据可用性

标签数据集用于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。

作者的贡献

欢欢楚了手稿的编写和数据分析。一帆孟监督工作和设计研究。一帆孟在最终稿的修订提供了很大帮助,同意被包括在作者的文章列表。所有人一致同意上述安排。所有作者已阅读及同意最终版本发布。

确认

这项研究是由外语学院菏泽大学。