文摘
随着信息技术的快速发展,教育技术在教育领域正变得越来越重要,鼓励传统的教育观念和教学方法的改革和创新。各种音乐教学用具也变得广泛使用。然而,有一个缺乏辅助软件,是真正适合音乐课堂教学。神经网络是一种人工神经元模型,模型和连接,这是动物或人类大脑的基本单位,刺激神经系统的学习、联想、记忆和模式识别功能。我们提出一个递归神经网络(RNN)的音乐教学资源建设方法,并应用本文关注音乐远程教学的需要,分析了用户角色需要的教师,学生,和系统管理员参与教学,设计一个移动教学平台符合音乐教学基于音乐教学的特点。实验结果表明,系统的精度与迭代的数量稳步增加,和精度波动稳定,平均精度为72%,系统稳定性好。因此,研究这一主题对改善的质量和效率有着重要的影响在中国音乐教育,改革当前的学校音乐教育模式,发展社会音乐教育,实现音乐教育和终身教育。
1。介绍
网络和多媒体技术的进步和发展为教育改革和发展提供了新的支持,以及新的学习方式,即电子学习(1]。音乐课程受到了学生的欢迎,一般由学校和社会价值(2]。艺术教育是一个重要的方式来提供高质量的教育在学校3]。随着计算机的引入,传统教学中存在许多问题,如单一的教学模式,教学资源的缺乏,和枯燥的教学内容,正在解决。传统课堂教育是改变从原来的单一模式。特别是近年来,互联网技术的迅速发展丰富和多样化的最初的基于B / S模式的在线教育模型,人们逐渐接受了通过互联网方式完成各种学习任务。它已经改变了内容、教育学、教学方法和教学模式教学。
根据现阶段中国学校音乐课程的建设,是否显式或隐式在线音乐资源,真正的音乐资源可以开发和用来促进学生的和谐发展身心,以及作为音乐教学资源。RNN展品极其复杂的动态行为,因为它完全互连结构。神经网络(4- - - - - -6]有良好的容错性,学习、适应能力、联想记忆和并行处理信息。RNNs超越传统的教育模式,相比传统模式。语音识别、视频动作分析、图像识别(7- - - - - -9),和信号分类(10,11)都与RNNs成功应用练习。
在中国教育技术的进步,网络技术的快速发展12),和各种学科的多元化的教育改革需要,将传统学科与现代网络技术相结合,是非常合理的。电算化后的音乐教学资源、教学资源正在迅速在网络上传播利用计算机技术和互联网,使学生更容易获得音乐教学资源和知识13]。学习将不再受地理和时间,,越来越多的学生将受益于教育信息化(14]。更多的音乐教室是多媒体教学系统的出现,和更多的音乐教师利用互联网访问教科书和课程生产材料(15]。利用的最终目标网络音乐资源的好处和明智地整合和分配音乐教学资源是丰富学校音乐教室。论文的RNN-based音乐教学系统可以应用于音乐教育,让学生建立一个全面的音乐学习平台通过定期学习,作业练习,和信息通知功能。音乐学习环境改善学习效果,改变以前的模式只学习而不是在互联网上练习。以下是本文的创新点:(1)运用建构主义理论作为指导依据课程开发和设计,该系统是用来把RNN与音乐学科教学和学习。(2)这是一个试图教通过这个主题资源的建议。一个解决方案来满足对教学资源的需求建议是设计和实现基于教学资源的特点推荐教学援助体系和成熟的技术现有的推荐系统。(3)在教育学领域,RNN的发现使电脑接受教育和提高智力,RNN的研究成果应用到教育和教学过程提高教育效率,促进教育者的创新思维,并生成新的教学模式。
2。相关工作
2.1。音乐教学资源建设
学习资源是网络教学的基础。网络教育的发展趋势是整合和分类各种优秀的学习资源创建一个图书馆教学资源。由于音乐教学助理系统,学生可以选择时间,地方,学习内容以适合他们的情况。通过教学平台,它提供专业支持教学和学习在音乐业务和提供了极大的方便远程学生通过手机网络。这种多元化的学习方式不仅满足正常的课堂学习,也可以让学生完成练习或考试操作平台,使学习更有效。因此,研究音乐教学资源的建设迫在眉睫。
关、张已经成功地推出了Moodle平台。开发基于先进的教学理念,它提供了一个免费的模块化网络课程平台操作简单和易于使用的实际应用。其开放性、灵活性、交互性和许多其他优势获得了全世界的认可。它已经收到了很多的关注和主要研究人员的兴趣和教授(16]。元还开发了许多类似的在线学习服务系统。基本的设计模型是相同的,即,the full use of computer multimedia technology to impart knowledge to learners through video and audio [17]。左和贾音乐教育的内容分为四个方面:感觉和欣赏,性能、成分、音乐与相关文化。一方面,原课程的知识空间面积扩展,并注入新的学习内容,另一方面,添加一个新的学习领域(18]。剑等人建立了一个付费的在线学习系统。通过支付购买学习资源,可以完成支付资源无限的时间。这种类型的学习已经成为一个有用的援助校园教育在某种程度上(19]。张黄和建立动态网络技术支持与网络信息的双向传输,它提供了一个强大的技术保证网络讨论,交流,互动,和音乐的学生和教练之间的合作20.]。
2.2。研究RNN
网络技术发展方向的宽带、高速、多媒体和网络教学已经渗透到世界的每一个角落的小说和方便的功能。的网络教学活动决定了在线教学平台的诞生,反过来促进了新的在线学习的学习方式。作为机器学习的一个重要分支,RNN可以应用于大量的人工智能应用程序场景。因此,nonindependence元素之间的输入和输出数据流建模。此外,更复杂的RNNs模型串行关系和时间依赖性的数据可以同时在多个维度。
斋藤等人开启了人工神经网络建模的研究的时代正式的数学描述的神经元网络的结构和显示单个神经元可以执行逻辑功能21]。刘黄提出了LSTM,成功地解决了泄漏梯度问题[22]。实验表明,LSTM不仅可以有效地解决梯度消失问题,但也很容易使用,逐渐变成了一个标准方法来处理梯度消失的问题。Lv等人认为,神经元之间的突触连接的强度是变量和神经元在此基础上,提出了一个学习的标准,为神经网络学习算法(奠定了基础23]。Benrabah等人提出了一个在线学习资源推荐系统,记录显式反馈用户建议内容和隐式反馈推荐用户的浏览行为传达的内容(24]。夏和燕创造了一种不同类型的学习神经网络处理单元,自适应线性元件,同时也发现了一个强大的学习规则,通常被称为Widrow-Hoff学习规则(25]。
神经网络已经在着手一个稳定的发展道路,以及各种神经网络的理论模型和学习算法提出了一个接一个,在生物医学和其他领域的进展有前途。
3所示。构建音乐教学的概念来源RNN的基础上
3.1。教学资源库系统结构设计
任何软件或系统必须稳定,和良好的稳定性可以极大地改善用户体验26]。该系统是建立在Java EE框架,和客户端上运行Android。系统分为三层:提供可维护性和可扩展性功能表示层、业务逻辑层和数据层。学生可以很容易地请求网络学习服务,根据他们的具体需求,以及整个服务交付过程是自动的。重量和校正阈值计算公式如下:
系统的适用范围主要是音乐课堂教学,专业要求应用程序场景的主题音乐本身就是注重感官体验和质量(27]。统一客户端简化了系统的开发、维护和使用通过集中核心系统功能的具体实现在服务器上。音乐教学系统的体系结构如图1。
教学资源数据库系统的结构设计如图2。
首先,数据引导层提供数据访问接口系统和相应的数据操作与数据库平台、数据库和系统使用一个SQL Server数据库与数据库访问接口中定义的系统数据层。在开发和设计系统时,必须注意扩展其功能的深度和广度,这样整个系统满足需求的课程设计,同时提供一个有效基线和价值的课程(28]。除了学习不确定和不精确的知识表示形式,不精确推理方法计算每个神经元的输出应该探索在网络的隐层和输出层。
传统的方法是使用距离的测量,表达了在大多数情况下,作为一个平方的总和(SSE)错误。上交所定义如下:
- - -数量的集群。
- - -类。 ——样品的数量。
- - -中心点。
- - -集群样本。
当用户访问一个教学资源的详细页面,推荐系统推荐教学资源,类似于当前资源和感兴趣的可能是他基于当前访问的资源和用户的习惯性的记录(29日]。所有单位在一组网络单位互相竞争的能力应对外部刺激模式,和单位赢得竞争抑制单位失去了竞争的反应刺激模式。学习者的历史学习的潜力表示记录提取,考虑学习者的特点,以生成最终的推荐结果为目标的学习者。
第二,业务逻辑层是用于定义系统的操作规程。业务逻辑层是系统在服务器端,用于定义系统的业务逻辑。由于应用程序逻辑是在中央服务器上,用户可以使用不同的硬件,包括数据库系统、网络操作系统,等等。只有一个浏览器需要安装在客户端,和浏览器通过网络交流信息与数据库服务器。隐士阶段的三层系统中的节点并不是任意选择;在此系统中,数值中的节点数量出入境层可以确定,在隐士阶段和节点的数量可以根据经验公式:
神经元的信息传递过程有一个时间差,这意味着网络模型必须与神经元的状态随着时间的推移,它反映神经元本身的属性(30.]。RNN-based音乐教学资源整合背后的主要思想是用一个图像采集装置采集数百图片来自20个常用Arduino设备来创建图像数组数据。后,图像数据用于训练卷积神经网络模型,然后使用它来分类和识别Arduino设备生成测量设备类别。最后,功能演示水平之间的接口系统的操作用户和系统,可接受来自用户的输入,把输入或选择操作项目从客户机到服务器,并显示服务器上的处理结果:
最后,函数表示层是系统操作用户和系统之间的接口,可以接受来自用户操作输入,提交输入或选择操作项目从客户端到服务器端,并显示在服务器端处理结果在同一时间。其主要职责是计划,组装和调试系统的。教师可以使用网上教学资源的库来帮助他们准备课程,从寻找最新的参考资料主题搜索各种教学媒体与教学内容相关的材料和使用集成的在线备课系统和工具并创建定制教材课程的教学设计。训练样本的数据添加到网络的输入,和预期的输出相比,网络的输出得到误差信号,控制调整权重的连接强度和收敛于一个明确的重量经过几次训练。
3.2。教学资源数据库系统的功能模块设计
网络教学资源数据库的功能确定网络教学资源数据库的结构,进而决定了网络教学资源的设计和开发。网络教学资源数据库系统将整个系统划分为几个基本功能模块,每个模块为学生和教师提供不同的服务,如登录和注册模块,教师空间模块,问答模块、新闻公告模块、后台管理模块(人事管理模块),等等。每个部分都有不同的功能。如果隐层中的节点可以自由地根据需要,设置前进的三层神经网络可以用来实现与任何逼近任何连续函数。让神经元的输出层神经元为层 下的神经元样本。
这个存储库管理系统主要由三大功能模块,即资源查询模块、资源上传模块,和一个资源下载模块。库服务的工作流系统如图3。
首先,资源查询模块必须包含布尔查询功能,关系查询,精确查询,和近似查询。网上教学资源图书馆系统与访问权限控制是一个系统。因此,从操作系统的实用性主页和简单的系统程序,我们把首页的登录接口来完成,包括三位管理员的登录方法,老师,和学生会话。根据不同的用户类型,用户可以选择他们的登录方法。用户登录成功后,在顶部的搜索框输入关键字的页面,点击找到资源,和页面将返回所有的信息资源,包括关键字。训练样本的数量被定义为 ,神经网络的重量 。神经网络的训练函数均方的不同目标函数 。 在哪里α和β是正则化系数。
第二,资源上传模块必须远程提交的功能材料,通过互联网和远程用户可以提交材料。用户登录成功后,点击资源上传按钮进入资源上传页面,填写资源信息,上传文件上传本地资源文件到图书馆和发布后的主要用户进行审核和批准。在训练的过程中,卷积神经网络模型,图像转换成TFRecord文件的初始数据输入网络。学生基本的知识结构是评估前高级课程通过学生学习历史和知识测试。例如,学习数据结构需要精通离散数学和编程语言,以及霍普金斯计算:
在多媒体教学环境中配备了网络,教师可以调用各种媒体信息和从图书馆教材资源通过课堂教学应用系统,包括教材中存在的由教师和图书馆。它为学生创建一个多维的学习空间和多媒体优化组合教学提供了强有力的支持。因此,删除WME的开销是一个发现的开销内存比添加WME。和查找的开销记忆在这一点上如下:
在神经网络的电子电路,不可避免地有一个时间延迟由于有限的运算放大器的开关速度和信号传输距离。因此,卷积神经网络输出网络模型由多层卷积和池操作完成后图像数据处理。如测试结果精度值和错误描述的质量损失函数模型观察和分析通过比较实际输出的错误信息和所需的输出。我们这里使用的数据范围规范化,这是通过首先发现每个变量的范围,然后计算每个变量的意思如下:
最后,资源下载模块提供内容传输管理和支持媒体下载和上传等功能。用户登录成功后,点击资源链接进入资源详细信息页面,并点击下载按钮下载资源的场所学习和使用。面临的第一个问题在使用神经网络解决实际问题是如何确定神经网络的结构,它由两个主要的方面:神经网络的配置和最优隐层节点的数量。任何国家决定,只取决于当前的输入和前一步的网络状态;然而,这种隐藏的每一步的状态可以包含一个几乎任意大上下文窗口;这是可能的因为可以表示的状态数的大小是由隐层节点。
4所示。应用分析RNN的音乐教学资源建设
4.1。RNN的稳定性分析
通常只有一个平衡点线性系统在原点,但可能会有多个均衡点对于非线性系统,和平衡点并不总是在原点。学习算法是程序完成学习过程。它的功能是改变突触权重网络以有序的方式来达到预期的设计目标。虽然每个模块的操作的结果与参考结果在大多数情况下,当使用随机生成的值权重矩阵和向量来计算,个人价值观仍受制于大错误。网络输出之间的误差向量的数量和标准参考随周期为各种常见的参数设置,如图4和5。
首先,常见的方法是执行协调翻译转换的非零平衡点或执行协调翻译转换的非零解将非零平衡点的稳定性问题0到原点的稳定性问题。资源属性可以准确的标记,这将影响到资源检索和精度在使用整个资源管理系统在未来。在模拟的开始,可能会有问题和设计测试验证平台。我们应该先从一个简单的场景。这个阶段的模拟更像是一个反复核查验证平台和设计之间的过程。这个函数获取一个对象从威仕特软源插件在渲染之前,然后确定对象是否为空,只是如果是退出。这一过程持续进行直到输出数据值收敛和收敛于稳态或迭代的数量和模型训练完成后结束。
第二,因为平衡分前后两个系统翻译的两种坐标系统是等价的稳定性而言,所需要确定非零平衡点的稳定性特征的原始系统研究的稳定特征转换系统的平衡点在新的坐标系统,即。,原点。系统信息消息,像一些教学通知,有两个部分:基本信息及相关附件的信息,如在线浏览和查询信息和通知,以及后台数据维护。输入部分或控制整个网络的所有节点,并输入生成触发器,通过网络传播的加权连接。期间如果有任何问题或意外情况模拟,平台应该检查缺陷,设计的配置进行测试和数据激励应该检查合规,两者之间的功能实现是等价的,那么威仕特插件进入音频处理阶段。两个参数,inputBuffers outputBuffers,必须初始化之前这一阶段。
最后,因为任何系统可以执行上述坐标变换和前后平衡点的稳定性等价变换,我们假设系统的平衡点是坐标的原点在以下描述的稳定性问题。最简单的组合配置参数测试第一次当模拟和验证门控制模块使用完整的验证平台,和旅游数据激励也设置为一个固定值和写入生成的权重矩阵。系统考察了由用户提供的信息,并确定是否它是合法的。如果用户不是法律,它不存在;如果是,它仍然是决定用户是否已经在管理员表。他们不能读,如果他们已经被添加。广告是信息发布类,这是主类的信息和通知类的设计信息通知类。添加、修改、删除信息,并执行其他操作,相关信息类的属性和方法和通知信息类都继承自广告。
4.2。系统级验证神经网络的分析
因为学习者学习各种不同的学习资源在学习过程中,大量的学习对学习产生的关系。因此,根据模块级验证工作的要求,必须测试所有的功能模块在模块级仿真验证。
首先,数据的仿真操作围绕三个类:配置参数,权重矩阵,特征向量,因为系统级验证平台不引入新的类数据整合后每个模块级验证平台。中的延时可以被认为是一个函数,将输入向量映射到输出向量。这个函数的行为是由网络的连接权值。模型测试精度不高,容易摆动,错误损失函数不收敛,和权重不达到最优解,即使提取的特征可以表达一定程度的抽象。浮点数积累部分的引入,延长钻头的存储内存状态寄存器的宽度,和非线性函数的影响限制的范围值可以有效地抑制错误和与最终设计硬件油门踏板的实用价值。因为推荐列表的长度可以推荐性能有很大影响,本体+神经网络和协同过滤+本体作为RNN的评价指标,和二次误差的比较函数的三个图所示6。
其次,计算正式开始前,握手信号是通过外部端口,写入内存的每个控制模块通过控制器,然后在运行时控制模块端口读取它。固定的结构网络的方法,网络给了正确的应对其他的概率随机选择输入训练后。不断优化的网络模型参数通过不断迭代操作的主要任务是培训过程。动量词,一定多的体重变化在前面的步骤中,添加到重量更新规则,所以体重变化不仅受到当前梯度信息,而且与以前的体重变化。训练时间,与200年开战隐藏节点运行几乎同时与100年格勒乌隐藏节点。相比较而言,表1比较实验结果一开战,格勒乌。
线性运算的组合最终是线性的,这意味着一个多层感知器与多个线性隐藏层完全等价于一个单隐层的多层感知器。因此,在模块级验证,隐藏的问题在底层验证组件验证和修正,验证各种数据交互操作,模块级验证调试阶段系统是光滑的。模型精度变化不同迭代集合。8个数据集迭代时在1000年和8000年之间选择观察精度的变化。结果如表所示2。
随着网络中的迭代次数的变化,可以了解从RNN的系统测试精度的变化。顺序迭代数量的增加,系统的精度稳步增加,光滑精确地波动,平均精度为72%。因此,这个系统的稳定性很好。
优化措施的范围和计算精度定点数字设计中被移除,使用定点格式的整个过程进行了测试,结果是统计记录,取代较低的表示范围和较低的精度与多个数据格式。网络计算误差和推理精度不同的数值格式的数据所示7和8。
最后,当记忆细胞是集成到一个系统级验证平台,测序,作为验证组件和控制器不再需要在每个存储单元模块的输入数据端口,和相应的序列的记忆细胞不再是必需的。两个不同的细节在练习训练期间,由于陡峭的双曲正切函数曲线的一部分。构建实体和关系的嵌入,关系被认为是实体转换从头到尾的实体。网络接收解码器的输出结果,选定的候选人推荐的资源,通过双向格勒乌和用户实体表示层,两层神经网络,最后将softmax层。
5。结论
审美教育可以实现通过音乐教育是基础教育的重要组成部分。近年来,中国在发展中取得了显著进展在线音乐教育资源,并取得了明显成效。教学资源的积累,另一方面,是一个长期的过程,需要专业技术人员,以及教师和学生。然而,问题的“少数地区音乐教育资源网站和有限的报道”仍然存在发展的在线音乐教育资源。尽管RNNs等领域的广泛应用时间序列分析、系统识别、故障诊断,他们的反馈机制使他们能够处理动态数据直接反映信息系统的动态过程特征。为此,本文提出了一种RNN-based音乐教学资源的创建和应用方法,分析当前的问题和在音乐课堂教学过程的数字化和信息时代。音乐课堂教学资源系统经过比较分析当前流行音乐教学用具,并选择最合适的RNN实施基于系统的特点。本研究解决了系统对音乐课程发展的需要,意识到RNN的集成和音乐教学,作为模型的开发和应用音乐教学资源,激发音乐教育改革,并促进音乐教学的发展,以及整个教育的发展和意识形态。
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。