文摘
在每个专业课程的在线教育平台的集成和教学知识体系,教学资源正在经历爆炸式增长,课堂教学逐渐由资源型指令所取代。在现代,优化、集成和网络教学资源的有效利用成为教育的核心问题。特别是,资源的分类和集成已成为教学工作的焦点。认知分层理论在认知领域教育目标分类、命令以科学的方式,为教师提供了重要的思想和基础实现在线和离线集成教学设计是以学生的习得的技能。介绍了自适应分类算法在线唱歌教学资源的目标细分,并在此基础上,网络资源分类和综合根据不同课程的特点,从而实现资源的有效利用,这是一个创新的歌唱道路资源分类和整合网络资源教学的新阶段。
1。介绍
考虑在中国歌剧演唱指令的当前状态,选择这个专业的学生人数在上升(1]。每个学生的声乐基础和学习能力不同,这就产生重大影响歌剧演唱教育者的正常的教学方法。很明显,传统的教学方法歌剧演唱再也不能满足新时代的需求。
自2013年以来,网络资源的开发平台等大规模网络公开课(蕴藏)加速,和在线教育平台的推出如国民素质课程,网上开放课程,大学网络公开课(UOOC)财团综合信息技术与教育教学以提高网络课程的质量,促进教育公平2]。看视频是为学生学习最重要的一个环节。不同的格式,讲座主题和媒体应用程序确定各种视频格式。
自网上资源平台社区鼓励社区成员自由创建、发布、共享知识资源,平台活动受到时间和空间的限制,它逐渐演变成一个巨大的动态知识吸收大量信息资源存储库和全球知识管理已经成为一个重要的位置,知识学习、知识共享和知识创新3]。然而,不断更新和扩大信息资源无疑将降低效率的用户定位他们需要的相关资源,防止学生发现和有效利用资源,加重了信息过载的问题。
因此,一个合理的描述、注释、组织和管理的社区知识资源可以增加用户社区信息检索和浏览的效率和促进知识的使用和共享4]。为此,本文采用自适应加权资讯算法合理分类歌剧演唱的资源数据资源的在线平台,为了进行比较分析不同类型的分类系统,目标是为相关科研人员和在线社区实践者提供全面了解当前的在线社区分类系统领域,从而协助研究人员识别最有效的分类系统。本文的目的是为研究人员和在线社区实践者提供一个全面了解当前网络社区的分类系统。此外,本文可以作为在线社区的基础开发人员构建一个分类系统,有利于改善和优化现有的分类系统以及新分类系统的设计和施工,以促进资源的描述和标签,在社区信息组织和知识发现。
本文的主要贡献如下。(1)一个k值自适应加权资讯摘要算法和该算法应用于分类歌剧演唱的在线资源,效果很好(5]。(2)考虑到样本数据的分布,本文实现的自适应价值k据当地密度的最近邻点的样本进行测试,避免了缺点的传统资讯的固定方法k值,使最近邻点的数量的选择更加合理。(3)案例研究表明,该方法可以弥补传统的缺陷资讯由自适应算法的价值k时,考虑到样本分布权重,利用三比值法更高的准确度与修改(5),反向传播神经网络(摘要)6),支持向量机(SVM) [7),和传统的资讯分类器。
第一章,介绍,包含一个描述的目的,重要性,这项工作的贡献。论文的第二章的相关工作提供了一个早期作品的介绍和总结。第三章,使用的方法的方法,提供了一个详细的解释。实验结果和分析该方法的优越性在第四章的介绍。结论,总结了本文的工作,并讨论其缺陷和未来的发展方向,最后一章。
2。相关工作
2.1。教学资源歌剧演唱
在线资源的价值评估必须基于是否有助于学生的成长。由于每个学生的个性和多样性,距离在线资源必须使用有效的教学和学习,促进个性化学习的终极目标。考虑到他们的个体差异,学生应该寻找学习资源匹配他们的特点8]。教学和学习资源应该分类根据以下原则,根据学生的需求:(1)根据需要分类。不同的学习目的产生不同的学习需求。学生短期学习需要考试的目的,需要对知识探索的个人利益,同时也希望教学资源可以帮助提高他们的专业能力。(2)设计一个索引的问题最有效的歌剧演唱学习阶段,学习libretto-based或情绪化。是设置的问题科学教学资源?设置场景应该开放和扩散,以促进学生的模仿和学习。(3)更高层次的教育素养在舞台上唱歌是指内部心理素质和外部形式,声音,和其他一些专业素质,能够适应影视艺术创作的要求,如观察、想象,焦点,感知、判断,和表达式。教师的行为,举止,讲话会给学生留下视觉的印象通过视频图像,可以多次观看。至关重要的是要掌握特定的镜头技巧,不断注意提高阶段,塑造正面形象的照片,发现自己的潜力,学习者和展示他们最好的一面。
2.2。在线资源平台分类
2.2.1。资源的分类方法
分类方法通常是基于学科集群,和知识的层次划分类别是基于学科的性质和逻辑层,从而达到信息的有序组织。编制、修订和维护都是由专业技术人员和情报领域的图书馆。分类法强调系统性和有一个稳定的分层分类方案。严格的信仰或类别之间的并行性可以引导用户独立扩大或缩小搜索资源的范围,从而提高搜索速度和精度9]。
主题的方法,基于学科分类方法相比,面向对象,以对象的主题。这是一个方法,使用主题的单词表达文档的内容作为搜索的特点,马克和组织的文档根据词序马克(10]。与自然语言,缺乏词汇控制,这个话题单词列表是严格定义的集合和组织规范主题的话,促进严格和标准分类系统的发展。
2.2.2。用户分类
分类方法通常是基于学科集群,和知识的层次划分类别是基于学科的性质和逻辑层,从而达到信息的有序组织。编制、修订和维护都是由专业技术人员和情报领域的图书馆。分类法强调系统性和有一个稳定的分层分类方案。严格的信仰或类别之间的并行性可以引导用户独立扩大或缩小搜索资源的范围,从而提高搜索速度和精度9]。
主题的方法,基于学科分类方法相比,面向对象,以对象的主题。这是一个方法,使用主题的单词表达文档的内容作为搜索的特点,马克和组织的文档根据词序马克(10]。与自然语言,缺乏词汇控制,这个话题单词列表是严格定义的集合和组织规范主题的话,促进严格和标准分类系统的发展。
2.3。然而,聚类
2.3.1。然而,传统算法
的K最近邻算法(资讯)(11)是一个简单而经典的机器学习分类方法。样品进行分类通过测量的距离(通常使用欧氏距离)或样本之间的相似性分类和已知类的样本。描述的算法步骤如下:(1)所有采样点采样点之间的距离计算使用欧氏距离[12),这是由以下公式: 在哪里d(x,y)是样本之间的距离x和样本y;n是功能维度。(2)样品都逐步根据计算欧氏距离大小排序。如果距离越小,相似度越高。(3)选择第一个k最近邻样本点。(4)数的数量k最近邻样本点属于每个类别。(5)用投票的方法和少数民族统治的原则,类别之间的最高频率k相邻采样点作为预测样本点的类别。
可以看出,只有一个hyperparameterk然而,算法,确定的k价值在预测结果中扮演着关键角色的资讯算法。K值太小,容易导致过度拟合的资讯算法;k值太大,最近邻算法的误差会很大,和underfitting很容易发生。此外,当数据样本不平衡,然而,方法的预测结果将偏向于样本数量占统治地位的阶级,和稀有类的预测精度较低。
3所示。方法
为了适应k资讯中的值算法的数据分布,并考虑每个最近邻分类的重要性,本文自适应的k值根据本地数据密度和结合了欧几里得距离和重量分布相似,每一个最近邻为了使最终的分类结果更加合理。
3.1。异常值检测
由于资讯的分类算法是基于最近的邻居的类的样本来衡量,如果最近的邻居包含异常值数据,它将影响结果。因此,有必要进行孤立点检测的样本数据,消除明显异常的样本,减少干扰的分类结果。在这篇文章中,我们检测异常样本通过计算每个采样点的局部异常因素(13),基本原则如下。
我们之间的距离p和k最近邻数据集是 ,并建立最近邻合奏的点p基于这个距离;也就是说,所有数据点之间的距离和点≤ ,和被称为距离附近的点 ,表示为
在方程(2), 数据点之间的距离吗和问。如果 > ,点之间的距离和点问被定义为( ,问);如果( ,问)≤ ,被定义为可及的距离 ,也就是说,
当地可获得的密度计算基于数据点的可及的距离和用作数据点的相对密度,和当地可获得的密度计算根据以下方程:
在方程(4),表示本地可及点的密度 。更大的价值,大点的可能性是同样的点作为近邻;相反,大点的可能性是一个例外。
进一步表达点的可能性的集群中,定义局部异常因素 ,这是当地可及密度的比值的平均值的k距离附近的点当地可及点的密度 。
如果该值接近1,这意味着点的密度p类似于其相邻点;如果该值小于1,这意味着密度点p大于相邻点的密度;如果该值大于1,这意味着密度点p小于相邻点的密度;值越大,可能性就越大p是一个例外。
3.2。自适应K基于局部密度值
解决的缺点k传统资讯的价值的方法是固定的,不能适应数据分布,本文选择k基于数据的局部密度值来实现自适应值。为了便于分类,k值通常被认为是一个奇数,和它的范围仅限于区间[14),以防止干扰最近邻和减少计算复杂度。
让k代表样本的数量最近的邻居,表示样本之间的距离和kth最近邻样本,样本局部密度定义为单位面积上的最近邻样本的数量。
的价值k是在一个有限的时间间隔,当地的记录密度的大小不同k值。如果密度更大,这意味着k价值是更可信,最后,k价值密度最大时的数量最近的邻居k样本点的测试。
3.3。加权资讯
加权资讯算法是基于数理统计的分类方法9]。让 是一个训练集组成的n样品(15习),每个样本有一个已知类的身份 , 。 是要测试的样本,它的类是被测试。加权资讯分类的基本思想是,对于一个给定的测试样本 ,找到自己的k最近的邻居在训练集和确定分类属性测试的样品通过投票分类的属性k最近的邻居: 在哪里分类测试样本的概率是李, 错误分类属性引起的李吗lj和加权资讯集
加权资讯实现分类的具体步骤如下:(1)对于测试样本 ,计算距离 之间的每个训练样本(16)使用欧氏距离公式: 找到k+ 1最近邻样本 ,k+ 1的从训练集X根据大小的距离。(2)从k+ 1最近邻样本,选择样本的最大距离作为 ,和相应的距离 ,和使用 规范化的距离k最近邻样本(17]: (3)的归一化距离 ,使用高斯核函数将其转换为相同的概率的和 ,也就是说, (4)基于相似种类的概率的与k最近邻样本,找到后验概率的作为一个类别 ,也就是说,
加权资讯的方法还没有计算的精确分类属性值但给最可能的分类属性值,也就是说, 在哪里表示的分类结果相对应的加权资讯法测试样品 。
加权资讯分配不同的权重,根据最近邻样本之间的相似性每个最近邻样本和测试样本,以便测试样本的分类结果更接近相似性较高的训练样本(18]。这进一步削弱了k值的灵敏度选择和加强分类结果的鲁棒性。
3.4。资源分类的步骤
的k值自适应加权资讯方法提出了歌剧演唱的分类中使用资源来建立一个分类模型,具体步骤如下。(1)收集资源示例数据和原始数据规范化的对数变换方法根据方程,然后,随机分成训练样本集和测试样本集的比例根据3:1(2)执行异常值检测规范化训练样本数据,并消除明显异常的样本(3)自适应的k据当地样本的密度值(4)考虑每一个最近邻点之间的距离和样品测试,以及测试样本之间的关系和最近邻点的分布,并计算最近邻点的权重(5)计算每个最近邻点的类别的样本点进行测试,计算每个类别的总重量的最近邻点,和要测试的样本分类的原则最大重量(19]
4所示。实验结果和分析
4.1。数据集
在本文中,我们选择452歌剧演唱课程资源在网上在线平台作为课程评价样本数据和分析他们以及资源视频帧的数量,我们把数据分为训练集,测试集和验证集的比例300:100:52。表1显示资源框架和资源的数量评估我们的课程资源。
4.2。数据预处理
由于变压器数据值分布广泛,甚至大小明显不同,原始数据通常预处理来消除过多的数据值的差异,影响模型的稳定性和收敛性。常用的数据预处理方法是离群值正常化(MMN) [20.)、标准差标准化(ZSN)和逆正切函数变换(每股),等等。
MMN和ZSN线性扩展原始数据预处理技术适合在指定空间。然而,线性方法不能减少数量级差异数据,通常分别映射每个特性而不考虑水平特性之间的联系,导致的损失从原始数据有价值的信息。数据分布不均匀。上述分析表明,上述方法都不适合变压器故障数据与数据分布不均和宽值分布。
log-transform方法可以减少原始数据的数量级的差异,使数据分布更加紧凑,而其整体映射的数据可以保存数据特征相当不错(21]。在本文中,我们使用log-transform预处理数据使用下面的方程,和表2比较预处理和unpreprocessed数据100年之后重复相同的训练。
4.3。离群值被拒绝
异常检测是进行类别的训练样本,并局部离群值的分布如图1。
如图1,我们可以看到,当地的离群值的采样点值通常大约10波动,但波动更多一些“异常值”,所以我们取15的阈值来消除原始数据10“局外人”,即。,离群值。
如图2,可以看出,大部分的排除异常值显然是离群值,以及他们消除有利于最终的分类工作。
4.4。比较不同的分类算法
在本文中,我们比较传统的资讯,支持向量机,我们的加权资讯自适应分类算法使用相同的数据实验和统计分析实验结果。分类器的精度和F1值计算测试集,并计算结果表进行组织3。ROC曲线和AUC值为每个模型如图3。
作为显示在图4三种主要的分类器,集成模型表现。准确性和F1指标的值大于其他分类器,和准确率超过90%,表明该模型提高了分类性能和较强的分类能力。分类模型在本文中实现基于加权资讯的分类算法是可行的和有效的歌剧演唱的资源,它可以得出结论。
如图3、加权资讯meta-classifier AUC的0.94,也高于其他meta-classifiers。从最高到最低的分类性能,其他三个算法加权资讯>资讯> SVM。
4.5。烧蚀研究
我们比较我们使用的所有方法的影响对整个实验结果。
4.5.1。处理实验数据
我们比较和分析分配比的影响最终结果的训练集和测试数据集,我们做一个比较消融实验有或没有设置验证设置,如表所示4。
4.5.2。处理实验数据
我们做了烧蚀试验的主成分分析和离群值删除数据预处理环节,指出这个会话使用的训练和测试数据集3:1比例,我们使用了验证数据集,最终结果如表所示5,表明这两种方法的使用在数据预处理阶段也是有用的结果。
5。结论
在这篇文章中,我们收集在线歌剧演唱教学资源对当前网络教学平台,采用自适应加权资讯分类算法,并引入一种自适应分类算法细分在线唱歌教学资源目标以实现个性化的利用教学资源为材料和个性化的教学。
由于数据收集和研究时间有限,本文包含一些问题在未来将需要额外的工作。(1)由于限制,本文只分析了基于在线资源发现算法的性能,和培训结果可能不是准确由于有限的资源。下一步将增加用于训练模型的数据量,以提高分类精度。(2)本文介绍了一种自适应分类算法细分在线唱歌教学资源的目标,和分类的标准只是基于在线评估和评估,如果评估标准的变化,必须修改模型进行训练,所以一个公平和通用评价标准必须确定(22- - - - - -27]。
数据可用性
使用的数据来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。