文摘
在当今时代,网络教学在大学英语教学中扮演一个重要组成部分。闻名的深入学习,模仿人类大脑的学习过程能力和获得的内部基本特征或规则的声音,视频,图像,和其他数据,可用于帮助和改善大学英语网络教学涉及广泛使用的数据。基于多层神经网络模型和组合k——聚类算法,本文设计一种深度学习的方法,可以用来帮助和改善大学英语网络教学。实验是为了测试这个深度学习方法的可靠性。结果表明,本文设计的优化算法,它可以调整学习速率,将改善公共概率梯度下降算法。除此之外,它是证明了CNN模型的深度学习的效率明显高于中长期规划的模型。这个深度学习方法的帮助下,它成为可行的应用技术与人工智能来帮助教师深入分析和诊断学生的英语学习行为,部分取代老师的回答学生的问题,并自动年级作业过程中大学英语网络教学。调查和考试然后进行评估的影响大学英语网络教学模式的应用基于深度学习学生的学习认知和学业成绩。结果表明,基于深度学习的大学英语网络教学模式能激发学生的学习动机,提高他们的学习成绩。
1。介绍
今天,信息技术的发展极大地影响高校教学和网络教学的方式已经成为不可或缺的一部分的教学课程。中国的大学英语教学也不例外。相关的研究到目前为止已经在很大程度上集中在如何选择和使用适当的网络教学平台和不同的网络教学模式开展大学英语网络教学的因素以及影响大学英语网络教学。
应该指出,在实施的过程中大学英语网络教学中,通常会有学习缺乏有效的监督机制,快速学习行为分析,以及相应的评估和反馈根据学生的个人特征,既困扰教师和学生。
为了提高大学英语网络教学的影响,许多研究人员转向人工智能技术。太阳等人利用决策树算法和神经网络开发英语教学评估的一个实现模型,帮助教师提高他们的教学和学生的英语成绩(1]。他们的研究结果证明有关人工智能技术可以发挥关键作用在提高在线英语教学。其中常见的人工智能技术,深度学习算法是非常强大的。本文集中于现有的神经网络算法的比较和分析,然后基于神经网络和聚类算法的结合,它试图设计一种深度学习的方法,将有助于提高大学英语网络教学。
本文的创新在于深度学习的设计方法,结合神经网络和聚类算法。这个深度学习方法的帮助下,它成为可行的应用技术与人工智能相关的深入分析和诊断学生的英语学习行为,部分取代老师的回答学生的问题,并自动年级作业过程中大学英语网络教学。
2。基于人工神经网络的学习方法和聚类算法
2.1。深入学习研究的现状
在过去的几年里,有一个大型研究活动深度学习的增长。豪等人提出了一个总体介绍深度学习神经网络,包括流行的建筑模型和训练算法(2]。由于数据量的增加和提高计算能力,神经网络更复杂的结构得到了广泛的关注和被应用于各个领域。大量的研究关注的是实际应用,并取得了丰富的研究成果。深入学习算法用于图像分析的研究,文本分析,语音识别,等等,许多现实生活中的问题提供解决方案。王等人回顾了转移的背景知识学习,各种策略用于执行转移学习,和学习转移是如何应用于不同领域的医学图像分析(3]。审查证明深度学习的最新进展,特别是转移学习进步,使它可以识别、分类,并量化从大量医学图像的特定模式。陆等人提出了一个Char-CNNS(与快捷键字符级卷积神经网络)模型是为了提供一种自动解决识别社交媒体中的文本是否包含网络欺凌的4]。Hourri等人提出了一种新的方法来提取说话人特征通过构造CNN过滤器与演讲者来帮助人们理解深度学习模型可以适应解决说话人识别的问题(5]。
深度学习也广泛应用于教育领域。在学校教育、如何监控班上学生的学习状态是一个重要的问题。深入学习算法已经被研究人员开发使用有效的方法来评估学生的学习状态和行为(6- - - - - -8]。相互作用的关键因素是教学和学习的成功。在自然语言生成和处理能力,深入学习算法被研究人员设计系统采用支持和激发学生的学习热情9]。此外,深度学习可以帮助学生基于网络的研究。史密斯等人进行了一次调查关于如何使它可以使用自然语言处理(NLP)算法来自动等级的推理问题的答案在基于web的电子书,目的是使阅读更吸引孩子,提高他们的理解10]。
2.2。人工神经网络
2.2.1。人工神经网络的概述
人工神经网络的研究始于1940年代,但在一开始,它的发展相对较慢(11]。在1980年代,Hopfield的影响下,他的相关研究成果,研究人工神经网络得到复兴。在过去的十年中,越来越多的进展在人工神经网络的研究工作。
人工神经网络(12)是现代神经科学研究的产物,其目的是模拟人类神经系统的方式存储和处理信息。它反映了大脑功能的一些基本特征。人工神经网络是一种算法的数学模型,在一个分布式和并行方式处理信息。这是一个非线性、自适应自组织系统,是由许多简单的处理单元组成的。它具有学习能力和模型非线性和复杂的关系。基于系统的复杂性,实现信息处理的目的通过调整大量的内部节点之间的关系。学习后最初的输入和它们之间的关系,它可以推断出无形的看不见的数据之间的关系,从而推广和预测未知数据。人工神经网络可以应用在许多领域,包括控制领域,心理领域、医学领域、教育领域、金融领域(13)、交通领域和信息领域。图1显示了人工神经网络的一些常见的应用。
2.2.2。人工神经元及其特点
人工神经元(14是人工神经网络的基本处理单元。一种类型的人工神经元模型如图2。它是由输入信号,重量、偏见,加法器,和激活函数。每个神经元都是一个信息处理单元具有多个输入但单一输出。输入信号一个y(y= 1,2,…n)收到其他神经元通过加权连接ωxy对应的重量yth的输入xth神经元,其价值还指示信号输入到输出的贡献。总输入值由神经元接收x将与神经元的阈值相比,其功能是调节激活函数的输入f(∙),然后处理神经元的激活函数来生成输出。
神经元的阈值是用θx。 ,也称为本地传感区域的神经元,是调整偏差的值。用在这里,偏见jx。ux是输入信号的输出线性组合后的净输入神经元吗x。神经元x图中所示2可以通过下面的方程来描述:
f(∙)是激活功能,bx神经元的输出是什么x。有很多种激活函数。在这里,介绍了三种常见的激活函数,即阈值函数、分段线性函数,和乙状结肠函数:(1)阈值函数: 阈值函数,如图3,通常称为阶跃函数。当神经元的输出是1或0,一个阶跃函数可以反映神经元的兴奋或抑制。(2)分段线性函数: 如图4,这种形式的分段线性函数可以被视为一个非线性函数的逼近。(3)乙状结肠功能:也被称为s形的函数年代函数,它是最常用的激活函数的人工神经网络。这是定义如下: 或者, 后者是如图5。
(一)
(b)
2.2.3。人工神经网络模型
作为神经网络的最基本单位,单个神经元相对简单的结构和功能。然而,人工神经元可以形成不同的人工神经网络模型通过改变神经元的连接方式和数量和层以不同的方式。换句话说,人工神经网络是由许多人工神经元和它有一个强大的信息处理能力。人工神经网络通常包括一个输入层、隐藏层和输出层。许多输入和输出之间的关系是非线性的,没有固定的关系是对数据。
有各种类型的人工神经网络模型,描述和模拟生物神经系统从不同角度不同层次。Schmidhuber总结一些常见类型的人工神经网络,包括前馈神经网络递归神经网络,卷积神经网络、双向递归神经网络,和深层信念网络(15]。由于网络的拓扑结构是神经网络的一个重要特征,已经受到了人们足够的重视前馈神经网络和反馈神经网络,两种常见类型的互联网络基于神经元的连接:(1)前馈神经网络:前馈神经网络的层次结构由多个层,和在同一层神经元彼此连接起来。前馈神经网络的信号一直向前传播,不会返回。对于任何连续函数在一个完整的空间,与单一神经网络隐层总是可以发现,这之间的区别,目标函数在任意点任意小。如图6,从一层到下一个神经元相连。W和V分别代表的重量的隐藏节点输入节点和输出节点。Y代表收敛后的输出值,X表示节点的输入值。没有在同一层神经元之间的联系。信号回路从输入层到输出层连接在一个方向上。除了输入层、隐藏层和输出层的神经元也意识到某些操作,和他们被称为计算节点。BP神经网络是一个典型的前馈神经网络。(2)反馈神经网络:反馈神经网络是神经网络的反馈回路拓扑。典型的反馈神经网络包括Hopfield网络、Elman网络,计算机网络模型,box-in-brain模式,双向联想记忆,等等16]。在反馈神经网络,多个神经元相互连接形成一个连接神经网络,和一些神经元的输出反馈给相同的层或上层神经元,如图7。
2.2.4。BP算法的推导
作为使用最广泛的算法模型,人工神经网络,BP神经网络模拟人脑神经元的反应过程的外部激励信号。BP神经网络建立了一个多层感知器模型,通过使用信号正向传播和误差的学习机制规定,它成功地构造一个智能网络模型,通过多次迭代学习处理非线性信息。网络的重量是根据偏差调整函数的样本训练误差的重量。网络错误如下:
其中,by是实际的输出yth节点和bty预期的输出yth输出节点。所有的节点之间的连接权值神经网络在向量形式表示 ,和权向量 是一个函数。误差函数的公式问每个梯度重量如下:
的误差函数问梯度下降的过程,就是发现的过程沿着表面最低点。一般来说,计算梯度值的估计偏差函数误差函数对每个重量。以3 - layer BP网络为例,根据误差计算公式(6),以及链式偏导数法,偏导数的计算公式连接的重量误差如下:
因此,错误的偏导数对示例如下:
,隐层的输出如下:
然后,输出的偏导数的隐层连接重量如下:
替代(9)和(11)到公式(8) 在哪里δcy输出的局部梯度层。
因此,当前的体重改变从输入层到隐层。
同样,当前体重改变隐层到输出层。
根据这个公式 变化的数量在每个重量可以获得。
2.3。的证明k——矩阵分解
影响集群和初始分布的数量,一个简单的计算算法必须适用于解决复杂问题的文章数据处理。聚类(17)将数据划分为不同的类别或集群基于相似性。聚合算法现在用于各个领域,发挥着重要的作用在心理学、社会科学,信息检索,模式识别,机器学习,数据,等。传统聚类算法通常分为网格聚类、层次聚类,聚类分区,密度聚类,聚类模型。每个集群类型可以分为不同类别根据算法的思想。根据传统的聚类算法通常用于数据挖掘的特点,本文将总结这些算法,分析算法的思想和性能特征。聚类算法可以发展成为各领域的基于大数据的背景。
的k——聚类算法(18)是最基本和最常用的聚类算法在机器学习。基本含义是,给定的数据集X∈R米∈分为子集C1,C2、…Ck,在那里k是聚类类别的数量。基本的数学公式k则算法如下:
在这里,一个y每个采样点和吗μx是集群中心。当一个y属于Gx,cxy= 1;否则,cxy= 0。
的证明矩阵分解的可能性k聚类算法则是一样的证明的目的功能k则可以分解成下一个矩阵形式。
一个是一个样本矩阵,每一列代表一个样本数据;米是一个群集中心矩阵,在哪里米y是yth列米代表一个集群中心。我们定义样本矩阵的每一列一个作为一个y;我们定义的2-norm一个的平方和的所有样本向量的长度,显示如下:
简化T1,T2,T3条件得到
在这里,nx是属于样品的数量xth类别。扩大等式的右边
它可以发现T4=T1和T5=T2。因此,我们只需要证明T3=T6,证明如下:
进一步推导可以得到:
可以看出的证明T3=T6建立,所以最后被证明是建立方程。
可以得出结论的证明过程:k则是一个解矩阵分解的过程。
3所示。深度学习测试实验基于神经网络和聚类算法
3.1。不同的学习速率对网络收敛的影响
为了研究不同的学习速率的影响在网络融合、三种不同的MLP网络学习参数用于培训。输出层神经元只有一个,没有激活函数。损失函数的均方误差。因为数据集非常吵,为了避免使用较少的神经元学习太多的噪音。成本函数的值是纵轴,和图8各种学习的收敛图利率通过两个实验。
(一)
(b)
通过分析图8,可以发现,当学习速率为0.02,该网络将Epock27附近收敛。如果学习加息和学习速率为0.25,网络的收敛速度将增加收敛Epock18附近。0.25网络学习速率明显高于0.02网络学习速率。这表明学习步长越大,更快的网络权重更新和最终的网络训练时间越快。学习速率上升到一定水平后,网络培训将振动和网络将成为nonconvergent。红色曲线如图所示,当网络学习速率是3,网络训练不能收敛。选择神经网络的学习速率是非常重要的。误差函数的空间分布有多个平地和最小间隔。而缩短网络训练过程所需的时间,最后的识别误差满足要求,因此设计一个可以调整学习速率的优化算法。通过这种方式,之前的概率梯度下降算法将得到改善。
3.2。每个隐层梯度变化在中长期规划和感知器训练
向MLP网络结构和改进SGD算法(19)用于MNIST数据集的参数训练,和最小的批处理梯度数据保存在每个小样本训练的过程。的梯度值的一部分隐藏层是代表。隐藏层梯度变化图形的数量与水平轴和垂直轴上的梯度值计算。图9是感知器训练的梯度变化的比较和中长期规划的培训。
(一)
(b)
梯度曲线的各种隐藏层的多层前馈网络图9的数值分布各种minbatch变得稀疏,各种样品的图层1的梯度值几乎相等。但是,第四层的不同样品的梯度值大。当实验误差小,有必要考虑改变在前面的隐层节点的数量。此外,MLP网络显然是更有效的比了解网络,并向MLP网络用于深度学习。
3.3。CNN和MLP网络性能分析
图10CNN模型的识别结果和模型的验证集和数据集。验证组和测试组每一个包含10000张图片。
(一)
(b)
本文中的延时模型和CNN模型被用来运行500时代,分别。观察表显示的识别率,CNN的识别率在最初几个时代迅速增加。随着时间的增加,认知的增长率也将增加。当CNN Epok5,测试精度达到98.30%。Epok15延时时,测试准确率仅为96.61%。CNN模型比模型有更好的学习效果。在CNN以来很少有可训练的参数,如果反过来,网络训练训练的速度会更快,网络的学习能力将得到改善,和性能也将得到改善。
3.4。增加体重的影响衰减项在CNN的泛化能力
为了减少网络的实力悬殊的现象,本节主要使用的方法增加体重衰减项L1优化网络参数。换句话说,加权衰减项添加到叉成本函数的公式,并提高网络的泛化通过调整不同的参数值的函数。如图11,本文用卷积网络结构(CNN1)设计3套不同的加权系数衰减控制,通过分析进行了大量实验完全连接层中的神经元节点的数量没有改变他们的重量。
通过以上三组实验中,我们发现第二组的实验效果略优于第一组的实验效果,但两组之间的差异并不明显,第三组的实验效果很好。平均识别率高于前两个,和速度快。模型相对较近的实验对验证集和测试集的影响,网络的泛化能力是相对强劲。
4所示。大学英语网络教学模式的调查和分析的基础上深入学习
4.1。基于深度学习的大学英语网络教学模式
大学英语网络教学的主要特征就是以学生为中心,充分考虑学生的需求,为他们提供方便和智能教学服务。因此,任何大学英语网络教学模式必须竭尽全力满足学生的个性化学习需求和提供反馈和评估他们的学习行为。自动作业校正的功能,在线问答,语音识别评估和数据收集和分析在学习过程中可以发挥重要作用在大学英语网络教学模式。这些功能的实现和优化与深度学习密切相关。深度学习方法聚类算法和神经网络相结合提出了可用于连续优化这些函数需要大学英语网络教学模式。
本文然后选择两类大学作为测试类和控制类,花了一个学期的大学英语网络教学模式两种两类,分别。测试类的大学英语网络教学模式基于深度学习应用,而在控制类,传统的大学英语网络教学模式被应用。之后,本文进行了问卷调查和考试测试的影响基于深度学习的大学英语网络教学模式对学生学习认知和学业成绩。
4.2。调查学生的学习认知
一个术语的研究之后,本文进行了问卷调查学生学习认知。共收集67份问卷测试类和64年在控制类。调查问卷的内容和结果如表所示1。从表中可以看出,学生在测试类中采用了基于深度学习大学英语网络教学模式,他们的数量选择C当他们回答六个问题的问卷远低于控制班的学生。绝大多数的学生在测试类往往有更好的理解他们为什么学习,学习什么,如何学习在一个术语的学习。结果表明,基于深度学习的大学英语网络教学模式可以对学生的学习产生积极的影响认知和激发他们的学习动机。
4.3。评价学生的学业成绩
在学期的结束,两类相同的考试,涉及四个部分,听力,阅读,翻译,写作,来评估他们的学业成绩。相关的测试结果如表所示2。通过两个类的测试结果分析,可以得出的结论是,平均而言,测试类的学生表现更好的听力考试,阅读,翻译,写作比在其他类中。此外,拿到了最高分的学生考试的听力,阅读,翻译,写作都是测试类。这表明基于深度学习的大学英语网络教学模式能有效提高学生的学业成绩。
5。结论
为了提高大学英语网络教学,本文设计了一种在线深度学习方法的基础上,结合多层神经网络模型和k——聚类算法,可以用来帮助不断提高大学英语网络教学所必需的人工智能技术。实验是为了测试这个深度学习方法的可靠性。结果表明,本文设计的优化算法,它可以调整学习速率,将改善公共概率梯度下降算法。除此之外,它是证明了CNN模型的深度学习的效率明显高于中长期规划的模型。然后基于深度学习的大学英语网络教学模式在实践中应用。从调查的结果和考试的学生,发现学生收到了大学英语网络教学模式基于深度学习有更积极的态度对待学习和他们表现更好的听力在考试中,阅读,翻译,写作。换句话说,基于深度学习的大学英语网络教学模式能激发学生的学习动机,提高他们的学习成绩。
数据可用性
使用的实验数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称他们没有关于本研究的利益冲突。
确认
这项工作是支持的基金会从2020年内蒙古自治区的教育和科学研究在13日五年计划期间,“研究大学英语网络开放课程的建设下翻转课堂模式”(项目编号:NGJGH2020198);一个基金会从2021年问,包头医学院学习和练习程序,“研究大学英语网络开放课程资源的建设和应用基于自主学习”(项目编号:2021 bywwj-zc-18);和基金会从2020年包头医学院科研基金项目,“大学英语混合教学模式研究基于医学Humanism-Taking包头医学院为例”(项目编号:BYJJ-QWB 202019)。