[发明专利]一种基于神经网络的智能实验过程推荐方法及系统

说明书

本发明提出了一种基于神经网络的智能实验过程推荐方法及系统，将学生成绩和学生历史实验课程中每个实验的完成时间输入神经网络模型，通过SGD以及BP算法对神经网络模型进行训练以得到学生实验用时预测模型，通过学生实验用时预测模型对学生当前实验课程的实验用时进行预测，以对不同的学生推荐合适的实验内容，弥补了传统实验分配方式均衡性不足的缺陷，实现了学生实验的个性化定制，不同学生可以依据各自学习情况获得符合当前自身状况的实验内容，从而提升了部分学生实验课程的饱和度，也让部分学习能够依据自身状况保持学习热情。

技术领域

本发明涉及网络教学技术领域，尤其涉及一种基于神经网络的智能实验过程推荐方法及系统。

背景技术

在传统的学生网络实验过程中，每一节实验课程的内容通常由教师统一确定，所有学生需要在一节实验课中完成相同数量的实验，这会造成学习能力优秀的学生在一节实验课限定的时间内提前完成指定数量的实验后剩余部分时间，而学习能力较弱的学生则无法完成全部数量的实验。久而久之，部分学生浪费了大量空闲时间，部分学生每次无法完成指定的实验内容导致丧失学习兴趣，无法提高学习成绩。也就是说，传统的学生网络实验分配方式无法根据学生成绩为每个学生分配合适的实验数量，无法做到因材施教。

发明内容

有鉴于此，一方面，本发明提出了一种基于神经网络的智能实验过程推荐方法，以解决传统的学生网络实验分配方式无法根据学生成绩为每个学生分配合适实验数量的问题。

本发明的技术方案是这样实现的：一种基于神经网络的智能实验过程推荐方法，包括：

获取学生的综合评价数据和学生历史实验课程中每个实验的完成时间；

构建关于所述综合评价数据和所述完成时间的数据样本，从所述数据样本中提取训练样本和测试样本；

构建神经网络模型；

将所述训练样本输入所述神经网络模型，通过SGD以及BP算法对所述网络模型进行训练，得到学生实验用时预测模型；

将所述测试样本输入所述学生实验用时预测模型进行测试；

获取学生上次实验课程的最后一个实验记录，根据所述学生实验用时预测模型对所述最后一个实验后的实验用时依次进行预测；

依次累计所述最后一个实验后每个实验的预测实验用时，若所述最后一个实验后的第N个实验处的累计预测用时超出当前实验课程的限定时间，且所述最后一个实验后的第N-1个实验处的累计预测用时小于所述限定时间，则将所述最后一个实验后的N-1个实验推荐给学生。

可选的，所述综合评价数据包括平时作业成绩、平时作业难度、平时考勤成绩、平时测试成绩、平时测试难度、学习态度评价等级、学生层次评价等级。

可选的，所述综合评价数据还包括学生类别、课程类别、学期类别、班级类别，所述学生类别包括本科生或专科生，所述课程类别包括必修课或选修课，所述学期类别大一学期或大二学期，所述班级类别包括特色班或普通班。

可选的，所述平时作业成绩、所述平时测试成绩经过标准化处理，所述平时作业难度、所述平时考勤成绩、所述平时测试难度经过归一化处理。

可选的，所述构建神经网络模型，包括：

初始化神经网络并定义隐藏层单元个数，指定输入大小；

使用ReLU激活函数，定义一Dropout层，指定丢弃10％的神经元；

定义神经网络的输出层，指定输入层的神经元个数为1并指定使用sigmoid作为激活函数。

可选的，将所述训练样本输入所述神经网络模型，通过SGD以及BP算法对所述网络模型进行训练，得到学生实验用时预测模型，包括：