[发明专利]一种基于神经网络算法的英语学习动机调控方法

权利要求书

1.一种基于神经网络算法的英语学习动机调控方法，其特征在于，包括如下步骤：

S1：利用层次分析法对影响因素进行判别加权；包括构建由目标层、准则层和方案层所构成的层次分析结构模型、构建判断矩阵、计算各层级权重以及一致性检验；

S2：K-means聚类算法对影响因素进行聚类分析；

S3：K-means聚类算法进行对不同学习动机人群进行聚类；

S4：建立神经网络模型；

S5：针对英语学习动机提高成果给出检测方案；

S6：灰色综合评价法对加权后的两个动机因素进行分析。

2.根据权利要求1所述的一种基于神经网络算法的英语学习动机调控方法，其特征在于：所述构建由目标层、准则层和方案层所构成的层次分析结构模型：针对目标问题分析可能涉及的因素，基于这些因素的内部关系，设计构造出各因素之间相互连接的阶梯状层次结构，由高到低依次是目标层、准则层和方案层；

所述构建判断矩阵：依据构建的阶梯型层次结构，对于每个单层次结构，将目标因素记为O,与其相关的影响因素指标P₁,P₂,…,P_n有支配关系，接下来将这些因素两两对比，进一步探究各因素指标P_i对P_j的影响程度，然后选取数字1～9及其倒数作为衡量影响程度的标度，构建出判断矩阵C；

所述计算各层级权重：根据上一步建立的矩阵C来对各因素影响程度的权重进一步计算；得出矩阵C的最大特征根λ_max以及经过归一化处理的特征向量因而，只需对最大特征根方程求解即可:CW＝λ_maxW,然后对W做归一化处理，将归一化的特征向量作为本层次影响因素P₁,P₂,…,P_n对于目标因素O的权重；

所述一致性检验：对矩阵进行一致性检验，通过计算一致性指标来测量成对比较矩阵一致性是最直接有效的方法；若CR值小于或等于0.1,就说明比较矩阵一致性是合理的；但是如果CR值在0.1之上且不包含0.1,就需要对比较矩阵做进一步修正；Cl＝(λ_max-n)/(n-1),CR＝Cl/RI,其中，RI值为平均随机一致性指标，共涉及11阶矩阵。

3.根据权利要求1所述的一种基于神经网络算法的英语学习动机调控方法，其特征在于：所述步骤S2中，K-means算法是一种有效的聚类划分方法,其主要思想是：在给定K值和初始笶中心的情况下，把数据对象划分到距离其最近的簇中心所代表的类笶中，所有数据对象分配完成之后，根据一个笶内的所有数据对象重新计算该类簇的中心，然后再迭代进行分配和更新簇内中心的步骤，直至笶内中心点的变化很小，或者达到指定的迭代次数；

假定D＝{X₁,X₂,X₃,…,X_n}是具有n个数据对象集合，其中每个数据对象都具有m个维度的属性；K-means算法就是以欧式距离作为衡量数据对象间相似度的指标，将数据样本D中n个数据对象依据数据对象之间相似性划分到k个类簇C₁,C₂,C₃,…,C_k中，其中1≤k≤n；集合中每个对象都划分到与其距离最近的簇内中心所在的类簇中。