人工智能視域下BP灰色神經(jīng)網(wǎng)絡(luò)助推智能教育

劉效含 李華

摘 要：隨著科學(xué)技術(shù)的迅速發(fā)展，在人工智能浪潮的沖擊和影響下，教育必將面臨一場(chǎng)深層次的變革。教育的發(fā)展離不開師資和學(xué)資，優(yōu)化教育資源是完善提高教育質(zhì)量的重中之重，智能教育必將是時(shí)代背景下教育發(fā)展所追逐的目標(biāo)。本文利用BP神經(jīng)網(wǎng)絡(luò)和灰色系統(tǒng)，建立了一個(gè)應(yīng)用于智能教育的BP-GM（1，1）預(yù)測(cè)模型，避免“一鍋端”式的教學(xué)，精準(zhǔn)預(yù)測(cè)學(xué)生的發(fā)展傾向，對(duì)學(xué)生進(jìn)行分層次的個(gè)性化培養(yǎng)。

關(guān)鍵詞：人工智能 灰色系統(tǒng) BP神經(jīng)網(wǎng)絡(luò) 智能教育

中圖分類號(hào)：TP319 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2018）08（b）-0005-02

隨著灰色神經(jīng)網(wǎng)絡(luò)為代表的機(jī)器學(xué)習(xí)算法在各個(gè)領(lǐng)域取得的成功，以及云計(jì)算、大數(shù)據(jù)等提供豐富而源源不斷的數(shù)據(jù)資源，人工智能正步入一個(gè)飛速發(fā)展的時(shí)期，且改變著各行各業(yè)，人工智能與教育的融合創(chuàng)新必將成為未來教育變革與發(fā)展的重要趨勢(shì)。在此形勢(shì)下，教育如何適應(yīng)智能時(shí)代的需求，乘智能時(shí)代之風(fēng)，利用智能技術(shù)推進(jìn)教學(xué)模式變革，成為世界各國政府面臨的重要挑戰(zhàn)。

1 精準(zhǔn)預(yù)測(cè)，避免“一鍋端”式的教學(xué)

在人工智能大數(shù)據(jù)的背景下創(chuàng)建智能教育，實(shí)施學(xué)生培養(yǎng)的個(gè)性化。例如，人工智能技術(shù)可根據(jù)學(xué)生的出勤率、考試成績以及金工實(shí)習(xí)成績等數(shù)據(jù)，如同量身定做一樣，為每一個(gè)學(xué)生預(yù)測(cè)其發(fā)展傾向，實(shí)現(xiàn)個(gè)性化、分層次培養(yǎng)。當(dāng)學(xué)生的特征不明確或效果不明顯時(shí)，人工智能還可通過改進(jìn)智能算法或優(yōu)化數(shù)據(jù)分析，基于各類知識(shí)庫進(jìn)行推理，實(shí)時(shí)反饋，從而不斷完善預(yù)測(cè)算法的相關(guān)系數(shù)，優(yōu)化預(yù)測(cè)模型，提高個(gè)性化預(yù)測(cè)的準(zhǔn)確性。

通過該預(yù)測(cè)系統(tǒng)可以及時(shí)掌握學(xué)生的狀態(tài)，提高教學(xué)質(zhì)量，在出現(xiàn)問題之前提前做好防范措施，避免由于“一鍋端”式的教學(xué)而導(dǎo)致人才損失或是問題學(xué)生的產(chǎn)生。

2 人工智能與智能教育技術(shù)框架

人工智能的實(shí)現(xiàn)主要依賴于3個(gè)核心要素：數(shù)據(jù)、算法、服務(wù)，其中數(shù)據(jù)是基礎(chǔ)，算法是核心，服務(wù)是目的。通過構(gòu)建“數(shù)據(jù)層”“算法層”“服務(wù)層”來完成整個(gè)通用技術(shù)框架。

（1）數(shù)據(jù)層。數(shù)據(jù)層也可稱之為數(shù)據(jù)庫，主要負(fù)責(zé)采集、整理、存儲(chǔ)有關(guān)學(xué)生各類教育方面的數(shù)據(jù)，它是作為整個(gè)系統(tǒng)的輸入端口，也是整個(gè)系統(tǒng)得以實(shí)現(xiàn)的基礎(chǔ)與根源。

（2）算法層。算法層是整個(gè)技術(shù)形態(tài)實(shí)現(xiàn)的核心。運(yùn)用各種算法對(duì)數(shù)據(jù)層的數(shù)據(jù)進(jìn)行運(yùn)算、分析，實(shí)現(xiàn)數(shù)據(jù)的智能化處理。

（3）服務(wù)層。服務(wù)層是是整個(gè)技術(shù)系統(tǒng)實(shí)現(xiàn)的最終功能的體現(xiàn)。它接受來自算法層的處理結(jié)果，并作為整個(gè)系統(tǒng)的輸出端口服務(wù)于教育的各個(gè)領(lǐng)域。

本文提出了一個(gè)基于BP灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的技術(shù)框架，如圖1所示。

3 基于BP神經(jīng)網(wǎng)絡(luò)的灰色系統(tǒng)的教學(xué)評(píng)價(jià)預(yù)測(cè)模型

3.1 灰色GM（1，1）預(yù)測(cè)模型

3.2 BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)處理信息是從已有的數(shù)據(jù)中自行歸納規(guī)則，獲得數(shù)據(jù)的某種內(nèi)在聯(lián)系，通過樣本信息對(duì)神經(jīng)網(wǎng)絡(luò)達(dá)到一個(gè)訓(xùn)練的作用，它具有良好的自學(xué)習(xí)、自適應(yīng)、聯(lián)想記憶、并行處理和非線性形轉(zhuǎn)換能力，特別適合于因果關(guān)系復(fù)雜的非確定性推理、判斷、識(shí)別和分類等問題[3]。

BP神經(jīng)網(wǎng)絡(luò)是基于誤差反向傳播（back propagation）算法的多層前饋網(wǎng)絡(luò)。它的學(xué)習(xí)過程由信號(hào)的正向傳播與誤差的逆向傳播兩個(gè)過程組成[4]。

3.3 BP-GM（1，1）預(yù)測(cè)模型的建立

（1）輸入原始數(shù)據(jù)資料。

（2）應(yīng)用灰色系統(tǒng)模型進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)序列；

（3）將預(yù)測(cè)值作為輸入量，原始數(shù)據(jù)作為期望值，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到相應(yīng)的權(quán)值和閥值；

（4）輸入需要預(yù)測(cè)的時(shí)間點(diǎn)，就可以獲得相當(dāng)精度的預(yù)測(cè)量。

4 結(jié)語

教育是一個(gè)非常復(fù)雜的體系，對(duì)學(xué)生的學(xué)習(xí)行為和狀況進(jìn)行科學(xué)合理的評(píng)價(jià)和精準(zhǔn)的預(yù)測(cè)，也是一項(xiàng)艱難的任務(wù)。但隨著人工智能帶來的信息化和智能化的理念和實(shí)現(xiàn)手段，為教育的快速發(fā)展提供了前所未有的便利。

本文在人工智能大時(shí)代背景下，應(yīng)用BP神將網(wǎng)絡(luò)與灰色系統(tǒng)構(gòu)建智能教育BP-GM（1，1）預(yù)測(cè)模型，通過該模型即可準(zhǔn)確的預(yù)測(cè)學(xué)生的發(fā)展方向，教師就可以根據(jù)學(xué)生特性進(jìn)行有目的培養(yǎng)，不至于造成師資、學(xué)資的浪費(fèi)，達(dá)到精準(zhǔn)預(yù)測(cè)，精準(zhǔn)培養(yǎng)的智能教育體系。

參考文獻(xiàn)

[1] 劉思峰，謝乃明.灰色系統(tǒng)理論及其應(yīng)用[M].北京：科學(xué)出版社，2013：1-2.

[2] Xiao Han Liu.A Novel Grey Forecasting Model with Rolling Mechanism using Taguchi-Based Differential Evolution Algorithm to Optimize the Bicycle Industry in China[J].Industrial Engineering & Management Syetems， 2018，17（1）：72-81.

[3] 劉中俠，蔣詩泉.基于灰色GM（1，1）和BP神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型及應(yīng)用[J].銅陵學(xué)院學(xué)報(bào)，2016，15（3）：102-104.

[4] 蔡自興，徐光祐.人工智能及其應(yīng)用[M].北京：清華大學(xué)出版社，2010：243.