[发明专利]一种基于互联网的高等数学综合教学交互系统及交互方法

权利要求书

1.一种基于互联网的高等数学综合教学交互系统，其特征在于，所述基于互联网的高等数学综合教学交互系统包括：

用户登录模块、权限管理模块、中央控制模块、知识点查询模块、公式检测模块、在线测试模块、批改模块、评价模块；

用户登录模块，与中央控制模块连接，用于学生用户和教师用户进行登录操作；

权限管理模块，与中央控制模块连接，用于分配管理学生和教师不同的账号权限；

中央控制模块，与用户登录模块、权限管理模块、知识点查询模块、公式检测模块、在线测试模块、批改模块、评价模块连接，用于控制各个模块正常工作；

知识点查询模块，与中央控制模块连接，用于查询高等数学知识点；

公式检测模块，与中央控制模块连接，用于检测识别图像中的数学公式操作；

在线测试模块，与中央控制模块连接，用于在线对学生进行高数知识测试；

批改模块，与中央控制模块连接，用于自动对学生高数测试进行批改；

评价模块，与中央控制模块连接，用于对学生和教学进行综合评分。

2.一种如权利要求1所述的基于互联网的高等数学综合教学交互方法，其特征在于，所述基于互联网的高等数学综合教学交互方法包括以下步骤：

步骤一，通过用户登录模块使学生用户和教师用户进行登录操作；通过权限管理模块分配管理学生和教师不同的账号权限；

步骤二，中央控制模块调度知识点查询模块查询高等数学知识点；

步骤三，通过公式检测模块检测识别图像中的数学公式操作；通过在线测试模块在线对学生进行高数知识测试；

步骤四，通过批改模块自动对学生高数测试进行批改；

步骤五，通过评价模块对学生和教学进行综合评分。

3.如权利要求1所述的基于互联网的高等数学综合教学交互系统，其特征在于，所述公式检测模块检测方法如下：

首先，获取待检测图像；

其次，对所述待检测图像进行文本分割，得到多个文本区域；

然后，将所述多个文本区域依次输入到训练好的第一卷积神经网络的输入变量中，输出多个粗选的包含数学公式的文本区域；

最后，将所述粗选的包含数学公式的文本区域输入到训练好的第二卷积神经网络的输入变量中，输出最终包含数学公式的文本区域。

4.如权利要求1所述的基于互联网的高等数学综合教学交互系统，其特征在于，所述批改模块批改方法如下：

(1)预存储数学题的题目与标准答案信息；

(2)获取学生填写的答题图片信息；

(3)根据所述答题图片信息获取所述题目对应的答题答案，并将所述答题答案转换为统一格式文件；

(4)给转换为统一格式文件的答题答案的每个步骤添加索引标记；

(5)根据所述标准答案信息对步骤添加索引标记的答题答案进行批改，并输出批改结果。

5.如权利要求1所述的基于互联网的高等数学综合教学交互系统，其特征在于，所述评价模块包括学生评价模块、教师评价模块；

学生评价模块，用于根据学生听课动作和表情、师生交流时间、练习试题次数和测试试题成绩，按照各项权重给出学生综合评分结果；

教师评价模块，用于教师授课动作和表情、师生交流时间和测试试题成绩，按照各项权重给出教师综合评分结果。

所述用户登录模块包括个人信息存档模块、知识库模块、教与学备份模块、数据库恢复模块；

所述数据库恢复模块包括数据恢复序列模块、数据库备份信息更新模块；具体运行如下：

数据恢复序列模块，设该恢复时间点t的备份点在表study中的定位信息如下

则搜索表study中所有f＇.tid＝t＇、f＇.lid≤ln且f＇.rid≥rn的节点f＇，并将结果集中所有元素按f＇.lid升序排列，即为数据库的恢复序列。

数据库信息更新：若备份链中末元的bkid为k_n，则灾难恢复后更新操作为：

步骤一：搜索表study中所有f.bkid＝k_n节点

步骤二：生成一个新的辨识信息i_w。

所述权限管理模块对教师和学生进行账户分管处理，包括抗干扰系统，快速准确排信息干扰，确保分管信息准确，采用RS编码对系统的错误代码进行纠正：

步骤一：生成多项式

步骤二：信息多项式

m(x)＝m_k-1x^k-1+m_k-2x^k-2+…+m₁x¹+m₀

因此，推到出RS编码后的码字多项式为：

c(x)＝x^n-km(x)+h(x)＝x^n-km(x)+[x^n-km(x)]modg(x)其中，α为伽罗华域GF(2^m)＝{0，α0，α¹，…，α^2m-2}，t为RS编码可以纠正的错误编码数。

所述检测模块包括公式检测模块和图形检测模块，所述图形检测模块包括FCM图像分割模块，所述FCM图像分割模块包括初始化模块、因子确定模块、变异操作模块、迭代计算；

所述初始化模块：根据图像分割的要求，需要对图像进行初始化的确定，并对需要的参数进行初始化，并将直方图的聚类中心；

所述因子确定模块；根据构造的适应函数，进行因子确定，适应度确定：

f＝a/(b+J)

其中，a，b是可调整的参数，J为的目标函数；

变异操作模块；个体前后的变化量为0.5q(q/D)，数据q是在规定的区间内产生的随机数，D为计算的最大代数；

迭代计算模块：将通过新的切割数据得出新的模糊隶属度矩阵，产生新的切割参数，返回因子确定进行迭代计算，直到完成条件的终止，完成图像的分割。