[发明专利]基于自适应认知交互的精准控制智慧教育方法

权利要求书

1.一种基于自适应认知交互的精准控制智慧教育方法，其特征在于，包括以下步骤：

构建基于ACT-R的智慧教育平台交互界面认知模块，包括：

基于数据挖掘的学习分析技术构建目标模块，具体包括：

通过基于数据挖掘的学习分析技术将世界各地的优秀教育资源进行优化重组，建立目标分层体系，以存储具有多种形式的学习资源；

对不同类型的教学内容进行分类，保存到数据库，以满足用户当前目标和意图；

采集用户偏好和知识水平信息，适应性的对用户设计专属的网络课程内容体系、学习方式、教学管理，进行有针对性的教育；

根据教学内容结构布局构建视觉模块，具体包括：

对交互过程中的学习画面使用排版布局、动态效果、视觉对比手段；

通过信息导航设计形成网状知识结构，建立用户偏好访问索引表，使得教学内容结构布局均衡，知识点的编排合理；

根据目标动作收益及关联用户执行动作构建动作性记忆模块，具体包括：

根据效用公式，一个实例i的效用为：

其中，u_i表示实例i的效用，代表实例i的效用的初始值，P_i表示当前目标实现的概率，G_i表示当前目标完成后的收益，C_i表示达成目标过程中所需成本的估计；

根据记忆检索及信息提取构建描述性记忆模块，具体包括：

从记忆中提取所学信息，增加到缓存空间，则ACT-R模型描述性知识激活量表达为：

其中，B_i表示信息的基本激活量，w_j表示信息的关注权重，S_ji表示相关强度；

基于构建的目标模块、视觉模块、动作性记忆模块、描述性记忆模块，通过基于行为数据的深度学习推荐算法动态感知学习进展，适应性优化学习顺序，针对不同学生情况对学习知识点进行精准推送；

构建认知交互模式库，包括：

将所述目标模块、所述视觉模块、所述动作性记忆模块和所述描述性记忆模块各自的缓存信息整合起来，产生连贯的认知，构建智慧教育认知交互模式库；

构建交互信息的全局整合集，包括：

获取交互信息融合集；求解信息序列的客观权重；求解信息的全局融合结果；

具体地，假设输入的交互信息内包括n个性质相同的待融合对象，将其描述成融合对象知识元，记为待融合对象中共有m个关联属性，将其描述成属性知识元，记为待融合对象的p个关联信息源记为对应的表达式为：

其中，o_i代表待融合对象，及分别代表o_i的名称集、属性集、关联集与特征集；代表对o_i属性a_j的描述；代表对o_i属性a_j的可测特征描述，可测特征包括隶属度、线性与非线性、模糊度、随机概率；代表a_j对应的衡测量度；用于描述a_j时变规律的函数；代表a_j的性质，其中，C⁺代表包括安全、效益在内的属性，C^-代表包括耗时、成本在内的属性；s_k代表信息源，代表s_k的概念与名称集；代表s_k的属性集；代表s_k的关联集；代表s_k的特征集；

信息单元即为实例化的知识元，将信息单元记作其表达式为：

其中，代表知识元，是指由s_k得到的对象o_i对应属性a_j的值，通过实例化处理得到信息单元并实现信息与对象间的映射；

所述求解信息序列的客观权重的步骤具体包括：

假设融合集中的信息序列数为m个，各序列中包含n个信息单元，与序列中的n个融合对象一一对应，各序列距离熵值的计算过程为：

设第j个信息序列中的最优信息单元值为以作为参考值，计算该序列中描述第i(i＝1,2,…,n)个融合对象的信息单元d_ij与该参考值间的欧氏距离，即：

针对上述欧氏距离，通过与对应序列内全部信息单元欧氏距离之和之间的比值，在此基础上计算该序列的距离熵值，其表达式为：

根据熵权法计算信息序列j的客观权重为：

其中，e_j代表归一化处理后序列j的决策度熵值；所得的权重w_j满足：0≤w_j≤1，且

所述求解信息的全局融合结果的步骤具体包括：

设求解得到的信息局部融合权重为结合线性加权获取交互信息的局部融合结果，表示如下：

其中，k＝1，2，…p；

根据上式获取得到各融合对象的局部融合结果，则所有融合对象的局部融合结果为Z_k＝{z_k1，z_k2，…z_kn}；

设计算得到的全局融合权重为结合信息局部融合结果Z_k与线性加权获取得到信息的全局融合结果Z，表达式如下：

构建基于模糊自适应PID控制器的交互界面信息控制反馈过程，包括：

对于PID控制器各个自适应参数K_p、K_i及K_d的表示如下：

K_p＝K_p0+ΔK_p＝K_p0+{e，e_c}K_p0

K_i＝K_i0+ΔK_i＝K_i0+{e，e_c}K_i0

K_d＝K_d0+ΔK_d＝K_d0+{e，e_c}K_d0

其中，K_p0、K_i0和K_d0代表PID控制器各参数的初始值；

根据上述选取的PID控制器的隶属度，得到控制反馈结果为，

其中，c为初始常数，e为可控量偏差，e_c为偏差变化率。