[发明专利]基于深度学习学生在线学习效率预测的模型检测方法

说明书

一种基于深度学习学生在线学习效率预测的模型检测方法，由获取原始数据和特征、确定学生学习状态、确定动作状态轨迹序列、构建马尔可夫决策过程模型、生成PRISM代码、确定动作状态转移、处理迁移动作结果组成。在构建马尔可夫决策过程模型中采用了转移概率Psubgt;i,j/subgt;构建马尔可夫决策过程模型，简化了构建步骤，减少了复杂的计算过程，提高了运算速度，将马尔科夫决策过程模型检测用于学生在线学习效率预测，能准确地预测出学生的学习效率的变化。本发明具有方法简单、运算速度快等优点，可用于网络教育对学生在线学习效率预测。

技术领域

本发明属于计算机技术中的模型检测领域，具体涉及一种基于深度学习的学生在线学习效率预测的模型检测方法。

背景技术

在线学习产业中，最重要的就是评估学生的学习质量，现有的软件评估学生学习质量的方式主要是考试。但是通过考试得到的学习质量结果，从时间上来说十分滞后。所以需要有实时评估学习质量的方法，来提高在线教育的教育质量和学生的接受程度。

目前，许多学校选择网上授课，网上学习的效果参差不齐，有必要使用学生在线学习效率预测方法，提升学生网上学习的学习质量。

发明内容

本发明所要解决的在于克服上述技术的缺点，提供了方法简单、运算速度快的基于深度学习学生在线学习效率预测的模型检测方法。

解决上述技术问题所采用的技术方案由下述步骤组成：

(1)获取原始数据和特征

从图像库中取图像至少500幅分为训练集和测试集，其中训练集占70％，测试集占30％，对卷积神经网络模型进行训练，使用测试集进行测试，测试后得到特征集，特征集添加状态标签为贝叶斯训练集，将贝叶斯训练集放入朴素贝叶斯模型，得到状态预测模型，截取用户的使用图像，按帧转换成图片集，用卷积神经网络获取用户的特征向量F。

(2)确定学生学习状态

将特征向量导入朴素贝叶斯模型进行优秀、一般、不好分类，得到当前时刻学生的状态。

(3)确定动作状态轨迹序列

将每个时刻的状态按时刻连接，得到每个动作状态序列，状态序列为：

其中，S∈{S₁、S₂、...、S_n}为状态，A∈{A₁、A₂、...、A_m}为动作，n、m为有限的正整数。

(4)构建马尔可夫决策过程模型

对每一个动作A_K，记录每一次状态转移，建立马尔科夫决策过程模型M如下；

马尔科夫决策过程模型M的横轴纵轴均表示状态S，矩阵中P_i,j为状态S_i转移到状态S_j的概率，按下式确定转移概率P_i,j：

其中，i、j为1到n之间的整数，k为1到m之间的整数，N_i,j,k为在动作A_k下，状态S_i迁移进状态S_j所有边的总量；SUM_i,j,k为从每个状态S_i迁移出动作A_k的边的总数。

(5)生成PRISM代码

将马尔可夫决策过程模型使用JAVA语言生成PRISM代码。

(6)确定动作状态转移