[发明专利]一种基于空洞卷积的自适应认知诊断测试设备及方法

权利要求书

1.一种基于空洞卷积的自适应认知诊断测试方法，其特征在于：包括以下步骤：

步骤1：选择试题库并搭建用户标签，训练试题库；

步骤2：选择训练数据集和测试数据集，并增强训练数据集试题库，扩充训练数据集试题库；

步骤3：将步骤2得到的训练数据集试题库进行1/N比例下采样处理，得到对应的单独测试试题，其中N为缩放因子；

步骤4：将步骤2得到的训练数据集试题库裁剪成H×W的试题组，将步骤3得到的单独测试试题裁剪成H/N×W/N的试题组；

步骤5：将步骤4得到的两种试题组分别作为完整试题库和单独测试试题样本，生成HDF5的训练数据集文件；

步骤6：设计基于注意力机制的空洞卷积神经网络，具体如下：

6.1：设计基于注意力机制的空洞卷积模块

基于注意力机制的空洞卷积模块是由一个空洞卷积层和一个注意力块端对端连接组成，空洞卷积层的输出端连接注意力块的输入端，同时空洞卷积层的输出端与注意力块的输出端相乘，构成基于注意力机制的空洞卷积模块的输出；

6.2：设计多通道基于注意力机制的空洞卷积模块

多通道基于注意力机制的空洞卷积模块由m个不同空洞卷积系数d1、d2、…dm的基于注意力机制的空洞卷积模块及特征融合模块组成，m个空洞卷积模块以并联的方式连接，且它们的输出端都连接于特征融合模块；

6.3：设计注意力残差块

注意力残差块由一个残差块和一个注意力块端对端连接组成，残差块的输出端连接注意力块输入端，同时残差块的输出端与注意力块的输出端相乘，构成注意力残差块的输出；

6.4：构建多通道特征提取模块

多通道特征提取模块由多通道基于注意力机制的空洞卷积模块和注意力残差块端对端连接组成；

6.5：设计基于注意力机制的空洞卷积神经网络

基于注意力机制的空洞卷积神经网络由四部分组成，分别是输入模块、深层特征提取模块、上采样模块和输出模块，其中：

输入模块和输出模块都是由卷积核尺寸大小为3×3的卷积层组成，深层特征提取模块是由n个步骤6.4多通道特征提取模块和一个卷积层串联组成，并以残差的方式连接而成；

上采样模块是由测试结果卷积层组成；

步骤7：训练基于注意力机制的空洞卷积神经网络，具体如下：

7.1：设置损失函数，以此最小化重建的试题库与对应单独测试试题的损失值来估计网络参数；

7.2：选择优化算法，对空洞卷积神经网络进行迭代训练；

7.3：选择试题测试内容的重合性重建评价指标来客观评价基于注意力机制的空洞卷积神经网络模型的重建性能，其中重合性表示测试目的或测试得到的结果；

7.4：设置步骤6.2中多通道基于注意力机制的空洞卷积模块的m和d1、d2、…dm的值；

7.5：设置训练参数，包括训练的学习率、迭代次数和批训练样本值；

7.6：用步骤5生成的HDF5训练数据集文件按照步骤6.5设置的参数，训练基于注意力机制的空洞卷积神经网络，生成网络模型；

7.7：使用测试数据集对步骤7.6得到的网络模型进行测试，记录试题库重建性能指标值；然后返回步骤7.4，设置不同的m和d1、d2、…dm值，继续训练并测试，最后，保存最高的试题库重建性能指标值对应的一组m和d1、d2、…dm值，并以此得到最终的基于注意力机制的空洞卷积神经网络模型；

步骤8：将单独测试试题输入到上述基于注意力机制的空洞卷积神经网络模型中，输出得到重建后的完整试题库；

步骤9：匹配用户标签和重建后的试题库，用户完成试题库作答，得出测试结果。

2.根据权利要求1所述的一种基于空洞卷积的自适应认知诊断测试方法，其特征在于：所述步骤1中，还包括构建试题库，具体为：1、试题库从教学大纲提取第一知识点；2、试题库从书籍提取第二知识点，并将第一知识点与第二知识点集成为知识图谱；3、试题库从网络资源提取第三知识点，并将第三知识点与知识图谱集成为学科知识图谱。