一种基于智慧学习的民航专业教学培训系统

专利主权项内容

1.一种基于智慧学习的民航专业教学培训系统，其特征在于：包括学员数据接收模块(100)、建模模块(200)、智能化推荐模块(300)和学习资源模块(400)，其中：所述学员数据接收模块(100)用于收集历史学员数据和实时学员数据，并将历史学员数据和实时学员数据分别发送给建模模块(200)和智能化推荐模块(300)；所述建模模块(200)根据学员数据接收模块(100)发送的历史学员数据利用神经网络算法进行模型训练，并将训练完成的模型发送给智能化推荐模块(300)；所述智能化推荐模块(300)根据建模模块(200)训练完成的模型对学员数据接收模块(100)发送的实时学员数据进行课程资源分配的预测，并将实时学员数据和预测的结果发送给学习资源模块(400)；所述学习资源模块(400)根据预测的结果对课程资源进行实际分配，并将实时学员数据和预测的结果进行打包发送给建模模块(200)进行模型更新；所述学员数据接收模块(100)包括历史数据收集单元(101)和实时数据收集单元(102)，所述历史数据收集单元(101)用于收集历史学员数据，并将历史学员数据发送给建模模块(200)中的历史数据处理单元(201)；所述实时数据收集单元(102)用于收集实时学员数据，并将实时学员数据发送给智能化推荐模块(300)中的实时数据接收单元(301)；所述历史数据收集单元(101)根据日志记录和公共教育平台的API接口收集历史学员数据作为历史数据集，其中，历史学员数据包括学历、各类专业科目成绩、作业完成情况、平均考试成绩、能否进行虚拟飞行和重点推荐课程；所述历史数据处理单元(201)将历史数据集中的学历、各类专业科目成绩、作业完成情况、平均考试成绩作为历史数据集的特征列，将能否进行虚拟飞行和重点推荐课程作为历史数据集的标签列；所述建模模块(200)包括历史数据处理单元(201)和模型训练单元(202)，所述历史数据处理单元(201)接收历史数据收集单元(101)发送的历史学员数据，用于将历史学员数据转换为训练模型的数据，并将转换后的数据发送给模型训练单元(202)；所述模型训练单元(202)利用神经网络算法根据历史数据处理单元(201)转换后的数据进行模型训练，并将训练完成的模型发送给智能化推荐模块(300)中的推荐单元(302)；所述历史数据处理单元(201)处理数据的过程如下：学历：为学历的每个类别创建一个二进制特征，其中只有一个特征为1；各类专业科目成绩和平均考试成绩：将航空运输与管理类成绩、飞行技术与安全类成绩成绩、航空工程与技术类成绩、航空科学与研究类成绩和平均考试成绩作为特征列，并利用标准化方法将特征值转换为均值为0，标准差为1的分布；作业完成情况：统计过去一个月内作业未完成数量和已完成数量，计算过去一个月完成作业数量的概率，计算公式为：已完成数量/(未完成数量+已完成数量)；重点推荐课程：创建一个对应的一维数组，数组长度为课程类别数量，在每个数组中，只有对应的标签位置上的值为1，否则为0；能否进行虚拟飞行：创建一个二进制特征，1表示可以飞行，0表示不可以飞行；将处理好的数据集发送给模型训练单元(202)进行模型训练，训练过程如下：数据划分：将数据集切分为两份，百分之80为训练集，百分之20为验证集；模型训练：模型由输入层、隐藏层、分支层和输出层组成，输入层将特征作为输入，将其连接到隐藏层，其中的一个分支层用于重点推荐课程任务的特定分支层，另一个分支层用于能否进行虚拟飞行预测任务的特定分支层，分支层接收隐藏层的输出作为输入，并通过自身的全连接神经元和激活函数进行进一步处理，以预测重点推荐课程和能否进行虚拟飞行；神经网络将输入数据从输入层传递到输出层，其中的输出由激活函数和各层之间的权重来计算；在前向传播之后，将神经网络得到的预测结果与对应的标签值进行比较，计算出一个损失函数的数值，其中损失函数衡量了预测结果与实际标签之间的差异；利用损失函数将误差反向传递回网络中，计算每个参数对于损失的贡献，通过链式法则，从输出层向输入层反向计算梯度，并根据梯度的方向更新每个参数的值，以最小化损失函数，最后根据计算得到的梯度信息，更新神经网络中的参数；模型评估：计算出模型预测的标签数组与验证集标签数组之间准确预测的样本数目，将准确预测的样本数目除以验证集的样本数目乘以百分比得到准确率，当准确率≥百分之90，则该模型训练成功，将训练好的模型参数发送给智能化推荐模块(300)中的推荐单元(302)进行应用；模型调优：将评估不合格的模型通过增加神经网络的深度、宽度和调整神经元数量参数值来对模型进行调优；所述智能化推荐模块(300)包括实时数据接收单元(301)和推荐单元(302)，所述实时数据接收单元(301)用于接收实时数据收集单元(102)发送的实时学员数据，并将实时学员数据发送给推荐单元(302)和学习资源模块(400)中的数据回收单元(402)；所述推荐单元(302)根据模型训练单元(202)发送的模型对实时数据接收单元(301)发送的实时学员数据进行课程资源分配的预测，并将预测的结果发送给学习资源模块(400)中的推荐结果接收单元(401)；所述学习资源模块(400)包括推荐结果接收单元(401)和数据回收单元(402)，所述推荐结果接收单元(401)根据推荐单元(302)预测的结果进行课程资源的分配，并将预测的结果发送给数据回收单元(402)；所述数据回收单元(402)用于将预测的结果和实时学员数据进行打包发送给历史数据处理单元(201)；所述历史数据处理单元(201)用于将历史学员数据分为特征列和标签列，将数据集中的重点推荐课程和能否进行虚拟飞行的数据作为历史学员数据的标签列；所述历史数据处理单元(201)用于将数据转换为适用于模型输入的数据类型，具体包括：将数值类型数据转换为均值为0，标准差为1的分布；将文本类型数据利用标签编码转换为数组类型数据，其中类别数量为数值类型范围；所述模型训练单元(202)利用神经网络算法进行模型训练，具体包括：模型由输入层、隐藏层、分支层和输出层组成，输入层将特征作为输入，将其连接到隐藏层，其中的一个分支层用于重点推荐课程任务的特定分支层，另一个分支层用于能否进行虚拟飞行预测任务的特定分支层，分支层接收隐藏层的输出作为输入，并通过自身的全连接神经元和激活函数进行进一步处理，以预测重点推荐课程和能否进行虚拟飞行；所述推荐单元(302)根据训练好模型对实时学员数据进行预测，预测过程如下：前向传播：将输入的数据特征从输入层传递到输出层，每一层的节点根据权重和偏置进行计算，并将结果传递给下一层；输出预测：根据前向传播的输出结果利用激活函数产生预测结果，其中，模型由输入层、隐藏层、分支层和输出层组成，其中的一个分支层用于重点推荐课程预测任务的特定分支层，另一个分支层用于能否进行虚拟飞行预测任务的特定分支层；所述推荐结果接收单元(401)根据预测结果中数组数值和二进制数值的不同进行课程资源分配。。关注公众号马 克 数 据 网