CC BY
8
Астахова И.Ф.,
Воронежский государственный университет, профессор
astachova@list.ru
Фалалеева Ю.Л.
Воронежский государственный университет
Построение нечеткой гибридной системы и ее применение к образовательным структурам
Проникновение компьютеров во все области человеческой деятельности меняет во многом те подходы и технологии, которые ранее в них применялись. Коснулась эта тенденция и технологий организации образовательного процесса. В последнее время уделяется большое внимание разработке автоматизированных обучающих систем, позволяющих студенту в интерактивном режиме изучить и закрепить материал, а также проверить свои знания.
1. Проектирование нечеткой гибридной системы
Диаграмма вариантов использования системы имеет вид:
Рис. 1. Диаграмма вариантов использования системы
Рис.2. Работа с разделом «Теория»
£
Ад министратор
Рис. 3. Работа с контрольно-измерительными материалами
Другие диаграммы имеют аналогичный вид.
2. Оценка знаний студентов
Как было указано, при создании данного продукта были разработаны вопросы различной степени сложности для студентов с различным уровнем знаний. Для выявления уровня знаний и разделения студентов на группы были применены нейрокомпьютерные технологии, а именно, задача классификации была решена с использованием сети Кохонена [2]. Задача классификации заключается в разбиении объектов на классы, причем основой разбиения служит вектор параметров объекта. Сами классы часто бывают неизвестны заранее, а формируются динамически. Один из самых простых подходов к классификации состоит в том, чтобы предположить существование определенного числа классов и произвольным образом выбрать координаты прототипов. Затем каждый вектор из набора данных связывается с ближайшим к нему прототипом, и новыми прототипами становятся центроиды всех векторов, связанных с исходным прототипом. В качестве меры близости двух векторов обычно выбирается евклидово расстояние. На этих принципах основано функционирование сети Кохонена, обычно используемой для решения задач классификации. Данная сеть обучается без учителя на основе самоорганизации. По мере обучения векторы весов нейронов становятся прототипами классов - групп векторов обучающей выборки. На этапе
решения информационных задач сеть относит новый предъявленный образ к одному из сформированных классов.
После обучения классификация выполняется посредством подачи на вход сети испытуемого вектора, вычисления расстояния от него до каждого нейрона с последующим выбором нейрона с наименьшим расстоянием как индикатора правильной классификации.
В случае данной системы на вход реализованной сети Кохонена подается маска ответов на пять классификационных вопросов. Сеть распределяет ответы на три класса: 0 - недостаточный для дальнейшего прохождения основного тестирования; 1 - минимально достаточный для дальнейшего прохождения основного тестирования; 2 - достаточный для дальнейшего прохождения основного тестирования.
3. Модель прогнозирования развития курса с помощью нечеткой логики
Сложные запросы на языке SQL Простейшие запросы на языке SQL Основные операторы языка SQL Основы языка SQL
Связи и транзакции
Реляционная алгебраи реляционное исчисление
Реляционные БД
Теоретические аспекты построения БД
Модели данных и технология проектирования БД
Механизм удаленного доступа с БД
iiiiiiiiiiiiiiiiilllllllllllll llllllllllllllllllllllllllllillll11
I Ряд5 I Ряд4 1 РядЗ I Ряд2 I Ряд 1
10,00 20,00 30,00 40,00 S0,00 «0,00 70,00 550,00 ЭО.ОО 100,00
Уровень
Рис. 4. Гистограмма ответов
Была использована следующая методика прогнозирования [1]:
1. определение универсального множества, которое представляет собой интервал между наименьшей и наибольшей вариациями коэффициентами правильных ответов в группе.
2. Деление универсального множества на несколько интервалов равной длины, включающих различные значения вариаций.
3. Введение лингвистической переменной и определение соответствующих лингвистических значений, определение множества нечетких множеств.
4. Фаззификация исходных данных, т.е. преобразование четких количественных значений в нечеткие. Эта операция позволяет в значениях функций принадлежности отразить соответствующие количественным значениям качественные представления об ответах в данной группе.
5. Выбор параметра соответствующего отрезку времени, предшествовавшему текущему году.
6. Вычисление матрицы нечетких отношений.
7. Прогнозирование количества тестируемых студентов.
8. Деффазификация полученного результата, т.е. переход от нечетких значений к четким (количественным).
В качестве лингвистической переменной была использована переменная «вариация количества правильных ответов в группе», которая имела следующие значения: {(отрицательная значительная вариация), (отрицательная малая вариация), (нет изменений), (малая положительная вариация), (значительная положительная вариация)}.
Получена таблица результатов прогнозирования количества правильных ответов. В 2012 году менее всего правильных ответов будет дано на вопросы из групп «Механизм удаленного доступа с БД», «Модели данных и технология проектирования БД» и «Сложные запросы на языке SQL». Ошибка прогнозирования составляет около 20%.
4. Программная реализация нечеткой гибридной системы в образовании
Интерфейс пользователя представляет собой систему страниц, представленную на рис 5. [3].
Рис 5. Интерфейс пользователя
Рис.6. Взаимодействие функциональных блоков внутри проекта
Рис. 7. Основные модули проекта
Литература
1. Борисов А. Н. Модели принятия решений на основе лингвистической переменной / А.Н. Борисов, А.В. Алексеев, О. А. Крумберг и др. - Рига: Зинатне, 1982. -256с.
2. Горбань А.Н. Нейронные сети на персональном компьютере. / А.Н.Горбань, Д.А.Россиев- Новосибирск: Наука, 1996. - 276 с.
3. Профессиональное PHP программирование / Дж. Кастаньетто, Х. Рафат, С. Шуман, и др.; Пер. с англ. СПб: Символ-Плюс, 2001. - 912 с.
