一种基于神经网络算法的英语学习动机调控方法

本发明涉及教育学习方法，尤其是涉及一种基于神经网络算法的英语学习动机调控方法。

背景技术：

1、在英语学习过程中,学习者会经历许多枯燥或艰巨的任务,这使得学习者很难维持稳定的学习动机。因此,学习者需要依靠必要的策略来调控自己的学习动机,从而保持学习英语的热情。

2、由于现有技术对学习动机因素分析加权调配不到位，导致英语学习者面对英语学习时有着丧失信心，对英语学习感到枯燥乏味，从而丧失英语学习兴趣。针对在英语学习过程中,学习者会经历许多枯燥或艰巨的任务,这使得学习者很难维持稳定的学习动机。因此,学习者需要依靠必要的策略来调控自己的学习动机,从而保持学习英语的热情；目前，很多学习者针对英语学习没有目标，无法对学习成果进行合理检测，现有英语学习技术仅仅针对英语学习提供帮助，无法对英语学习进行合理调配，无法加强学习者对英语学习的动机，从而无法保持学习英语的热情；由于现有技术对学习动机因素分析加权调配不到位，导致英语学习者面对英语学习时有着丧失信心，对英语学习感到枯燥乏味，从而丧失英语学习兴趣。

3、为此，提出一种基于神经网络算法的英语学习动机调控方法。

技术实现思路

1、本发明的目的在于提供一种基于神经网络算法的英语学习动机调控方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于神经网络算法的英语学习动机调控方法，包括如下步骤：

3、s1：利用层次分析法对影响因素进行判别加权；包括构建由目标层、准则层和方案层所构成的层次分析结构模型、构建判断矩阵、计算各层级权重以及一致性检验；

4、s2：k-means聚类算法对影响因素进行聚类分析；

5、s3：k-means聚类算法进行对不同学习动机人群进行聚类；

6、s4：建立神经网络模型；

7、s5：针对英语学习动机提高成果给出检测方案；

8、s6：灰色综合评价法对加权后的两个动机因素进行分析。

9、优选的，所述构建由目标层、准则层和方案层所构成的层次分析结构模型：针对目标问题分析可能涉及的因素，基于这些因素的内部关系，设计构造出各因素之间相互连接的阶梯状层次结构，由高到低依次是目标层、准则层和方案层；

10、所述构建判断矩阵：依据构建的阶梯型层次结构，对于每个单层次结构，将目标因素记为o,与其相关的影响因素指标p1,p2,…,pn有支配关系，接下来将这些因素两两对比，进一步探究各因素指标pi对pj的影响程度，然后选取数字1～9及其倒数作为衡量影响程度的标度，构建出判断矩阵c；

11、所述计算各层级权重：根据上一步建立的矩阵c来对各因素影响程度的权重进一步计算；得出矩阵c的最大特征根λmax以及经过归一化处理的特征向量w＝[ω1,ω2,…,ωn]t；因而，只需对最大特征根方程求解即可:cw＝λw,然后对w做归一化处理，将归一化

12、max的特征向量作为本层次影响因素p1,p2,…,pn对于目标因素o的权重；

13、所述一致性检验：对矩阵进行一致性检验，通过计算一致性指标来测量成对比较矩阵一致性是最直接有效的方法；若cr值小于或等于0.1,就说明比较矩阵一致性是合理的；但是如果cr值在0.1之上且不包含0.1,就需要对比较矩阵做进一步修正；cl＝(λmax-n)/(n-1),cr＝cl/ri,其中，ri值为平均随机一致性指标，共涉及11阶矩阵。

14、优选的，所述步骤s2中，k-means算法是一种有效的聚类划分方法,其主要思想是：在给定k值和初始笶中心的情况下，把数据对象划分到距离其最近的簇中心所代表的类笶中，所有数据对象分配完成之后，根据一个笶内的所有数据对象重新计算该类簇的中心，然后再迭代进行分配和更新簇内中心的步骤，直至笶内中心点的变化很小，或者达到指定的迭代次数；

15、假定d＝{x1,x2,x3,…,xn}是具有n个数据对象集合，其中每个数据对象都具有m个维度的属性；k-means算法就是以欧式距离作为衡量数据对象间相似度的指标，将数据样本d中n个数据对象依据数据对象之间相似性划分到k个类簇c1,c2,c3,…,ck中，其中1≤k≤n；集合中每个对象都划分到与其距离最近的簇内中心所在的类簇中。

16、优选的，所述k-means具体算法流程如下：

17、(1)从数据对象d中随机选取k个对象作为初始类簇中心；

18、(2)根据公式计算当前每个簇内数据对象到簇中心的欧式距离:

19、

20、(3)依次比较每个数据对象到簇中心的距离，将数据对象划分到距离最近的笶内中心的类簇中，得到k个类簇{s1,s2,s3,…,sk},根据公式(2)重新计算新的类簇中心，

21、

22、式中c∣表示第1个类簇中心，1≤1≤k,|sl|表示第1个类簇中数据对象的数量；

23、(4)重复步骤直至类簇中心不变或达到指定的迭代次数；

24、其中k值确定步骤为:

25、(1)通过确定每个类簇中的对象到簇内中心的欧式距离；

26、(2)计算每个类簇内的误差平方和；

27、(3)计算当前数据对象的总误差和；

28、(4)k为k+1时，重复计算当前数据样本对象的sse值，确定k值；

29、误差平方和公式:

30、

31、优选的，所述步骤s3中k-means聚类算法进行对不同学习动机人群进行聚类与s2步骤中k-means聚类算法对影响因素进行聚类分析运算方式相同。

32、优选的，所述s4中建立神经网络模型：神经元是神经网络的基本组成结构，其将多个输入信号通过传递函数在网络中进行传递:

33、

34、t

35、其中，p＝[p1,p2，…,pn]是神经元的输入向量，w＝[w1,w2,…,wn]t是作用在输入向量上的权重向量，b为输入的偏个输出层ym；

36、神经网络的信号流向主要包括正向传递和反向传递:

37、正向传递：

38、在正向传递过程中，信号按照输入层、隐藏层、输出层的顺序流经神经网络的各个层次，最终得到网络在输出层y上的输出值ok。

39、优选的，所述网络在输出层y上的输出值ok：

40、

41、

42、

43、反向传递：

44、正向传递后，网络的实际输出值0k与网络的期望输出值dk之间存在一定的误差e

45、

46、误差将由输出层、隐藏层、输入层反向传播，同时基于误差的梯度来调节每个层的连接权值和偏置；并使式(1)不断下降，直至满足算法的误差阈值:

47、

48、

49、传统神经网络具有较强的泛化能力，但由于网络结构复杂，且网络参数的确定通常依靠经验，故缺乏科学的理论指导；此外，当误差函数不是严格凸函数且在梯度下降时，算法较容易收敛至局部最优值，从而影响网络的训练；基于以上分析，通过引入自适应遗传算法优化网络结构和误差阈值，进而避免网络训练的过拟合现象，给出了使用bp神经网络的网络参数w、v、b、c构造群体中第i条染色体的过程；

50、根据自适应遗传理论，对于种群p，种群的交叉概率pc与变异概率pm是随苃种群的进化而不断变化的:

51、

52、其中:

53、

54、

55、上式中，f为种群的适应度参数，pc1、pc2、pm1、pm2、c为常数；基于自适应迻传算法的适应度函数f可以写为:

56、

57、通过上述分析能够得到基于自适应遗传算法的bp神经网络结构，且将该网络应用于线损的预测分析。

58、优选的，所述s5针对英语学习动机提高成果给出检测方案对使用动机解决方案前的动机因素进行加权分析，对使用动机解决方案后的动机因素进行加权分析，利用灰色综合评价法对加权后的两个动机因素进行分析，最终评价出英语学习动机提高成果。

59、优选的，所述主成分分析法：是一种能够降低多变量统计分析问题维度的方法，通过适当数学变换，使分析问题的新变量成为原变量的线性组合，并选取少数几个主要的新变量(即主成分)来分析事物；

60、假设现有m条、n维的数据样本矩阵xmn＝{xij,(i＝1,2，…,m,j＝1,2，…,n)}，现需进行分析评价，使用主成分分析的步骤如下:

61、样本数据标准化

62、采用z-score方法，即减去平均值再除以标准差对数据标准化，将存在较大差异的数据xmn，转变为量纲相同的可比较的数据ymn＝{yij,(i＝1,2,…,m,j＝1,2,…,n)}，即:

63、

64、其中：

65、

66、计算协方差矩阵

67、根据标准化矩阵y，计算n维变量的相关系数矩阵rmn＝{rij,(i＝1,2,…,m,j＝1,2,…,n)}:

68、

69、计算特征值及特征向量

70、计算矩阵rmn的特征值λ1,λ2,…,λn并从大到小排序，计算对应的特征向量c1,c2,…,cn；

71、计算主成分贡献率

72、根据特征值，计算对应贡献率vi,i＝1,2，…,n

73、

74、筛选主成分：

75、计算最小的s值，使得前s个贡献率vi之和得到的累计贡献率满足信息反映精度要求，取这s个指标为主成分评价指标；从而对影响因素的主成分进行分析。

76、优选的，所述s6灰色综合评价法对加权后的两个动机因素进行分析：

77、求取指标的权重：

78、灰色系统理论中，邓聚龙教授最早提出的是使用“标定聚类权”方法求取权重，方法如下:

79、

80、中，λij为第指标第j灰类白化函数取1时(即“顶点”)对应的x值，显然当j一定时有

81、

82、计算灰色聚类向量：

83、根据指标权重和式确定的白化权函数，求得各待评价对象的灰色聚类向量b＝{bj,(j＝1,2，…，p)}

84、

85、进行灰色聚类评价：

86、得到b＝(b1,b2，…,bp)，按照最大隶属度原则进行聚类，设bc＝max(bi,i＝1,2，…,p)，那么可判断待评价对象属于“c灰类”；当最大隶属原则评价失效时，可采用点值进行灰类评价，将b转化为点值o:

87、

88、其中tj为第j灰类的“灰水平”赋值。

89、与现有技术相比，本发明的有益效果是：

90、1.本发明首先利用上述k-means聚类算法进行对不同学习动机人群进行聚类，利用各影响因素进行训练，利用神经网络算法建立神经网络模型，针对不同人群进行分析各影响因素与阈值进行对比从而输出不同的结果，从而对不同人群提出合理英语学习动机解决方案；

91、2.通过本发明学习者可以依靠本发明来调控自己的学习动机,从而保持学习英语的热情；帮助很多学习者英语学习有目标，对学习成果进行合理检测，对英语学习进行合理调配，加强学习者对英语学习的动机，保持学习英语的热情。