已閱讀1頁,還剩58頁未讀, 繼續(xù)免費閱讀
版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、作為當前教育技術(shù)領(lǐng)域研究的熱點,在線學習顛覆了傳統(tǒng)的學習方式,個性化的在線學習也逐漸引起國內(nèi)外學者的關(guān)注。但其中在線學習資源的編列仍然缺乏有效的機制,學習者特征、學習資源特征的設(shè)置與量化也不夠完善。在此背景下,本文將在線學習資源編列視為約束優(yōu)化問題,將改進的負相關(guān)算法應(yīng)用于在線學習資源編列過程,提出了基于負相關(guān)算法的在線學習資源編列機制。
本文主要圍繞在線學習資源編列機制的研究和實現(xiàn)展開,分析了學習者利用在線學習平臺進行個性化
2、學習的困境,指出學習資源編列的必要性。同時,梳理了協(xié)同過濾算法和智能優(yōu)化算法在學習資源編列問題中的研究文獻,探索了學習者特征和學習資源特征參數(shù)表達,構(gòu)建了在線學習資源編列問題模型,引入格雷碼,改進負相關(guān)算法的編碼機制,實現(xiàn)了改進負相關(guān)算法的在線學習資源編列,并利用仿真實驗進行了有效性驗證,結(jié)果證明基于負相關(guān)算法的在線學習資源編列機制是有效的。
本文的創(chuàng)新點主要包括:
(1)對在線學習環(huán)境進行分析,在學習者特征中加入了
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于負相關(guān)算法的在線學習資源編列研究.pdf
- 基于梯度提升模型的負相關(guān)學習算法的研究與應(yīng)用.pdf
- 負相關(guān)模擬電路的演化模型研究.pdf
- 基于支持向量機的在線學習算法研究.pdf
- 基于在線學習的運動目標跟蹤算法研究.pdf
- 負相關(guān)序列的收斂性.pdf
- 負相關(guān)演化電路仿生容錯機制研究.pdf
- 基于負相關(guān)神經(jīng)網(wǎng)絡(luò)集成的增量學習及其在人臉檢測方面的應(yīng)用.pdf
- 基于個性化學習支持系統(tǒng)的教學活動編列研究.pdf
- 基于在線多示例學習的目標跟蹤算法研究.pdf
- 負相關(guān)加權(quán)和的收斂性.pdf
- 基于列表級的相關(guān)文本排序?qū)W習算法研究.pdf
- 基于數(shù)據(jù)的ADP離線值迭代算法和在線Q學習算法研究.pdf
- 基于在線學習算法的惡意網(wǎng)頁檢測系統(tǒng).pdf
- 負相關(guān)的基因表達模式及其保守性研究.pdf
- 在線學習算法研究與應(yīng)用.pdf
- 基于特征加權(quán)的在線多示例學習跟蹤算法.pdf
- 基于局部稀疏表示模型的在線字典學習跟蹤算法研究.pdf
- 正負相關(guān)反饋與查詢擴展技術(shù)的研究.pdf
- 模擬電路負相關(guān)演化方法及設(shè)計.pdf
評論
0/150
提交評論