Моделювання навчального процесу за методом функціонально-статистичних випробувань icon

Моделювання навчального процесу за методом функціонально-статистичних випробувань




Скачати 75.02 Kb.
НазваМоделювання навчального процесу за методом функціонально-статистичних випробувань
Дата14.09.2012
Розмір75.02 Kb.
ТипДокументи

А.С. Краснопоясовський

канд. техн. наук, доцент,

kras@kpm.sumdu.edu.ua

Сумський державний університет, м. Суми

МОДЕЛЮВАННЯ НАВЧАЛЬНОГО ПРОЦЕСУ ЗА МЕТОДОМ ФУНКЦІОНАЛЬНО-СТАТИСТИЧНИХ ВИПРОБУВАНЬ


Використання агентних технологій у системах організації дистанційного навчання (СОДН) відкриває шлях до розв’язання двох основних задач e-Learning:

  • розширення контингенту студентів при збереженні кількості професорсько-викладацького складу та навчальних площ;

  • неперервне удосконалення якості окремих навчальних дисциплін та освіти в цілому.

У той час як західні університети є в основному користувачами таких спеціалізованих комерційних продуктів е-Learning, як eCollegeNet, WBT TopCIass. WebCT, Perfect Match I Test Pilot, Macromedia CourseBuilder, університети України та СНД через фінансові ускладнення орієнтуються на власні розробки, що надає можливість студентам і викладачам кафедр інформатики отримати практичний досвід колективної праці при реалізації складних Web-технологій та удосконалення евристичних методик навчання. З позиції розподілених обчислень агент – це самостійний процес, який виконується паралельно, має визначений функціональний стан і взаємодіє з іншими агентами через передачу повідомлень. Архитектурно інтелектуальний агент складається із рецепторів, що сприймають інформацію із середовища; класифікатора, що оцінює цю інформацію; бази знань; виконуючого елементу та ефекторів, що безпосередньо діють на середовище. Систему, в якій декілька агентів можуть взаємодіяти один із іншим, называють мультиагентною. Перевагою мультиагентних систем є:

  • зменшення навантаження на мережу;

  • пониження латентності мережи через можливість підготовки у фоновому режимі інформації, необхідної користувачам;

  • ікапсуляція протоколів ;

  • природна гетерогенність; що забезпечує “безшовну” міжплатформну системну інтеграцію;

  • підвищена надійність.

Оскільки в процесі навчання здійснюється оброблення та обмін інформації як між агентами «Викладач» і «Слухач», так і середовищем, то загальну функціональну схему інтелектуальної СОДН подамо у вигляді, наведеному на рис.1.

Не торкаючись дидактичних і психологічних аспектів навчання, розглянемо математичну постановку задачі інформаційного синтезу інтелектуальної СОДН. Нехай функціональний стан навчального процесу характеризується алфавітом класів розпізнавання , а ефективність навчання оцінюється усередненим інформаційним критерієм функціональної ефективності (КФЕ):

,

де – КФЕ навчання системи розпізнавати реалізації класу . Відомі навчальна матриця , де N, NM – кількість ознак розпізнавання і мінімальний обсяг репрезентативної навчальної вибірки відповідно, і структурований вектор параметрів навчання із обмеженнями . Треба в процесі навчання знайти оптимальні в інформаційному розумінні значення координат вектора , які забезпечують максимум КФЕ навчання: , де область допустимих значень параметрів навчання.

Категорійну модель агента «Викладач» подамо у вигляді діаграми відображень множин, які застосовуються на етапі навчання за інформаційно-екстремальним методом функціонально-статистичних випробувань (МФСВ) [1] з оптимізацією контрольних допусків на ознаки розпізнавання (ОР):

(1)

Тут універсум випробувань задається декартовим добутком , де множина сигналів на вході СОДН; множина моментів зчитування інформації з рецепторів; множина можливих функціональних станів СОДН; простір ОР. Оператор виходу формує вибіркову множину , яка утворює навчальну матрицю для алфавіту . Оператор будує нечітке розбиття , яке допускає у загальному випадку перетин класів розпізнавання. Оператор перевіряє основну статистичну гіпотезу , де множина гіпотез. Оператор визначає множину точнісних характеристик (ТХ) , де кількість ТХ, а оператор обчислює множину значень інформаційного КФЕ, який є функціоналом ТХ. Оператор корегує розбиття залежно від значень критерію. За діаграмою (1) оператори контуру реалізують базовий алгоритм навчання, який безпосередньо оптимізує геометричні параметри контейнерів класів розпізнавання шляхом пошуку максимуму критерію [2]. У діаграмі (1) множина D – значення контрольних допусків на ОР в області їх визначення. Оптимізація контрольних допусків здійснюється за ітераційною процедурою, в якій задіяно оператори контуру

. Діаграма (1) містить так само контур оптимізації параметрів словника ОР , потужність і ознаки якого можуть змінюватися в процесі навчання. Оператор регламентує процес навчання і дозволяє оптимізувати параметри плану навчання.

Математичну модель агента «Слухач» може бути подано у вигляді діаграми відображень множин, що застосовуються в режимі екзамену за МФСВ:

(2)

Тут – бінарна екзаменаційна матриця навчання; р– оператор проектування реалізацій, що розпізнаються, на оптимальне розбиття ; Ф – множина значень функції належності, яка в МФСВ для сферичного класифікатора набуває простого вигляду

,

де […]+ позитивна частина функції; – еталонний вектор-реалізація образу; реалізація, що розпізнається; – оптимальний радіус контейнера.

Алгоритм процесу навчання за діаграмою (1) у рамках МФСВ розглядається як багато циклічна послідовність ітераційних процедур оптимізації структурованих параметрів навчання:




де – допустимі області значень ОР, контрольних допусків на ОР і КФЕ.

Алгоритм екзамену для однієї реалізації, що розпізнається, має вигляд



і відповідно для екзаменаційної вибірки –

.

Як приклад розглядалася машинна оцінка знань для розділів “Подання знань” і “Виведення знань” по дисципліні “Системи та методи прийняття рішень” для спеціальності «Інформатика». Основними модулями спеціального програмного забезпечення СОДН є формування навчальної матриці, оптимізація контейнерів класів розпізнавання та прийняття рішень у режимі екзамену. Основою СОДН є Інтернет. При цьому так само передбачається доставка навчальних посібників і завдань звичайною або електронною поштою. Як клієнтська програма використовується Інтернет-браузер, що є загальноприйнятною практикою. Важливою функцією СОДН є підтримка роботи викладача як засобу семантичної компоновки навчального матеріалу, контролю й аналізу успішності слухачів і виявленню закономірностей усвоення матеріалу, що дозволяє неперервно удосконалювати не тільки зміст дисципліни, але і дидактичні підходи.

Програмне забезпечення інтелектуальної СОДО створено із використанням сучасних Інтернет-технологій, таких як PHP, MySQL, HTML і JavaScript.

Список літератури



1. Краснопоясовський А. С. Інформаційний синтез інтелектуальних систем керування: Підхід, що ґрунтується на методі функціонально-статистичних випробувань. Суми: Видавництво СумДУ, 2004. 261 c.

2. Краснопоясовський А. С. Класифікаційний аналіз даних: Навчальний посібник.Суми: Видавництво СумДУ, 2002.159 с.

Схожі:

Моделювання навчального процесу за методом функціонально-статистичних випробувань iconДипломна робота
Моделювання навчального процесу за методом функціонально-статистичних випробувань
Моделювання навчального процесу за методом функціонально-статистичних випробувань iconКафедра комп’ютерних наук
Моделювання навчального процесу за методом функціонально-статистичних випробувань
Моделювання навчального процесу за методом функціонально-статистичних випробувань iconКафедра комп’ютерних наук
«Моделювання навчального процесу за методом функціонально-статистичних випробувань»
Моделювання навчального процесу за методом функціонально-статистичних випробувань iconКласифікаційне керування інвестиціями в. А. Тронь, асп. (Сумський державний університет)
ЕІ) технології за методом автоматичної класи­фікації – методом функціонально-статистичних випробу­вань (мфсв), що ґрунтуються на...
Моделювання навчального процесу за методом функціонально-статистичних випробувань iconПояснювальна записка до курсової роботи з дисципліни: "Системний аналіз та теорія прийняття рішень" на тему: "Оптимізація параметрів навчання системи прийняття рішень"
Ключові слова: клас розпізнавання, ознака розпізнавання, реалізації класу розпізнавання, навчальна вибірка, еталонний вектор, метод...
Моделювання навчального процесу за методом функціонально-статистичних випробувань iconПоложення про проведення поточного та семестрового контролю; графік навчального процесу денного відділення *; графік навчального процесу заочного відділення *; графік консультацій з дисциплін навчального плану
З метою покращення організації навчального процесу, створення єдиних вимог до інформаційного змісту розділу “Організація навчального...
Моделювання навчального процесу за методом функціонально-статистичних випробувань icon“Економіко-математичне моделювання”, ек-09, 2010/2011 н р
...
Моделювання навчального процесу за методом функціонально-статистичних випробувань iconВекторно-параметричне моделювання ліній та поверхонь
Мета розробки. Надання студентам навичок сплайнової апроксимації початкового геометричного образу в системах комп’ютерного 3-d моделювання,...
Моделювання навчального процесу за методом функціонально-статистичних випробувань iconЛекція 17. Cadm. Моделювання ділових процесів Моделювання ділових процесів може знадобитися Вам для того щоб: зрозуміти сутність процесу
Використовуючи Designer/2000, Ви моделюєте діловий процес за допомогою діаграми процесу. Діаграма показує послідовність кроків процесу,...
Моделювання навчального процесу за методом функціонально-статистичних випробувань iconПоложення про організацію навчального процесу наказу ю: Видати теми дипломних проектів студентам груп 301-мп, 302-мп, 301-мпз 02020702 «Перукарське мистецтво та декоративна косметика»
Згідно з навчальними планами та графіком навчального процесу і відповідно до Положення про організацію навчального процесу
Додайте кнопку на своєму сайті:
Документи


База даних захищена авторським правом ©zavantag.com 2000-2013
При копіюванні матеріалу обов'язкове зазначення активного посилання відкритою для індексації.
звернутися до адміністрації
Документи