|
1研究背景介绍
移动学习是指依托目前比较成熟的无线移动网络、因特网以及多媒体技术，学生和教师通过利用目前较为普遍使用的无线设备（如手机、PDA、笔记本电脑等）来更为方便灵活地实现交互式碎片式教学活动，以及教育、科技方面的信息交流。[1]随着移动互联网设施基础逐步完善和移动互联网产品的层出不穷，移动学习的优点越来越被人们关注。目前国内很多家高校和公司都加入了移动学习的研究，并且取得了比较好的成果。[2][3]本论文提出的自组织神经网络算法来对移动学习元数据数据库进行高效的聚类萃取，从而使得资源更加结构化，相关性更强，方便用户检索。
2基于自组织特征映射网络（）SOM的元数据挖掘模型
2.1自组织竞争神经网络的知识介绍
由于移动学习资源的数据量比较大，每个数据量包含的信息较多，并且存在学科交叉问题，故在进行移动学习资源元数据萃取分类时，必须通过对这一客观事件的反复观察、分析和比较，自形查找出其内在的规律，并且对具有内在联系特征的事物进行正确的归类。
2.2移动学习资源元数据量化
即是建立移动学习资源元数据语义关系（同义）的知识库。移动学习资源元数据语义关系知识库，采用WordNet的基本思想，利用关系表示词汇语义，使用同义词集代表概念，并且在概念间建立不同的关系指针，表达不同的语义关系。[4]本文提出语义知识库的结构，包含：科目编号，学科等级，<章节号——章节主要内容关键词四个部分。
2.3利用自组织竞争神经网络进行移动学习资源的元数据聚类萃取
⑴数据预处理及网络初始化
1.数据预处理
由于进行资源聚类时，用户可能会关注与关键字密切的资源，或者更可能像搜索与该关键词相关章节内容的介绍，故该论文又设定一个元数据量化资源组的权值函数：
（0.75，0.15，0.1）1（0.5，0.45，0.15）2（0.45，0.45，0.1）3
式中（，）wij表示输入层的i神经元和映射层的j神经元之间的权值
⑷选择和权值向量的距离最小的神经元
计算并选择是输入向量和权值向量的距离最小的神经元，如：（）dj为最小，称其为胜出神经元，记为*j，并给出其邻接神经元集合。
⑸权值的学习
胜出神经元和位于其邻接神经元的权值，按下式更新：
⑹是否达到预先设定的要求
如达到要求则算法结束；否则，返回到步骤（2）。进行下一轮的学习。
3仿真结果及算法评价
由上表可以清晰的看出：组1为（1，2，3），组4为（4），组10为（5），组30为（6），组36组（7，8，9，10），40组（11）。其分组的正确率高达：85.1%。
由上述的仿真结果，该论文得出结论改进后的自组织竞争神经网络算法能够进行有效的自适应分类，从而高效的进行关键字元数据萃取的功能。但它仍存在一些问题，第一，学习速度的选择使其不得不在学习速度和最终权值向量的稳定性之间进行折中；第二，有，一个神经元的初始值向量离输入向量太远以至于它从未在竞争中获胜，也从未得到学习，这将形成毫无用处的“死”神经元。
4结束语
目前，很多高校和公司开发出了移动学习（尤其是智能手机）的应用软件，并且提出较好的处理移动学习资源的处理方法[6]，为用户的碎片式学习和随时随地学习提供了一个良好的环境。本论文提出的算法，很适合应用在这些碎片资源和微型学习资源的萃取，并且可以为这些应用系统或软件提供大量的聚类资源，从而使得用户能够获得更好的用户体验。
参考文献
[1]http：//baike.baidu.com/view/3003454.htm百度百科移动学习2012-12-7
[2]叶成林徐福荫许骏移动学习研究综述电化教育研究2004No.3
[3]陈伟超国内移动学习研究现状及发展建议[J].中国电力教育，2009No.9
[4]词汇语义知识库浅述刘兴林福建电脑2009No.9
[5]MATLAB神经网络应用设计张德丰机械工业出版社2009-01-01
[6]赵刚，杨宗凯LearningResourceAdaptationandDeliveryFrameworkforMobileLearning.35thASEE/IEEEFrontiersinEducationConference.October（10）19-22，2005
|
|
核心期刊网（www.hexinqk.com）秉承“诚以为基，信以为本”的宗旨，为广大学者老师提供投稿辅导、写作指导、核心期刊推荐等服务。 核心期刊网专业期刊发表机构，为学术研究工作者解决北大核心、CSSCI核心、统计源核心、EI核心等投稿辅导咨询与写作指导的问题。 投稿辅导咨询电话：18915033935 投稿辅导客服QQ： 投稿辅导投稿邮箱：1003158336@qq.com |
| 你好，欢迎来到！ 设为首页 ｜收藏本站 | ||
|
