人工智能視域下BP灰色神經網絡助推智能教育

劉效含 李華

摘 要：隨著科學技術的迅速發(fā)展，在人工智能浪潮的沖擊和影響下，教育必將面臨一場深層次的變革。教育的發(fā)展離不開師資和學資，優(yōu)化教育資源是完善提高教育質量的重中之重，智能教育必將是時代背景下教育發(fā)展所追逐的目標。本文利用BP神經網絡和灰色系統(tǒng)，建立了一個應用于智能教育的BP-GM（1，1）預測模型，避免“一鍋端”式的教學，精準預測學生的發(fā)展傾向，對學生進行分層次的個性化培養(yǎng)。

關鍵詞：人工智能 灰色系統(tǒng) BP神經網絡 智能教育

中圖分類號：TP319 文獻標識碼：A 文章編號：1672-3791（2018）08（b）-0005-02

隨著灰色神經網絡為代表的機器學習算法在各個領域取得的成功，以及云計算、大數據等提供豐富而源源不斷的數據資源，人工智能正步入一個飛速發(fā)展的時期，且改變著各行各業(yè)，人工智能與教育的融合創(chuàng)新必將成為未來教育變革與發(fā)展的重要趨勢。在此形勢下，教育如何適應智能時代的需求，乘智能時代之風，利用智能技術推進教學模式變革，成為世界各國政府面臨的重要挑戰(zhàn)。

1 精準預測，避免“一鍋端”式的教學

在人工智能大數據的背景下創(chuàng)建智能教育，實施學生培養(yǎng)的個性化。例如，人工智能技術可根據學生的出勤率、考試成績以及金工實習成績等數據，如同量身定做一樣，為每一個學生預測其發(fā)展傾向，實現個性化、分層次培養(yǎng)。當學生的特征不明確或效果不明顯時，人工智能還可通過改進智能算法或優(yōu)化數據分析，基于各類知識庫進行推理，實時反饋，從而不斷完善預測算法的相關系數，優(yōu)化預測模型，提高個性化預測的準確性。

通過該預測系統(tǒng)可以及時掌握學生的狀態(tài)，提高教學質量，在出現問題之前提前做好防范措施，避免由于“一鍋端”式的教學而導致人才損失或是問題學生的產生。

2 人工智能與智能教育技術框架

人工智能的實現主要依賴于3個核心要素：數據、算法、服務，其中數據是基礎，算法是核心，服務是目的。通過構建“數據層”“算法層”“服務層”來完成整個通用技術框架。

（1）數據層。數據層也可稱之為數據庫，主要負責采集、整理、存儲有關學生各類教育方面的數據，它是作為整個系統(tǒng)的輸入端口，也是整個系統(tǒng)得以實現的基礎與根源。

（2）算法層。算法層是整個技術形態(tài)實現的核心。運用各種算法對數據層的數據進行運算、分析，實現數據的智能化處理。

（3）服務層。服務層是是整個技術系統(tǒng)實現的最終功能的體現。它接受來自算法層的處理結果，并作為整個系統(tǒng)的輸出端口服務于教育的各個領域。

本文提出了一個基于BP灰色神經網絡預測模型的技術框架，如圖1所示。

3 基于BP神經網絡的灰色系統(tǒng)的教學評價預測模型

3.1 灰色GM（1，1）預測模型

3.2 BP神經網絡

人工神經網絡處理信息是從已有的數據中自行歸納規(guī)則，獲得數據的某種內在聯(lián)系，通過樣本信息對神經網絡達到一個訓練的作用，它具有良好的自學習、自適應、聯(lián)想記憶、并行處理和非線性形轉換能力，特別適合于因果關系復雜的非確定性推理、判斷、識別和分類等問題[3]。

BP神經網絡是基于誤差反向傳播（back propagation）算法的多層前饋網絡。它的學習過程由信號的正向傳播與誤差的逆向傳播兩個過程組成[4]。

3.3 BP-GM（1，1）預測模型的建立

（1）輸入原始數據資料。

（2）應用灰色系統(tǒng)模型進行預測，得到預測序列；

（3）將預測值作為輸入量，原始數據作為期望值，對BP神經網絡進行訓練，得到相應的權值和閥值；

（4）輸入需要預測的時間點，就可以獲得相當精度的預測量。

4 結語

教育是一個非常復雜的體系，對學生的學習行為和狀況進行科學合理的評價和精準的預測，也是一項艱難的任務。但隨著人工智能帶來的信息化和智能化的理念和實現手段，為教育的快速發(fā)展提供了前所未有的便利。

本文在人工智能大時代背景下，應用BP神將網絡與灰色系統(tǒng)構建智能教育BP-GM（1，1）預測模型，通過該模型即可準確的預測學生的發(fā)展方向，教師就可以根據學生特性進行有目的培養(yǎng)，不至于造成師資、學資的浪費，達到精準預測，精準培養(yǎng)的智能教育體系。

參考文獻

[1] 劉思峰，謝乃明.灰色系統(tǒng)理論及其應用[M].北京：科學出版社，2013：1-2.

[2] Xiao Han Liu.A Novel Grey Forecasting Model with Rolling Mechanism using Taguchi-Based Differential Evolution Algorithm to Optimize the Bicycle Industry in China[J].Industrial Engineering & Management Syetems， 2018，17（1）：72-81.

[3] 劉中俠，蔣詩泉.基于灰色GM（1，1）和BP神經網絡組合預測模型及應用[J].銅陵學院學報，2016，15（3）：102-104.

[4] 蔡自興，徐光祐.人工智能及其應用[M].北京：清華大學出版社，2010：243.