尚云峰

（浙江越秀外國(guó)語(yǔ)學(xué)院，浙江紹興312000）

隨著大數(shù)據(jù)信息處理技術(shù)和移動(dòng)通信技術(shù)的發(fā)展，在移動(dòng)終端環(huán)境下進(jìn)行網(wǎng)絡(luò)教學(xué)，成為未來(lái)教學(xué)發(fā)展的重要趨勢(shì)。采用移動(dòng)終端平臺(tái)進(jìn)行網(wǎng)絡(luò)教學(xué)質(zhì)量的分類化評(píng)估，結(jié)合大數(shù)據(jù)的聚類處理和信息融合技術(shù)，實(shí)現(xiàn)對(duì)移動(dòng)終端中網(wǎng)絡(luò)教學(xué)質(zhì)量的分類評(píng)估，構(gòu)建網(wǎng)絡(luò)教學(xué)質(zhì)量的分類化評(píng)估系統(tǒng)，提高網(wǎng)絡(luò)教學(xué)質(zhì)量的分類評(píng)估的信息管理能力，研究網(wǎng)絡(luò)教學(xué)質(zhì)量的分類化評(píng)估系統(tǒng)優(yōu)化設(shè)計(jì)方法，在促進(jìn)教學(xué)管理和教學(xué)改革優(yōu)化中具有重要意義[1]。

移動(dòng)終端的網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估系統(tǒng)的設(shè)計(jì)建立在對(duì)教學(xué)評(píng)估大數(shù)據(jù)的統(tǒng)計(jì)分析基礎(chǔ)上，需要對(duì)網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估統(tǒng)計(jì)信息進(jìn)行優(yōu)化聚類處理，結(jié)合數(shù)據(jù)的聚類屬性特征進(jìn)行移動(dòng)終端的網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估系統(tǒng)的融合調(diào)度和分類識(shí)別，提高對(duì)網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估和統(tǒng)計(jì)分析能力[2]。文獻(xiàn)[3]中提出一種基于PSO神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估系統(tǒng)設(shè)計(jì)方案，構(gòu)建網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估信息采樣模型，分析網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估系統(tǒng)的大數(shù)據(jù)分布特征，該方法對(duì)大規(guī)模信息處理的自適應(yīng)性能不好。文獻(xiàn)[4]中提出一種基于大數(shù)據(jù)融合調(diào)度的網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估的自適應(yīng)調(diào)度和學(xué)習(xí)算法，但該系統(tǒng)的人機(jī)交互性不好，資源整合能力不強(qiáng)。

針對(duì)上述問(wèn)題，本文提出一種基于移動(dòng)終端的網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估系統(tǒng)。采用關(guān)聯(lián)規(guī)則信息特征提取方法進(jìn)行教學(xué)質(zhì)量評(píng)估統(tǒng)計(jì)大數(shù)據(jù)預(yù)測(cè)，對(duì)教學(xué)質(zhì)量評(píng)估的大數(shù)據(jù)進(jìn)行了模糊統(tǒng)計(jì)時(shí)間序列模型構(gòu)建；采用統(tǒng)計(jì)回歸分析方法對(duì)教學(xué)質(zhì)量評(píng)估大數(shù)據(jù)進(jìn)行全樣本分段檢測(cè)，根據(jù)特征提取結(jié)果采用模糊C均值聚類方法進(jìn)行教學(xué)質(zhì)量評(píng)估分類化調(diào)度；結(jié)合聯(lián)合判決檢測(cè)方法進(jìn)行網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估統(tǒng)計(jì)信息多維度回歸分析，實(shí)現(xiàn)教學(xué)質(zhì)量的量化評(píng)估，進(jìn)行在移動(dòng)終端環(huán)境下網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估系統(tǒng)的軟件開(kāi)發(fā)設(shè)計(jì)。最后進(jìn)行仿真實(shí)驗(yàn)分析，展示了本文方法在提高移動(dòng)終端的網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估能力方面的優(yōu)越性能。

1 系統(tǒng)的總體設(shè)計(jì)構(gòu)架和開(kāi)發(fā)環(huán)境描述

為了實(shí)現(xiàn)移動(dòng)終端下網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估系統(tǒng)的優(yōu)化設(shè)計(jì)，在物聯(lián)網(wǎng)環(huán)境下建立移動(dòng)終端平臺(tái)，結(jié)合校園網(wǎng)和智能傳感器組網(wǎng)技術(shù)，構(gòu)建網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估系統(tǒng)的三層控制結(jié)構(gòu)模型，分別為數(shù)據(jù)采集層、移動(dòng)終端中網(wǎng)絡(luò)教學(xué)智能信息處理層和人機(jī)交互應(yīng)用層，結(jié)合大數(shù)據(jù)信息融合和模糊控制處理，采用人工智能技術(shù)進(jìn)行移動(dòng)終端下網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估系統(tǒng)的優(yōu)化設(shè)計(jì)，構(gòu)建信息集成處理模塊進(jìn)行遠(yuǎn)程網(wǎng)絡(luò)教學(xué)的信息融合和優(yōu)化處理設(shè)計(jì)，提高移動(dòng)終端下網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估系統(tǒng)的組網(wǎng)性能和數(shù)據(jù)優(yōu)化采集能力。系統(tǒng)的網(wǎng)絡(luò)模塊采用Internet，GPRS，WiFi進(jìn)行網(wǎng)絡(luò)通信，在信息處理層采用傳感器陣列進(jìn)行移動(dòng)終端下網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估系統(tǒng)的原始數(shù)據(jù)采集，結(jié)合大數(shù)據(jù)處理技術(shù)[5]，實(shí)現(xiàn)移動(dòng)終端下網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估系統(tǒng)的參數(shù)識(shí)別和控制指令傳輸，由此得到本文設(shè)計(jì)的移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估系統(tǒng)的總體構(gòu)架（如圖1所示）。

圖1 系統(tǒng)的總體設(shè)計(jì)構(gòu)架

根據(jù)圖1對(duì)系統(tǒng)總體設(shè)計(jì)構(gòu)架的分析，本文設(shè)計(jì)的系統(tǒng)主要包括了AD模塊、大數(shù)據(jù)信息融合模塊、移動(dòng)終端數(shù)據(jù)調(diào)度模塊、教學(xué)評(píng)估的信息預(yù)處理模塊和資源調(diào)度模塊等，采用大數(shù)據(jù)融合調(diào)度方法進(jìn)行移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估的自適應(yīng)調(diào)度和學(xué)習(xí)算法設(shè)計(jì)，實(shí)現(xiàn)移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估。在以太網(wǎng)中建立以ZigBee為基礎(chǔ)構(gòu)架的網(wǎng)絡(luò)通信協(xié)議，實(shí)現(xiàn)移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估系統(tǒng)的網(wǎng)絡(luò)設(shè)計(jì)和總線傳輸控制，在嵌入式ARM和Linux環(huán)境下進(jìn)行移動(dòng)終端下網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估系統(tǒng)的開(kāi)發(fā)設(shè)計(jì)[6]。移動(dòng)終端下網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估系統(tǒng)的功能結(jié)構(gòu)組成如圖2所示。

圖2 移動(dòng)終端下網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估系統(tǒng)的功能結(jié)構(gòu)組成

2 網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估及大數(shù)據(jù)特征分析

2.1 教學(xué)質(zhì)量分類化評(píng)估統(tǒng)計(jì)信息采樣

在上述進(jìn)行系統(tǒng)統(tǒng)計(jì)設(shè)計(jì)構(gòu)架分析的基礎(chǔ)上，進(jìn)行移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估的算法設(shè)計(jì)，構(gòu)建移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量的大數(shù)據(jù)挖掘模型，采用多元指標(biāo)聯(lián)合分析建模方法進(jìn)行移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量評(píng)估的指標(biāo)構(gòu)建，初始化移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量評(píng)估數(shù)據(jù)分類的聚類中心F(xi,Aj(L))，i=1,2,...,m，j=1,2,...,k，提取移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量評(píng)估的粗糙集，得到移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量評(píng)估數(shù)據(jù)的信息融合模型

移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量特征信息采集的節(jié)點(diǎn)數(shù)目為N=n-(m-1)τ，計(jì)算移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量評(píng)估的統(tǒng)計(jì)特征量為：

用大數(shù)據(jù)融合方法進(jìn)行移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量挖掘的大數(shù)據(jù)分析和統(tǒng)計(jì)建模，通過(guò)統(tǒng)計(jì)樣本回歸分析模型進(jìn)行移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量評(píng)估的指標(biāo)體系構(gòu)建[7]，得到移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量挖掘潛力評(píng)估的模糊控制函數(shù)，記為：

移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量評(píng)估大數(shù)據(jù)的特征分布δk變成了δik(t)：

在特征提取的基礎(chǔ)上，構(gòu)建移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量評(píng)估數(shù)據(jù)采樣序列為{x(t0+iΔt)},i=0,1,…,N-1，數(shù)據(jù)信息流矢量長(zhǎng)度為K，由此實(shí)行教學(xué)質(zhì)量分類化評(píng)估統(tǒng)計(jì)信息采樣。

2.2 特征提取和分類

設(shè)移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量評(píng)估數(shù)據(jù)的任意兩個(gè)聚類簇Mi與Mj中心距離為Clustdist(Mi,Mj)，當(dāng)(i≠j,1≤i≤q,1≤j≤q)，構(gòu)建移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量評(píng)估的統(tǒng)計(jì)特征量，得到量化評(píng)估估計(jì)值

采用統(tǒng)計(jì)回歸分析方法對(duì)教學(xué)質(zhì)量評(píng)估大數(shù)據(jù)進(jìn)行全樣本分段檢測(cè)，移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量數(shù)據(jù)的分布狀態(tài)模型T的子模式為X=I1I2…Ik，對(duì)于給定的正整數(shù)k，構(gòu)建移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量的大數(shù)據(jù)特征分解模型

其中，C1，S1，S2均為常量，根據(jù)移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量評(píng)估的量化特征集，進(jìn)行大數(shù)據(jù)挖掘。

3 教學(xué)質(zhì)量分類化評(píng)估算法優(yōu)化

利用統(tǒng)計(jì)回歸分析方法對(duì)教學(xué)質(zhì)量評(píng)估大數(shù)據(jù)進(jìn)行全樣本分段檢測(cè)，根據(jù)特征提取結(jié)果采用模糊C均值聚類方法進(jìn)行教學(xué)質(zhì)量評(píng)估分類化調(diào)度，得到移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量分類挖掘狀態(tài)指標(biāo)集

定義D=(dγ)γ∈Γ為移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量評(píng)估的粗糙集，統(tǒng)計(jì)特征分布為{x(t0+iΔt)},i=0,1,…,N-1，其特征空間重構(gòu)為：

其中K=N-(m-1)τ，表示移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量評(píng)估的正交特征向量，采用分塊聚類方法進(jìn)行移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量評(píng)估指標(biāo)體系的大數(shù)據(jù)聚類處理，得到聚類輸出

其中，a0為移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量大數(shù)據(jù)的初始采樣幅值，xn-i為具有相同的均值、方差的移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量標(biāo)量時(shí)間序列。采用模糊C均值聚類模型進(jìn)行移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量評(píng)估的全局最優(yōu)解計(jì)算，模糊C均值聚類的優(yōu)化模型為：

移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量評(píng)估的狀態(tài)參數(shù)分別為：

結(jié)合信息融合方法進(jìn)行全樣本回歸分析，結(jié)合模糊決策函數(shù)進(jìn)行分類化評(píng)估的模糊檢測(cè)，得到移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量評(píng)估的統(tǒng)計(jì)量

由此實(shí)現(xiàn)了移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量的關(guān)聯(lián)約束性檢測(cè)，得到移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量評(píng)估的狀態(tài)函數(shù)

從而得到移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量增長(zhǎng)指數(shù)時(shí)間序列評(píng)估值

分類化評(píng)估的共同評(píng)價(jià)關(guān)聯(lián)度函數(shù)為：

式（18）中，CPCa,b為移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量的有向性特征，da,i和db,i∈[1 , 5]表示關(guān)聯(lián)約束系數(shù)，構(gòu)建移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估系統(tǒng)結(jié)構(gòu)模型，得到移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估大數(shù)據(jù)信息采樣的干擾強(qiáng)度

式中，A(t)為移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估輸出碼元的時(shí)延擴(kuò)展，根據(jù)特征提取結(jié)果采用模糊C均值聚類方法進(jìn)行教學(xué)質(zhì)量評(píng)估分類化調(diào)度，結(jié)合聯(lián)合判決檢測(cè)方法進(jìn)行網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估統(tǒng)計(jì)信息多維度回歸分析，實(shí)現(xiàn)算法改進(jìn)設(shè)計(jì)。

4 系統(tǒng)軟件開(kāi)發(fā)實(shí)現(xiàn)與仿真測(cè)試

在上述進(jìn)行系統(tǒng)評(píng)估算法和大數(shù)據(jù)信息處理算法設(shè)計(jì)的基礎(chǔ)上，進(jìn)行系統(tǒng)的軟件開(kāi)發(fā)設(shè)計(jì)，采用IEEE802.3EFM移動(dòng)終端通信協(xié)議，采用DSP集成信號(hào)處理器進(jìn)行移動(dòng)終端中網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估的大數(shù)據(jù)信息處理，采用SDICmdSta寄存器、SDI Response Register 0-3寄存器進(jìn)行移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估的信息交互設(shè)計(jì)和總線調(diào)度，設(shè)計(jì)LOCAL總線與PCI總線進(jìn)行程序調(diào)度，得到系統(tǒng)的交叉編譯控制程序（如圖3所示）。

圖3 系統(tǒng)的交叉編譯控制程序界面

采用CPLD控制液晶顯示界面，通過(guò)并行方式進(jìn)行移動(dòng)終端下網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估系統(tǒng)的接口設(shè)計(jì)，在此基礎(chǔ)上進(jìn)行仿真測(cè)試，得到移動(dòng)終端下網(wǎng)絡(luò)教學(xué)質(zhì)量分類化平的大數(shù)據(jù)采樣結(jié)果如圖4所示。

圖4 移動(dòng)終端下網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估的大數(shù)據(jù)采樣結(jié)果

以圖4的數(shù)據(jù)為輸入，進(jìn)行移動(dòng)終端下網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估的信息預(yù)測(cè)，得到教學(xué)質(zhì)量評(píng)估輸出（如圖5所示）。

圖5 教學(xué)質(zhì)量分類化評(píng)估輸出

分析圖5得知，本文方法能有效實(shí)現(xiàn)移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估，數(shù)據(jù)聚類性較好，測(cè)試評(píng)估置信度水平，得到對(duì)比結(jié)果見(jiàn)表1。分析表1得知，本文方法進(jìn)行移動(dòng)終端網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估的置信度水平較高。

表1 置信度水平對(duì)比

5 結(jié)語(yǔ)

本文提出一種基于移動(dòng)終端的網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估系統(tǒng)。采用關(guān)聯(lián)規(guī)則信息特征提取方法進(jìn)行教學(xué)質(zhì)量評(píng)估統(tǒng)計(jì)大數(shù)據(jù)預(yù)測(cè)，對(duì)教學(xué)質(zhì)量評(píng)估的大數(shù)據(jù)進(jìn)行了模糊統(tǒng)計(jì)時(shí)間序列模型構(gòu)建，采用統(tǒng)計(jì)回歸分析方法對(duì)教學(xué)質(zhì)量評(píng)估大數(shù)據(jù)進(jìn)行全樣本分段檢測(cè)，根據(jù)特征提取結(jié)果采用模糊C均值聚類方法進(jìn)行教學(xué)質(zhì)量評(píng)估分類化調(diào)度，結(jié)合聯(lián)合判決檢測(cè)方法進(jìn)行網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估統(tǒng)計(jì)信息多維度回歸分析，實(shí)現(xiàn)教學(xué)質(zhì)量的量化評(píng)估。仿真結(jié)果表明，采用該方法進(jìn)行網(wǎng)絡(luò)教學(xué)質(zhì)量分類化評(píng)估的置信度水平較高，信息分類準(zhǔn)確性較好，提高了網(wǎng)絡(luò)教學(xué)質(zhì)量的量化評(píng)估能力，具有很好的應(yīng)用價(jià)值。