張全政

（廣東環(huán)境保護(hù)工程職業(yè)學(xué)院基礎(chǔ)部，廣東佛山 528216）

1 引言

隨著互聯(lián)網(wǎng)技術(shù)以及計(jì)算機(jī)技術(shù)的飛速發(fā)展，傳統(tǒng)采用黑板以及多媒體的教學(xué)方式已經(jīng)無法滿足現(xiàn)階段師生的需求，因此，李曉波等人將受眾評價作為課程優(yōu)化的指針，研究我國網(wǎng)絡(luò)資源共享課建設(shè)的啟示，分析網(wǎng)絡(luò)公開課建設(shè)的成功經(jīng)驗(yàn)，引出我國高校網(wǎng)絡(luò)資源共享課的相關(guān)思考[1]。靳新媛等人基于“一個平臺、兩個族群、兩個體系”的基本原則，在微觀層面辨析了模型中四個要素及其對日常課堂教學(xué)的影響，構(gòu)建MOOC 聯(lián)盟共建共享模型，通過探討資源建設(shè)主體高校和資源使用主體學(xué)生這兩個族群的關(guān)系，為MOOC 聯(lián)盟的建設(shè)提供一個思路[2]。周唯等人針對高校教學(xué)資源整合資源分散[3]，交互困難的問題，詳細(xì)介紹了系統(tǒng)的總體體系架構(gòu)設(shè)計(jì)，結(jié)合移動計(jì)算和云計(jì)算的移動云計(jì)算技術(shù)，實(shí)現(xiàn)了教學(xué)資源云存儲和云管理的整合模式，提高教學(xué)資源整合與分享的效率，對高校教學(xué)資源的整合方法和整合質(zhì)量實(shí)現(xiàn)了優(yōu)化。

本文總結(jié)以往研究經(jīng)驗(yàn)，提出一種高校英語課程資源共享平臺自動維護(hù)模型，研究高校英語課程資源共享平臺的相關(guān)內(nèi)容，通過該模型維護(hù)共享平臺穩(wěn)定性，同時減少整個平臺的維護(hù)成本。

2 共享平臺自動維護(hù)模型

2.1 共享平臺數(shù)據(jù)降維處理

高校英語課程資源共享平臺自動維護(hù)模型是通過監(jiān)測平臺的課程資源是否異常[4-5]，判斷平臺是否需要維護(hù)，同時實(shí)施響應(yīng)方案。平臺自動維護(hù)是在分析用戶數(shù)據(jù)狀態(tài)的基礎(chǔ)上，通過已有知識庫，判定平臺是否存在異常，具體結(jié)構(gòu)如圖1所示。

圖1 平臺抽象模型結(jié)構(gòu)示意圖

將平臺中需要進(jìn)行分析的用戶資源統(tǒng)稱為事件，通過平臺中的事件分析器對采集到全部數(shù)據(jù)進(jìn)行分析，同時將最終的分析結(jié)果輸入到響應(yīng)單元中，通過平臺中的響應(yīng)單元及時做出響應(yīng)[6]。

平臺自動維護(hù)主要能夠劃分為以下幾個部分，如圖2所示。

圖2 共享平臺自動維護(hù)操作流程圖

(1)高校英語課程資源收集：

在平臺中設(shè)定多個維護(hù)點(diǎn)，采集平臺異常行為信息，為平臺后期的維護(hù)工作奠定堅(jiān)實(shí)的基礎(chǔ)。

(2)平臺數(shù)據(jù)處理：

為了更好地在海量數(shù)據(jù)中準(zhǔn)確識別出異常行為，需要針對平臺采集到全部資源進(jìn)行數(shù)值化以及歸一化等操作。

(3)平臺數(shù)據(jù)分析：

數(shù)據(jù)分析是平臺自動維護(hù)的重要流程，主要采用一些特定的規(guī)則分析實(shí)現(xiàn)平臺數(shù)據(jù)的分析工作，根據(jù)分析結(jié)果判定平臺是否需要進(jìn)行維護(hù)。

(4)平臺響應(yīng)處理：

通過平臺的數(shù)據(jù)分析結(jié)果，能夠獲取平臺中不同用戶的使用狀態(tài)，如果發(fā)現(xiàn)平臺中的用戶存在異常行為，平臺需要及時采取對應(yīng)的響應(yīng)措施，以確保平臺的穩(wěn)定運(yùn)行。

以下主要通過深度信念網(wǎng)絡(luò)對平臺中的數(shù)據(jù)進(jìn)行預(yù)處理。深度信念網(wǎng)絡(luò)(DBN)主要是由若干神經(jīng)網(wǎng)絡(luò)組成，整個網(wǎng)絡(luò)主要包含可見層以及隱藏層；其中，前者主要用于接收以及輸入數(shù)據(jù)；后者則主要應(yīng)用于平臺數(shù)據(jù)特征提取。DBN能夠看做是由于多層非監(jiān)督的受限玻爾茲曼機(jī)(RBM)以及單層反向傳播的神經(jīng)網(wǎng)絡(luò)組成的深層神經(jīng)網(wǎng)絡(luò)(BP)，具體結(jié)構(gòu)圖3所示。

圖3 深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

RBM 網(wǎng)絡(luò)是一種參數(shù)化的概率形成模型，主要是由可見層單元v和隱藏層單元h組成。整個網(wǎng)絡(luò)能夠劃分為兩個部分[7]，其中兩個層次內(nèi)部不存在連接，層級為全連接，同時層級單元之間的連接是雙向的。其中RBM網(wǎng)絡(luò)的可見層單元能夠表示為：

隱藏層單元表示為：

通過RBM網(wǎng)絡(luò)組建的能量函數(shù)能夠表示為：

式中，θ代表RBM 網(wǎng)絡(luò)中的模型參數(shù)；W代表RBM 網(wǎng)絡(luò)中兩個層次的權(quán)值連接矩陣；bi代表可見層i上的乘性偏置；hj代表隱藏層j上的乘性偏置。

其中，隱藏變量在可見變量狀態(tài)下是相互獨(dú)立的，則有：

其中可見層單元的分布情況為：

網(wǎng)絡(luò)結(jié)構(gòu)中的激活函數(shù)E 能夠選取深度學(xué)習(xí)算法中對應(yīng)的函數(shù)[8]。在已知可見層單元v的條件下，隱藏層單元的條件概率分布需要滿足以下的約束條件，即：

式中，對于每一個i而言，Wij代表可見單元vi和隱藏單元hj之間的權(quán)重；cj代表隱藏單元層的偏置值；sig代表可見層元映射到隱藏層單元的激活函數(shù)。

在已知已知隱藏層單元的情況下，可見層單元的條件概率需要滿足：

上式中，bi代表可見層單元vi的偏置。

通過能量函數(shù)，能夠組建v、h的聯(lián)合分布函數(shù)，即：

在實(shí)際情況中，求解問題的關(guān)鍵就是獲取數(shù)據(jù)的分布狀態(tài)，具體的計(jì)算式為：

針對共享平臺中的數(shù)據(jù)資源共享模塊，利用三層疊加的受限玻爾茲曼機(jī)以及單層BP神經(jīng)網(wǎng)絡(luò)對模塊中的高維數(shù)據(jù)進(jìn)行降維處理，具體的計(jì)算式為：

2.2 自動維護(hù)模型組建

分析2.1 小節(jié)可知，在RBM 網(wǎng)絡(luò)中引入能量函數(shù)也是受到統(tǒng)計(jì)力學(xué)泛函的啟發(fā)。

當(dāng)平臺處于有序狀態(tài)或者概率分布分布相對集中，則說明平臺中的能量較?。环粗?，如果平臺處于無序狀態(tài)或者概率分布相對穩(wěn)定，則說明此時平臺能量較大。所以，平臺在經(jīng)過多次狀態(tài)轉(zhuǎn)移之后，平臺逐漸達(dá)到穩(wěn)定的狀態(tài)，其中能量函數(shù)的最小值對應(yīng)的即為平臺最穩(wěn)定的狀態(tài)。

設(shè)定平臺開銷能量函數(shù)為：

由于現(xiàn)階段平臺的能量值為固定值，結(jié)合公式(9)可知，當(dāng)平臺開銷函數(shù)較大時，對應(yīng)測試學(xué)習(xí)率下的能量值最小。

以下將DBN思想將平臺中的訓(xùn)練數(shù)據(jù)采用并行回火算法進(jìn)行全局采樣，計(jì)算現(xiàn)階段平臺能量Eε(vi，hi)。

并行回火的RBM 在進(jìn)行訓(xùn)練的過程中，不同溫度下的并行回火RBM模型的聯(lián)合概率計(jì)算式為：

式中，Z(ti)是ti時刻下的全局采樣訓(xùn)練函數(shù)，計(jì)算相鄰溫度下的顯隱層節(jié)點(diǎn)是否滿足交換條件，其中交換條件為：

其中RBM中參數(shù)的更新方法如下所示：

平臺自動維護(hù)的過程如下所示：

設(shè)定X代表平臺中的一個測試數(shù)據(jù)集，它能夠表示為：

式中，L代表共享平臺中訓(xùn)練數(shù)據(jù)集的含量；D代表平臺中異常數(shù)據(jù)的特征維度。

設(shè)定Y代表L個標(biāo)注平臺中異常數(shù)據(jù)對應(yīng)的標(biāo)簽數(shù)據(jù)集，則能夠?qū)⑵浔硎緸椋?/p>

在上述分析的基礎(chǔ)上，將多層RBM模型進(jìn)行堆疊，組建對應(yīng)的算法。同時通過該算法對RBM 模型進(jìn)行訓(xùn)練，獲取一組全新的參數(shù)，通過該組參數(shù)對下一層RBM 網(wǎng)絡(luò)輸入進(jìn)行訓(xùn)練，以下給出具體的操作步驟：

(1)對RBM 網(wǎng)絡(luò)中的第一層次進(jìn)行訓(xùn)練，獲取對應(yīng)的權(quán)值矩陣。

(2)繼續(xù)采用步驟(1)相同的方法對下一層的RBM進(jìn)行訓(xùn)練，同時固定對應(yīng)的連接權(quán)值。

(3)將權(quán)值進(jìn)行初始化處理，同時采用平臺中的數(shù)據(jù)標(biāo)簽作為輸出層。

(4)通過BP算法對各個權(quán)值進(jìn)行調(diào)整。

通過DBN能夠更好的訓(xùn)練平臺中的數(shù)據(jù)，同時以最快的速度獲取符合目標(biāo)需求的網(wǎng)絡(luò)數(shù)據(jù)，以達(dá)到最佳的維護(hù)目的。

在進(jìn)行訓(xùn)練的過程，為了進(jìn)一步加強(qiáng)整個平臺的運(yùn)行效率，需要將訓(xùn)練集劃分為幾十個或者更多樣本，然后進(jìn)行小批量預(yù)算，以下主要采用平均梯度方法進(jìn)行處理，具體的計(jì)算式為：

3 仿真實(shí)驗(yàn)

為了驗(yàn)證高校英語課程資源共享平臺自動維護(hù)模型的有效性，需要在Windows7操作系統(tǒng)，MATLAB R2011b下進(jìn)行仿真實(shí)驗(yàn)測試。實(shí)驗(yàn)重點(diǎn)針對模型的維護(hù)成本以及平臺穩(wěn)定性兩方面內(nèi)容進(jìn)行實(shí)驗(yàn)研究，實(shí)驗(yàn)數(shù)據(jù)來源為KDNuggets(http：//www.kdnuggets.com/datasets/index.html)內(nèi)隨機(jī)挑選的某一大學(xué)英語泛在學(xué)習(xí)資源共享平臺后臺數(shù)據(jù)，進(jìn)行應(yīng)用性測試，以下詳細(xì)給出：

(1)維護(hù)成本/(萬元)：

高校英語課程資源共享平臺在采用自動維護(hù)模型前后的維護(hù)成本變化情況如圖4所示。

圖4 平臺在使用自動維護(hù)模型前后維護(hù)成本變化情況

分析圖4中的實(shí)驗(yàn)數(shù)據(jù)可知，平臺在采用自動維護(hù)模型后，對平臺中全部數(shù)據(jù)進(jìn)行預(yù)處理，有效刪除平臺中多余的數(shù)據(jù)，促使整個平臺的維護(hù)成本相比之前下降很多。

(2)平臺穩(wěn)定性/(%)：

以下仿真實(shí)驗(yàn)主要對比平臺在使用自動維護(hù)模型前后穩(wěn)定性變化情況，具體實(shí)驗(yàn)對比結(jié)果如表1所示。

表1 平臺使用自動維護(hù)模型前后穩(wěn)定性變化情況

分析表1中的實(shí)驗(yàn)數(shù)據(jù)可知，平臺在使用自動維護(hù)模型后，整體的穩(wěn)定性得到大幅度提升，主要是由于在模型進(jìn)行設(shè)計(jì)的過程中，針對平臺中全部數(shù)據(jù)進(jìn)行預(yù)處理操作，刪除平臺中存在的大量冗余數(shù)據(jù)，降低平臺受到攻擊以及危害的概率，增強(qiáng)整個平臺的穩(wěn)定性。同時，所設(shè)計(jì)的自動維護(hù)模型還能夠?qū)崟r監(jiān)測平臺的運(yùn)行狀態(tài)，發(fā)現(xiàn)故障及時進(jìn)行自動維護(hù)。

4 結(jié)束語

為了維護(hù)資源共享平臺的穩(wěn)定性，設(shè)計(jì)并提出一種高校英語課程資源共享平臺自動維護(hù)模型。仿真實(shí)驗(yàn)結(jié)果表明，所設(shè)計(jì)模型能夠有效增強(qiáng)平臺的穩(wěn)定性，在發(fā)現(xiàn)故障并進(jìn)行自動維護(hù)的同時還能夠減少平臺的維護(hù)成本，具有一定的有效性以及優(yōu)越性。