[发明专利]一种基于影响因子和神经网络的知识点摸底方法

权利要求书

1.一种基于影响因子和神经网络的知识点摸底方法，其特征在于，所述方法包括以下步骤：

对知识点的影响因子进行量化，并根据量化后的影响因子，建立多层神经网络模型；

将训练样本参数输入到所建立的多层神经网络模型，并在训练得出的网络误差小于第一预设误差时，停止训练，并保存神经网络模型对应的网络参数；所述网络误差是指样本参数输入神经网络模型后的实际输出与期望输出的误差；

根据所保存的网络参数对神经网络模型进行初始化，并将待测用户对应的知识点的影响因子输入到训练好的神经网络模型中；

神经网络模型根据待测用户对应的知识点的影响因子对待测用户是否掌握该知识点进行预测，并保存预测结果。

2.如权利要求1所述的基于影响因子和神经网络的知识点摸底方法，其特征在于，所述知识点的影响因子包括用户自身综合素质、用户家庭教育程度、用户学校教育程度、用户社会教育程度以及学科。

3.如权利要求1所述的基于影响因子和神经网络的知识点摸底方法，其特征在于，所述“根据量化后的影响因子，建立多层神经网络模型”包括以下步骤：

输入层神经元个数为m个，m为知识点的影响因子个数，采用的是线性恒等激励函数，对应输入样本X_i(i＝1，2，…，m)的维数为m，输入向量X＝[x₁，x₂，…，x_m]，单个节点为x_i；

隐含层神经元个数为n个，采用的是单极S型激励函数f，对应输出样本Y_j(j＝1，2，…，n)的维数为n，隐含层神经元向量Y＝[y₁，y₂，…，y_n]，单个节点为y_j；

输出层神经元个数为p个，采用的是线性传递激励函数g，对应输出样本Z_k(k＝1，2，…，p)的维数为p，输出层向量Z＝[z₁，z₂，…，z_p]，单个节点为z_k，输出层期望值为t_k；

各神经元间连接权值用W_ij和进行V_jk进行表示，其中：W_ij为输入层的第i个神经元到隐含层的第j个神经元的权值，V_jk为隐含层的第j个神经元到输出层的第k个神经元的权值；隐含层神经元j的阈值用θ_j表示，输出层神经元k的阈值用表示；隐含层y_j表示第j个神经元的输出，信号由隐含层传递到输出层，作为输出层的输入；而输出层z_k表示第k个神经元的实际输出，t_k表示期望输出结果；输入层到隐含层的学习率用α表示，隐含层到输出层的学习率用β表示。