智能属性融合算法在教学系统当中的应用

2018-11-26刘洋

电脑知识与技术 2018年24期

关键词：自适应性智能算法残差

刘洋

摘要：随着信息化的浪潮在全球各地广泛深入，社会各个层面都在进行改革。为满足全国各高校教学管理系统的需求，该文提出利用智能属性融合算法对高校教学管理系统进行优化设计应用，加强系统的从而满足学校改进教学管理工作提供客观有效的决策分析方法。

关键词：自适应性；残差；智能算法；自学习性

中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2018）24-0113-02

隨着信息技术的发展和高等教育体制改革的不断深入，高校实现了教育信息化，大大提高了工作效率。将智能属性融合算法技术应用于高校教务管理中，可以分析出重要的对决策或者预测有用的信息和知识，利用分析结果辅助教学，帮助教学管理者做出科学的决策。

智能属性融合技术的目的是对“全信息”的融合处理，实现高层次的人脑分析处理问题功能的模拟。如何利用这些多元化的信息，在存在高度不确定性的情况下，保证融合系统的准确性和稳健性，是需要解决的关键技术。

由于高校教学系统内外环境越来越复杂多变，当前对教学管理系统的要求是越来越高。要求教学系统不仅能够适应环境的动态变化，而且可以减少一些未知不确定性因素对系统产生的不良影响，因而需要发展具有自学习性和自适应性的智能数据融合技术。而智能的实质就是如果一个系统在存在不确定性的情况下，能够提高自身性能或者是自身性能保持在可以接受的水平上的能力，其主要特征表现为学习能力、适应能力、容错能力和自组织能力。

1 基础公式

参数解释：

[Kt]即智能算法增益，详细情况后面解释。[Pt]为协方差矩阵，详细情况后面解释。

从直观上来说，从基本公式到智能算法方程形式上相类似，但在理解上显然后者有更大的跳跃性，这种跳跃性体现在：

①协方差矩阵[Pt]的“来”与“去”；

②智能算法增益[Kt]的“来”与“去”；

③如何理解预测阶段与更新阶段之间的关系。

在解释协方差矩阵[Pt]之前，首先引用两个量：[et=xt-xt|t]和[e-t=xt-xt|t]，它们分别表示真实值与更新阶段的更新值以及真实值与预测阶段的预测值之间的误差。同时，引入残差[zt-Ht?xt|t-1]的概念，因为残差包含了测量值和预测值（其实是表征了在测量模型中使用预测值来得到预测的测量值与真是测量值之间的差），因此残差很重要。

预测，就是利用前一时刻的更新值（其实也就是前一时刻计算出的“真值”）来计算当前时刻的系统状态的预测值。同时，利用前一时刻的协方差矩阵来计算当前时刻的协方差矩阵。而这些值将用于随后的更新阶段。

更新，就是利用当前测量值和预测值来计算当前的“真值”，同时，更新协方差矩阵和智能算法增益。而这些值也将用于下一轮的预测阶段。

再来看什么是协方差矩阵[Pt]。从数学上来说，后验估计协方差矩阵[Pt|t=E[eteTt]]，先验估计协方差矩阵是[Pt|t-1=E[e-te-Tt]]，分别对应更新阶段和预测阶段的误差的协方差矩阵，则易知该协方差矩阵是对称阵，其中主对角元是状态向量对应的方差，非对角元元素为状态向量之间的协方差。由智能算法方程可知，若先验估计协方差矩阵[Pt|t-1]减小，则智能算法增益[Kt]减小，后验估计协方差矩阵[Pt|t]也减小。然后理解智能算法增益[Kt]是什么。从来源上来说，更新阶段的[Kt]是由[Pt|t]对[Kt]求导使得导数等于0时得到。这意味着[Kt]的意义在于使得后验估计协方差矩阵尽可能的小。与此同时，我们会发现，对于前面提到的残差来说，如果[Kt]越小，则残差的分量就越小，那么更新值就更“接近”预测值，也就是我们更倾向于认为预测是准确的；反之，[Kt]越大，则残差代表的分量越大，也就是说系统更倾向于认为测量是准确的。从这种意义上来说，[Kt]就是残差的加权矩阵。

①残差。通过残差，我们可以知道预测跟测量的关系。因此，如果残差越小，说明预测和测量之间的差距越小，即真实值≈测量值≈预测值；

②协方差矩阵。由上文可知，协方差矩阵存在着如下性质：[Pt]越小，则说明先验误差估计中预测跟真实值相差越小，后验误差估计中真实值与校正值相差越小。这表明，此时的真实值、预测值和校正值相近，因此协方差矩阵可以作为判断依据；

③引入第三方。在测试的时候，为了得到相关数据或者测试构建的卡尔曼滤波器性能，通常会利用“第三方”来进行判断（比如说用激光测已知距离的物体，来估计其效果）。但显而易见的是，对于大多数实际应用场景来说，采用第三方的方式存在应用上的局限性；

④反馈系统。由图1可知，卡尔曼滤波器是一个反馈系统，预测值相当于输入，而校正值既是输出也是反馈值，因此，我们可以考虑观察反馈值与输入之间的关系来进行判断。

3 结语

教学系统作为现代教育教学管理的重要手段，必须保证教育教学工作正常开展，促进教学系统不断优化，在导向、改进和激励教育教学工作中发挥关键作用。利用智能属性融合算法，有利于学校了解隐藏的隐性信息，推动教育教学改革，促进教育教学质量的提高。

参考文献：

[1] 孙庆伟.复杂干扰环境下多传感器数据融合方法及应用[D].哈尔滨工业大学博士学位论文，2002：13-15.

[2] 刘金强，聂诗良，潘泽友，等.基于多传感器数据融合的智能小车避障的研究[J].传感器与位系统；2010（2）：66-68.

[3] 张鹏，张建业，王占磊，等.基于近邻量测认知信息的多传感器融合估计[J].计算机工程，2012（8）：45-48.

[4] 付春玲，宫德龙，李捷.量测不确定下多传感器一致性数据融合算法[J].传感器与微系统，2013（7）：22-25.

[5] 吴志刚，苏安婕，李恵杰，等.基于层次分析与数据融合的综合评估方法[J].河南大学学报（自然科学版）；2013（3）：13-16.