基于K-均值聚类算法的英语教学岗位胜任能力评估系统设计

王柳莎

(咸阳职业技术学院， 咸阳 712000)

0 引言

随着信息处理及大数据分析等技术的发展和完善，将其应用到教学评估和资源信息调度具有较高的实际应用价值，有助于教学过程中定量管理和规划能力的提高，由于英语教学岗位胜任能力评估过程中，对其产生影响的优势较多，需定量测试和分析英语教学岗位胜任水平，在此基础上可完成约束胜任能力的参量模型的构建，进而获得大数据分析模型，英语教学岗位胜任能力评估通过使用信息融合和聚类处理方法完成目标函数和统计分析模型的构建，可提高评估过程的科学性和实用性，提高定量预测能力[1]。

1 英语教学岗位胜任能力评估数据分析模型

1.1 约束参量数据分析

对于传统的英语教育岗位胜任能力评估上，评估算法的数据信息分类的准确率较低，据此本文主要对高职院校英语教学岗位胜任能力评估系统进行了设计。准确评估英语教育岗位胜任能力的实现，首先需要获取其约束参量[2]，即需完成岗位胜任能力约束参量的信息采样模型的构建，在使用信息融合方法的基础上，结合时间序列分析方法从而完成对英语教育岗位胜任能力的统计分析。约束英语教学岗位胜任能力的指标参量在本质上是一组非线性时间序列，本文英语教育岗位胜任能力评估通过高维特征分布空间的构建，将参量指标分布模型以具体的形式表现出来，结合目前的研究成果分析出约束英英语教学岗位胜任能力的主要指标参量，包括教学水平、教学管理水平、专业水平等[3]，在此基础上完成微分方程的构建即约束参量的信息流模型，英语教学岗位胜任能力评估的多元价值函数由h()表示，评估误差测量函数由ωn表示，具体表达式如式(1)。

xn=x(t0+nΔt)=h[z(t0+nΔt)]+ωn

(1)

英语教育岗位胜任能力评估解向量的计算通过相关性融合方法在高维的特征分布空间中完成，进而得到岗位胜任能力评估的特征训练子集，由Si(i=1,2,…,L)表示的特征训练子集需满足下列条件如式(2)。

(2)

在英语岗位胜任能力评估中由xn+1=μxn(1-xn)表示统计信息模型的一个共轭解[4]，满足初始值特征分解条件：

(Ii)i∈N={x1,x2,…,xm}

(3)

对于英语岗位胜任能力评估(涉及一组多元变量)由x(n)表示其统计特征分布序列，依据统计测量值完成英语岗位胜任能力评估的数据信息流模型的构建，具体表达式如式(4)。

c1x(τ)=E{x(n)}=0

c1x(τ)=E{x(n)x(n+τ)}=r(τ)

ckx(τ1,τ2,…,τk-1)≡0,k≥3

(4)

英语教育岗位能力评估中教学水平和教学资源分布水平满足连续泛函条件，即岗位能力评估有收敛解[5]，约束条件如式(5)。

(5)

在英语教育岗位胜任能力评估的数据信息流模型的构建的基础上，大数据分布模型的构建能够为评估奠定科学准确的数据输入基础。

1.2 评估的定量递归分析

本文在分析大数据信息模型时采用定量递归分析方法，完成英语教育岗位胜任能力评估控制目标函数的构建[6]，具体表达式如式(6)。

(6)

uc(t)=Kxc(t)

(7)

英语教育岗位能力评估统计模型在高维特征分布空间中的连续函数为u:I×IRd→IR，经过迭代后(k-1次，k≥1)，岗位胜任能力评估的灰阶序列满足N(k)

(8)

结合K值寻优方法，a0表示初始能力评估的采样幅值，标量时间序列由xn-i表示，bj表示能力评估的振荡衰减值，则教育岗位能力评估的定量递归特征提取结果表达式如式(9)。

(9)

2 英语岗位胜任能力评估模型的优化

(10)

英语岗位胜任能力的估计式转化为求最小二乘解如式(11)。

z(t)=x(t)+iy(t)=a(t)eiθ(t)+n(t)

(11)

评估大数据分布时间序列中由x(t)表示实部，评估约束指标序列的虚部由y(t)表示，英语岗位胜任能力的振幅随机化处理通过采用替代数据法实现，对经验分布数据(第k类中的教学能力评估)进行扰动泛函，获取第k类的子类集合，据此得到英语教学资源利用率的表达式如式(12)。

(12)

构建分层树，英语岗位胜任能力评估的主成分特征量的建立通过使用大数据分析方法实现，教学资源分布的相似度的求解则通过使用模糊贴近度填充方法，具体表达式如式(13)。

(13)

di表示英语教学能力评估的先验分布特征向量；第1层大数据的K均值聚类中心向量由d1j表示，结合线性特征融合方法实现对能力评估指标参数进行聚类和整合，获取输出信息融合表达式如式(14)

P(w/x)=P(xw)/p(x)

(14)

在指标参数聚类和整合的基础上，完成相应教学资源及教学能力的分配计划，从而实现英语教学岗位胜任能力评估的优化，提高了评估的准确性和实用性。

3 仿真实验及检测结果

图1 大数据时域分布时域波形

研究对象选取上述指标参数大数据统计结果，对其进行数据聚类和信息融合处理，从而实现教学岗位胜任能力的评估，评估指标的测试结果如表1所示。

测试结果表明在对教学岗位胜任能力进行评估时，采用本文方法获取的准确性相对较高，并且提高了教学资源的利用率。

表1 性能测试对比

4 总结

对于传统的英语教育岗位胜任能力评估上，评估算法的数据信息分类的准确率较低，据此本文主要对高职院校英语教育岗位胜任能力评估系统进行了设计，提出以大数据模糊K均值聚类算法为基础的评估方法，在约束参量指标分析模型建立的基础上，评估大数据信息模型的能力(使用定量递归分析方法)，提取出能力约束特征信息的熵特征，融合K均值聚类算法，聚类并整合英语教育岗位胜任能力的指标参数，据此完成教学资源分配计划的编制，从而实现英语教育岗位胜任能力的科学评估。试验结果表明本文设计的评估算法显著提高了英语教育岗位胜任能力评估过程中的信息融合分析能力及准确性，实际应用价值较高。