12.3. Выводы
В данной главе были приведены анализ и обоснование разработки адаптивного обучающего и контролирующего курсов по нейросетям.
Были сформулированы основные цели разработки:
повысить эффективность обучения,
понизить занятость преподавателя,
снизить время на изучение материала студентами;
снизить затраты на изучение материала студентами.
Т.к. ЧДД > 0 и Tок= 0,9 года, данная разработка целесообразна с экономической точки зрения и применение данной системы экономически оправдано.
Итоговые сравнительные технико-экономические характеристики систем приведены в следующей таблице.
Сравнительные технико-экономические характеристики систем
Технико-экономические характеристики |
Традиционный способ обучения |
Разработанный способ обучения |
Продолжительность разработки, мес. |
- |
4 |
Затраты на разработку, руб. |
- |
14236 |
Занятость преподавателя, часы/семестр |
114 |
- |
Занятость студентов, часы/семестр |
57 |
37 |
Затраты на обучение группы из 50 студентов, руб./семестр |
12264.5 |
6647.5 |
Помимо обучающего/контролирующего курса, для которого и проводились экономические расчеты, работа содержит теоретические исследования, а также методику создания новых курсов, что позволит при внедрении представленной разработки получать регулярный доход от внедрения и эксплуатации новых обучающих курсов.
Глава 13. Обучение контролирующей системы
Для контроля знаний в обучающей системе используется нейронная сеть. Топология этой сети соответствует характеру выборки из задаваемых вопросов (их будет всего 12), а также характеру выставляемой оценки (по четырехбалльной системе).
Таким образом, на основании этих данных была построена нейронная сеть типа многослойный персептрон, имеющая 12 входов и 4 выхода.
Путем опытных исследований было установлено, что для минимизации вычислений при необходимой для предоставленных сети выборок сложности сети необходим также один скрытый слой, состоящий хотя бы из 8 нейронов. Для ускорения сходимости процесса обучения на скрытый слой сети было помещено 10 нейронов.
Рис. 1. Структура сети для обучения контролирующей системы.
Обучение проводилось методом обратного распространения ошибки с использованием момента для ускорения сходимости, с использованием перестановки образцов для достижения сходимости, с использованием перекрестной проверки и дополнительного шума, для исключения возможности переобученности сети.
Рис. 2. Окно обучения сети.
Были сгенерированы две последовательности образов, квалифицированных учителем. Обе последовательности подчинены случайному закону распределения с одинаковыми параметрами.
Для генерации последовательности использовалось следующее правило: считалось, что вероятность неправильного ответа для каждого вопроса в образе одинакова, а для каждого отдельного образа вероятность неправильного ответа на каждый вопрос составляет 3%-35%.
Одна из последовательностей содержит 320 образов, а вторая – 120 образов. Первая последовательность была использована для обучения сети, а вторая – для проверки качества обучения.
Далее представлен график сходимости процесса обучения. На графике показаны среднеквадратичные ошибка для обучающей последовательности (ниже) и контролирующей последовательности (выше). Из графика становится очевидно, что ошибка весьма мала как для обучающей, так и для контролирующей последовательности.
Рис. 3. График изменения ошибки.
В действительности, сеть при окончательной проверки всеми 430 образами ошиблась всего один раз (поставила оценку «5» вместо оценки «4»).
Образы, предъявленные сети приведены в приложении.
Формат представления образов:
|
Образ |
Оценка учителя |
Оценка системы |
1. |
1 1 1 1 1 0 1 1 1 0 1 0 |
0 0 1 0 (4) |
0 0 1 0 (4) |
2. |
1 1 1 1 1 1 1 0 1 1 1 1 |
0 0 0 1 (5) |
0 0 0 1 (5) |
3. |
1 1 0 1 0 1 1 1 1 1 1 0 |
0 0 1 0 (4) |
0 0 1 0 (4) |
|
… |
|
|
318. |
1 1 1 1 1 1 1 0 1 1 1 0 |
0 0 1 0 (4) |
0 0 1 0 (4) |
319. |
1 0 1 1 1 1 1 1 1 1 1 1 |
0 0 0 1 (5) |
0 0 0 1 (5) |
320. |
0 1 1 1 0 1 1 1 1 1 1 1 |
0 0 1 0 (4) |
0 0 1 0 (4) |