基于卷积神经网络的教学资源整合方法的研究与实现

发布时间：2020-10-26 07:51

　　 随着信息技术的发展,教材的形式不断的变化,从单一的纸质教材过渡到“教材+光盘”,再到现在流行的“教材+数字资源”的新媒体教材、复合教材。教材形式不断发展的同时,也伴随着学习方式的不断变革。教材从单一的纸质教材到“教材+数字资源”的新媒体教材变化过程,同时也是学习方式的信息化程度不断提高的过程。信息化程度的不断提高,使得越来越来教材资源通过信息技术手段,复合到了原本的纸质教材上,复合教材受到越来越多的关注。二维码技术是新媒体教材中最常见的、用来连接教学资源的信息技术手段,也是数字化的学习方式中最广泛使用的技术,但是2017年4月,教育部明确提出,中小学教材中一律不得出现提供额外教学辅助资料的各类链接网址、二维码等信息。在这种情况下,需要一种新的方式实现教学资源整合。笔者研究基于人工智能领域的卷积神经网络技术实现的教学资源整合方法。利用卷积神经网络技术实现的教学资源整合方法是借助卷积神经网络技术开发Arduino器件识别程序,学习者在学习过程中利用Arduino器件识别程序获取器件相关的学习资源,进而开展学习。本文先是详细陈述了课题的研究背景、研究现状、研究问题、研究方法以及预期研究结果和创新点;然后阐述了文章运用到的卷积神经网络的相关理论基础;接着设计了基于卷积神经网络的教学资源整合方法,其中包括基于卷积神经网络的Arduino器件识别程序的设计和Arduino器件学习资源库的建设;之后依据基于卷积神经网络的教学资源整合方法设计,对卷积神经网络模型进行功能测试,同时也在实际教学活动中进行测试,并且通过与使用者的访谈了解使用者评价;最后,根据测试结果和访谈结果优化程序,然后对优化后的程序再进行一次测试。研究发现,学习者在学习过程中,可以利用基于卷积神经网络的Arduino器件识别程序顺利的开展学习,学习的效率更高;同时识别程序符合学习者的需求,学习者能接受并满意这种方式;识别程序实现直接通过器件来访问教学资源,创新了Arduino学习中的学习者与学习资源之间的交互方式,学习者在学习活动中对使用的器件有疑问时,通过扫描器件的方式提出疑问,识别程序根据识别到的器件做出反馈,实现了学生与课程内容的一种对话。
【学位单位】：上海师范大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：G434
【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景
    1.2 研究现状
    1.3 研究问题及意义
    1.4 研究方法
    1.5 预期研究结果和创新点
第2章 卷积神经网络理论基础
    2.1 深度学习与人工智能
    2.2 深度学习模型
        2.2.1 卷积神经网络CNN
        2.2.2 循环神经网络RNN
    2.3 卷积神经网络常用结构
        2.3.1 卷积层
        2.3.2 池化层
        2.3.3 全连接层
        2.3.4 激活函数
        2.3.5 损失函数
        2.3.6 过拟合问题
    2.4 卷积神经网络优点
    2.5 TensorFlow概述
    2.6 本章小结
第3章 基于卷积神经网络的教学资源整合方法设计
    3.1 基于卷积神经网络的教学资源整合方法总体设计
    3.2 基于卷积神经网络的Arduino器件识别程序设计
        3.2.1 构造流程
        3.2.2 模型设计
    3.3 识别准确率的影响因素分析
        3.3.1 网络层数
        3.3.2 迭代次数
        3.3.3 批处理图片数
        3.3.4 基础学习率
    3.4 Arduino器件学习资源库建设
    3.5 本章小结
第4章 Arduino器件识别程序实现与测试
    4.1 Arduino器件图像采集
    4.2 卷积神经网络的搭建
        4.2.1 将图像转为TFRecord文件
        4.2.2 加载图像
        4.2.3 模型构建
        4.2.4 训练
    4.3 调用摄像头实现器件识别
    4.4 Arduino器件识别程序在新采集图片上的测试
    4.5 Arduino器件识别程序在实际教学环境中的测试一
    4.6 Arduino器件识别程序在实际教学环境中的测试二
    4.7 本章小结
第5章 Arduino器件识别程序优化
    5.1 Arduino器件识别程序识别准确率不高的原因分析
    5.2 Arduino器件识别程序优化
        5.2.1 样本数据集的扩充
        5.2.2 参数的优化
        5.2.3 学习资源推送方式的优化
    5.3 Arduino器件识别程序优化实现
    5.4 Arduino器件识别优化程序测试一
    5.5 Arduino器件识别优化程序测试二
    5.6 本章小结
第6章 研究总结与展望
    6.1 研究总结
    6.2 研究反思与展望
参考文献
附录
致谢

【参考文献】

相关期刊论文 前10条

1 董凯宁;孟津;;基于虚拟现实技术的职业院校可共享教学资源研究[J];教育现代化;2017年52期

2 王少华;;基于二维码技术开发新媒体教材的研究——以观海卫太极拳教材开发为例[J];宁波广播电视大学学报;2017年04期

3 孙立会;葛兴蕾;陈张兼;;技术在未来高等教育中的应用图景——基于《地平线报告2017(高等教育版)》的分析[J];电化教育研究;2017年12期

4 张新新;刘华东;;出版+人工智能:未来出版的新模式与新形态——以《新一代人工智能发展规划》为视角[J];科技与出版;2017年12期

5 吴永和;刘博文;马晓玲;;构筑“人工智能+教育”的生态系统[J];远程教育杂志;2017年05期

6 程琼;;教学资源应用VR技术的优劣势分析[J];当代教研论丛;2017年09期

7 赵群;;VR全景技术在信息化教学中应用可行性研究[J];无线互联科技;2017年16期

8 ;大智能时代的关键之举——五问AI国家战略[J];云南教育(视界综合版);2017年08期

9 徐海璐;王嘉俊;戎新萍;韩雪;;运用二维码建立慕课学习平台[J];教育现代化;2017年34期

10 ;中小学教材不得出现额外教辅资料二维码[J];语文教学与研究;2017年18期

相关硕士学位论文 前2条

1 姜新猛;基于TensorFlow的卷积神经网络的应用研究[D];华中师范大学;2017年

2 王前程;基于深度学习的水果图像识别算法研究[D];河北大学;2016年

本文编号：2856722