大型教学系统中的智能大数据关键特征估计方法

发布时间：2024-03-17 15:36

　　传统二阶特征估计法在对大数据方差进行估计,预测大型教学系统中的智能大数据关键特征时,存在对多特征的智能大数据关键特征估计效果不明显,估计结果误差累计量大的问题。因此,提出大型教学系统的智能大数据关键特征估计方法,其采用Relief关键特征估计方法获取大数据特征权重,完成智能大数据特征流行学习,通过对特征权重选择后的数据空间进行无监督学习和低维嵌入,实现对多特征的智慧大数据的特征估计。基于大数据关键特征估计结果,采用滚动时间序列估计方法,通过AR(p)模型运算大数据特征的模型阶数,依据该阶数向滚动AR算法引入实时数据,解决大数据特征估计中估计结果不同步造成的累计误差问题,实现智能大数据关键特征准确预测。实验结果表明,所提方法可增强对关键特征的估计精度,对关键特征的估计效果也有所提高。

【文章页数】：4 页

【部分图文】：

图1数据量为1000时两种方法估计结果的正确率Fig.1Accuracyratesforestimationresultsof

音乐艺术平均估计结果准确率本文方法下关键特征估计结果50091.2392.392.594.2192.693.394.195.292.593.1100091.594.292.895.693.495.695.697.594.694.5150092.596.598.697.998.69....

图2数据量为1500时两种方法估计结果的正确率Fig.2Accuracyratesforestimationresultsof

93.1100091.594.292.895.693.495.695.697.594.694.5150092.596.598.697.998.699.598.698.499.697.8二阶特征估计法对关键特征的估计结果50072.674.273.279.674.674.269.5....

本文编号：3931245