100000 تومان
افزودن به سبد خرید
0 فروش 180 بازدید
جزئیات محصول
تعداد قسمت: 1
پسوند فایل: zip
حجم فایل: 2MB
فایل راهنما: دارد
فریم ورک: MATLAB
بسته نصبی: ندارد
امکانات: فایل مقاله لاتین (منابع) و فایل ورد (10 صفحه) و ام فایل متلب و دیتابیس
تاریخ انتشار: 30 مارس 2021
دسته بندی: ,,

تبلیغات

پروژه متلب طبقه بندی سوالات به صورت خودکار در یک محیط یادگیری رقابتی با استفاده از الگوریتم  PSO در سیستم های خبره فازی

چکیده

سیستم تدریس خصوصی هوشمند یک ابزار کارآمد است تا به طور خودکار پیشرفت و نیازهای دانش آموزان رامنطبق با فرآیند یادگیری کند. نکته مهم در این جا این است که آیا سیستم می­تواند سطح علمی دانش آموزان را مشخص کند؟! در این جا سعی شده است که دانش آموزان را بر اساس سطح دشواری آنان طبقه بندی کنیم. خیلی از سیستم­ها برای تخمین این سوال­ها به مشکل برمی­خورند. با این حال تنوع در محیط نرم افزار باعث شده که اعمال راه حل های موجود به طور مستقیم به یک برنامه مشکل شود. بنابراین، یک راه حل خاص طراحی شده است که منظور آن تعیین سطح دشواری سوالات باز در یک روش به صورت خودکار و عینی است. این راه حل می تواند با ویژگی های خاص زمانی و در حال اجرا به فعالیت ها  اعمال شده و به عنوان ایجاد رقابت از طریق سؤال مسابقه، که یک ابزاری است که  بستر های نرم افزاری و آموزش الکترونیک را ادغام میشود. هدف پیشنهاد یک سیستم خبره فازی است که با استفاده از الگوریتم ژنتیک   هر سطح دشواری را مشخص می­کند که خروجی الگوریتم آن طبقه بندی سوالات  براساس قواعد فازی که  می­باشد. به منظور تایید اعتبار سیستم در برابر  کارشناسان از  اطلاعات ثبت شده در  فعالیتی رقابتی در یک دوره مهندسی مخابرات  استفاده شده است. نتایج نشان می دهد که سیستم با موفقیت این کار را انجام می­دهد. بنابراین، می توان نتیجه گرفت که سیستم قادر به انجام کار ​​طبقه بندی سوالات در یک محیط یادگیری رقابتی است.

A genetic fuzzy expert system for automatic question classification in a competitive learning environment

Intelligent tutoring systems are efficient tools to automatically adapt the learning process to the student’s progress and needs. One of the possible adaptations is to apply an adaptive question sequencing system, which matches the difficulty of the questions to the student’s knowledge level. In this context, it is important to correctly classify the questions to be presented to students according to their difficulty level. Many systems have been developed for estimating the difficulty of questions. However the variety in the application environments makes difficult to apply the existing solutions directly to other applications. Therefore, a specific solution has been designed in order to determine the difficulty level of open questions in an automatic and objective way. This solution can be applied to activities with special temporal and running features, as the contests developed through QUESTOURnament, which is a tool integrated into the e-learning platform Moodle. The proposed solution is a fuzzy expert system that uses a genetic algorithm in order to characterize each difficulty level. From the output of the algorithm, it defines the fuzzy rules that are used to classify the questions. Data registered from a competitive activity in a Telecommunications Engineering course have been used in order to validate the system against a group of experts. Results show that the system performs successfully. Therefore, it can be concluded that the system is able to do the questions classification labour in a competitive learning environment.

شرح پروژه

پروژه یک سیستم خبره است درباره طبقه بندی سوالات درسی با استفاده از الگوریتم ژنتیک و سیستم فازی که در مقاله انگلیسی به همراه ترجمه در پیوست این ایمیل فرستادم. می خواهم این الگوریتم را عوض کنم و از یک الگوریتم بهینه ساری دیگر استقاده کنم. نتیجه حتما نباید بهتر دربیاید  و ممکن است الگوریتم ژنتیک بهینه تر باشد. داده ها را که ورودی الگوریتم هست ,( امتحانی است که از دانش آموزان گرفته شده است,) را هم دارم و فقط شما باید با متلب پیاده سازی کنید.

پروژه حاضر پیاده سازی مقاله مفروض است با این تفاوت که به جای الگوریتم ژنتیک از الگوریتم PSO استفاده شده است. در فایل ها برای کمک اندکی مطلب در مورد الگوریتم PSO قرار دادم.  برای اجرای برنامه مورد نظر فقط کافی است main.m را در محیط MATLAB اجرا نمایید. نمودار های مربوطه و قوانین بدست آمده و … همه رسم می شوند. نکته ای که لازم است بیان کنم آن است که چون الگوریتم های بهینه سازی ممکن است در مینیمم های محلی همگرا شوند، اجرا ها را حتما تکرار نمایید و اجرایی را انتخاب نمایید که در سه نمودار اول به مقدار منفی بزرگتری همگرا شود. اگر به صفر همگرا شده حتما اجرا را تکرار کنید. در صورتی که در چندین تکرار توابع membership خروجی به نظرتان متمایز نبود بهتر است داده های بیشتری را مانند داده های اولیه اضافه کنید.

لینک مقاله اصلی

https://dl.acm.org/doi/10.1016/j.eswa.2012.01.115

افزودن به سبد خرید

لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد

محصولات پر فروش

پر فروش ترین محصولات فروشگاه روکساوب