基于大数据模糊K均值聚类的英语教学能力评估算法研究
戈国梁
摘 要： 针对传统的英语教学能力评估算法存在大数据信息分类不准的问题，提出基于大数据模糊K均值聚类和信息融合的英语教学能力估计算法。首先，建立约束参量指标分析模型；其次，使用定量递归分析方法对大数据信息模型的能力进行评估，实现能力约束特征信息的熵特征提取；最后，融合大数据信息融合及K均值聚类算法，实现英语教学能力的指标参数聚类和整合，编制相应的教学资源分配计划，实现英语教学能力评估。试验结果表明，采用该方法进行英语教学能力评估，具有较好的信息融合分析能力，提高了教学能力评估的准确性和教学资源应用效率。
关键词： 大数据； 英语教学； 教学能力评估； 信息融合； 数据聚类
中图分类号： TN919?34； TP399 文献标识码： A 文章编号： 1004?373X（2017）20?0031?03
Abstract： In allusion to that the traditional English teaching capability evaluation algorithm exists the problem of inaccurate big data information classification， an English teaching capability evaluation algorithm based on fuzzy K?means clustering of big data and information fusion is proposed. First， the analysis model of constraint parameters is established. Second， the quantitative recursive analysis method is used to evaluate the capability of the big data model and realize entropy feature extraction of capability constraint feature information. Finally， big data fusion is combined with K?means clustering algorithm to realize clustering and integration of English teaching capability parameters， prepare the corresponding teaching resource allocation plan， and realize English teaching capability evaluation. The experimental results show that this method has good information fusion and analysis capability， and improves the accuracy of teaching capability evaluation and the efficiency of teaching resource application.
Keywords： big data； English teaching； teaching capability evaluation； information fusion； data clustering
0 引 言
采用信息处理技术和大数据分析技术进行教学评估和资源信息调度，对提高教学进程的定量管理和规划能力方面具有积极重要的意义。对此，本文研究基于大数据分析的英语教学能力评估问题。由于英语教学能力评估受到的制约因素较多，需要对英语教学水平进行定量测试和分析，构建约束英语教学水平的参量模型和大数据分析模型，采用大数据信息融合和聚类处理方法进行英语教学能力评估，构建教学能力评估的目标函数和统计分析模型，提高英语教学能力评估的定量预测能力[1]。本文提出一种基于大数据模糊K均值聚类和信息融合的英语教学能力估计方法，实现英语教学能力的指标参数聚类和整合，编制相应的教学资源分配计划，实现英语教学能力评估定量规划，实现英语教学能力准确评估。
1 英语教学能力评估的大数据分析模型
1.1 英语教学能力评估的约束参量大数据分析
为了实现对英语教学能力的准确评估，首先需要构建英语教学能力约束参量的信息采样模型。结合非线性的信息融合方法和时间序列分析方法，进行英语教学能力的统计分析。英语教学能力约束指标参量是一组非线性时间序列[2]。构建一个高维的特征分布空间表示英语能力评估的参量指标分布模型，约束英语教学能力主要指标参量包括了师资水平、教学设施投资、政策相关度水平等[3]。 构建一个微分方程表达英语教学能力约束参量的信息流模型为：
3 仿真实验分析
采用Matlab仿真分析方法测试英语教学能力评估的大数据分析性能，采用统计分析方法进行英语教学能力评估的數据采样，教学能力评估的决策阈值取值为[Dx=2]，设置英语教学资源分布的关联参数为[ξd2c1=35]，[ξd2c2=25]，[ξd2c3=25]，[maxgc1（d2）=65]，[maxgc2（d2）=38]，[maxgc3（d2）=110]，采样频率f0=600 Hz，自适应初始步长ρ=0.97，教学资源特征分布的关联系数为[B=1.14]，根据上述参数设定，进行英语教学能力评估约束参量的大数据重建，得到大数据分布的时域波形如图1所示。
以图1的英语教学能力评估的指标参数大数据统计结果为研究对象，进行数据聚类和信息融合处理，实现教学能力评估。表1给出了评估的准确性等指标的测试结果，分析得知，采用本文方法进行教学能力评估的准确性较高，教学资源的利用率较好。
4 结 语
本文研究了英语教学能力评估优化模型，提出一种基于大数据模糊K均值聚类和信息融合的英语教学能力估计方法，构建英语教学能力评估分析的约束参量指标分析模型，采用定量递归分析方法进行英语教学能力评估的大数据信息模型分析，实现英语教学能力约束特征信息的熵特征提取，结合大数据信息融合和K均值聚类算法实现英语教学能力的指标参数聚类和整合，以此为基础编制相应的教学资源分配计划，实现英语教学能力评估。研究得知，本文方法进行英语教学能力评估的准确性较好，提高了英语教学资源的利用效率。
参考文献
[1] 何力，丁兆云，贾焰，等.大规模层次分类中的候选类别搜索[J].计算机学报，2014，37（1）：41?49.
[2] 周润物，李智勇，陈少淼，等.面向大数据处理的并行优化抽样聚类K?means算法[J].计算机应用，2016，36（2）：311?315.
[3] DENG Z， CAO L， JIANG Y， et al. Minimax probability TSK fuzzy system classifier： a more transparent and highly interpretable classification model [J]. IEEE transactions on fuzzy systems， 2015， 23（4）： 813?826.
[4] ZARINBAL M， ZARANDI M H F， TURKSEN I B. Relative entropy fuzzy c?means clustering [J]. Information sciences， 2014， 260（1）： 74?97.
[5] 李斌，王劲松，黄玮.一种大数据环境下的新聚类算法[J].计算机科学，2015，42（12）：247?250.
[6] 胡俊，胡贤德，程家兴.基于Spark的大数据混合计算模型[J].计算机系统应用，2015，24（4）：214?218.
摘 要： 针对传统的英语教学能力评估算法存在大数据信息分类不准的问题，提出基于大数据模糊K均值聚类和信息融合的英语教学能力估计算法。首先，建立约束参量指标分析模型；其次，使用定量递归分析方法对大数据信息模型的能力进行评估，实现能力约束特征信息的熵特征提取；最后，融合大数据信息融合及K均值聚类算法，实现英语教学能力的指标参数聚类和整合，编制相应的教学资源分配计划，实现英语教学能力评估。试验结果表明，采用该方法进行英语教学能力评估，具有较好的信息融合分析能力，提高了教学能力评估的准确性和教学资源应用效率。
关键词： 大数据； 英语教学； 教学能力评估； 信息融合； 数据聚类
中图分类号： TN919?34； TP399 文献标识码： A 文章编号： 1004?373X（2017）20?0031?03
Abstract： In allusion to that the traditional English teaching capability evaluation algorithm exists the problem of inaccurate big data information classification， an English teaching capability evaluation algorithm based on fuzzy K?means clustering of big data and information fusion is proposed. First， the analysis model of constraint parameters is established. Second， the quantitative recursive analysis method is used to evaluate the capability of the big data model and realize entropy feature extraction of capability constraint feature information. Finally， big data fusion is combined with K?means clustering algorithm to realize clustering and integration of English teaching capability parameters， prepare the corresponding teaching resource allocation plan， and realize English teaching capability evaluation. The experimental results show that this method has good information fusion and analysis capability， and improves the accuracy of teaching capability evaluation and the efficiency of teaching resource application.
Keywords： big data； English teaching； teaching capability evaluation； information fusion； data clustering
0 引 言
采用信息处理技术和大数据分析技术进行教学评估和资源信息调度，对提高教学进程的定量管理和规划能力方面具有积极重要的意义。对此，本文研究基于大数据分析的英语教学能力评估问题。由于英语教学能力评估受到的制约因素较多，需要对英语教学水平进行定量测试和分析，构建约束英语教学水平的参量模型和大数据分析模型，采用大数据信息融合和聚类处理方法进行英语教学能力评估，构建教学能力评估的目标函数和统计分析模型，提高英语教学能力评估的定量预测能力[1]。本文提出一种基于大数据模糊K均值聚类和信息融合的英语教学能力估计方法，实现英语教学能力的指标参数聚类和整合，编制相应的教学资源分配计划，实现英语教学能力评估定量规划，实现英语教学能力准确评估。
1 英语教学能力评估的大数据分析模型
1.1 英语教学能力评估的约束参量大数据分析
为了实现对英语教学能力的准确评估，首先需要构建英语教学能力约束参量的信息采样模型。结合非线性的信息融合方法和时间序列分析方法，进行英语教学能力的统计分析。英语教学能力约束指标参量是一组非线性时间序列[2]。构建一个高维的特征分布空间表示英语能力评估的参量指标分布模型，约束英语教学能力主要指标参量包括了师资水平、教学设施投资、政策相关度水平等[3]。 构建一个微分方程表达英语教学能力约束参量的信息流模型为：
3 仿真实验分析
采用Matlab仿真分析方法测试英语教学能力评估的大数据分析性能，采用统计分析方法进行英语教学能力评估的數据采样，教学能力评估的决策阈值取值为[Dx=2]，设置英语教学资源分布的关联参数为[ξd2c1=35]，[ξd2c2=25]，[ξd2c3=25]，[maxgc1（d2）=65]，[maxgc2（d2）=38]，[maxgc3（d2）=110]，采样频率f0=600 Hz，自适应初始步长ρ=0.97，教学资源特征分布的关联系数为[B=1.14]，根据上述参数设定，进行英语教学能力评估约束参量的大数据重建，得到大数据分布的时域波形如图1所示。
以图1的英语教学能力评估的指标参数大数据统计结果为研究对象，进行数据聚类和信息融合处理，实现教学能力评估。表1给出了评估的准确性等指标的测试结果，分析得知，采用本文方法进行教学能力评估的准确性较高，教学资源的利用率较好。
4 结 语
本文研究了英语教学能力评估优化模型，提出一种基于大数据模糊K均值聚类和信息融合的英语教学能力估计方法，构建英语教学能力评估分析的约束参量指标分析模型，采用定量递归分析方法进行英语教学能力评估的大数据信息模型分析，实现英语教学能力约束特征信息的熵特征提取，结合大数据信息融合和K均值聚类算法实现英语教学能力的指标参数聚类和整合，以此为基础编制相应的教学资源分配计划，实现英语教学能力评估。研究得知，本文方法进行英语教学能力评估的准确性较好，提高了英语教学资源的利用效率。
参考文献
[1] 何力，丁兆云，贾焰，等.大规模层次分类中的候选类别搜索[J].计算机学报，2014，37（1）：41?49.
[2] 周润物，李智勇，陈少淼，等.面向大数据处理的并行优化抽样聚类K?means算法[J].计算机应用，2016，36（2）：311?315.
[3] DENG Z， CAO L， JIANG Y， et al. Minimax probability TSK fuzzy system classifier： a more transparent and highly interpretable classification model [J]. IEEE transactions on fuzzy systems， 2015， 23（4）： 813?826.
[4] ZARINBAL M， ZARANDI M H F， TURKSEN I B. Relative entropy fuzzy c?means clustering [J]. Information sciences， 2014， 260（1）： 74?97.
[5] 李斌，王劲松，黄玮.一种大数据环境下的新聚类算法[J].计算机科学，2015，42（12）：247?250.
[6] 胡俊，胡贤德，程家兴.基于Spark的大数据混合计算模型[J].计算机系统应用，2015，24（4）：214?218.
