基于计算机网络的自适应式远程教育模式的研究

基于计算机网络的自适应式远程教育模式的研究（通用10篇）

篇1：基于计算机网络的自适应式远程教育模式的研究

摘 要 本文分析了现代教育的特点以及当前“远程教育”的发展状况，提出了一种自适应式的面向学习者的网络教育模式，给出了该模式的基本构架和功能说明，并从实现的角度讨论了相关关键技术及其解决方案。

关键词 自适应式 远程教育 交互式 个性化

1. 背景

“十年树树、百年树人”，教育作为一个国家的根本，具有及其深远的意义。21世纪将是以知识为基础经济的时代。随着知识经济时代的来临，知识和掌握知识的人才日益成为国家繁荣、民族振兴的决定性因素和主要资源，因而，如何更好的发展教育、什么样的教育方式更为先进，成为越来越多人关心和探讨的问题。而远程教育这一基于计算机技术和通讯技术的教育方式，正以其自身优势，成为现代教育的一个亮点。

l 现代教育的基本特点：

1) 资源共享

资源共享是一种节约资源，促进交流的有效形式。传统教育由于其分散性，往往受到地域分布的限制，无法充分发展。而在现代教育中，共享教育资源既可以节约国家对于教育的投入，又可以使得不同学校在教育的内容和形式上进行交流，从而缩小不同地域教育水平的差距，是全国的教育水平得以提高。

2) 个性化

“因材施教”是一种理想的教育模式。传统教育由于投入的有限，无法很好的做到这一点。而现代教育强调根据学生各自不同的素质和情况，针对每个学生个体施教。目前我国的教育正从应试教育向素质教育转化，强调个性化的教育是符合素质教育要求的。

3) 交互式

在“个性化”教育中，学生必须与教师进行充分的交流。教师要根据自己观察到的学生的接受情况来安排下一步的教学。所以，交互性是教育“个性化”的一个必要条件。

篇2：基于计算机网络的自适应式远程教育模式的研究

摘要：随着多媒体网络技术的飞速发展和应用，以教师为中心的课堂授课传统模式彻底地转到以学生为中心的新型自主学习的模式，对于进行网络学习的成人来说，如何强化提高他们有效的自主学习能力,是网络教育领域中一个重要的研究主题。

关键词：自主学习网络学习成人教育

0引言

成人教育往往受到时间和空问的限制，常常因为学习时间不够，而导致学习连贯性比较差，因此需要抓住成人教育的特点，在有限的时间和空间内使得接受成人教育的人真正掌握其所需要的知识。

但是传统的教学模式“教师――课本，课堂――学生”中，教师缺乏“激活”课本的有效辅助教学手段，课本的利用率不高；教学设施简陋，教师无法使自己传授均等地传到教师的各个角落，部分学生感到受到了忽略，导致教学效果降低；学生一直都是知识的被动接受者，不能主动地对知识作出反应；近年来，由于成教招生人数大幅增加，问题也就越来越多，面对传统成人教育的弊端和困境，改革势在必行。

随着科学技术的突飞猛进，知识经济的出现，发展网络教育，使许多因种种原因不能进入普通高校读书的人实现了接受高等教育的愿望，已成为我国培养应用型人才的一个重要途径。很好的解决了我国成人教育现在所面临的种处问题。

1多媒体网络技术对成人教学的影响

教学过程对提高教学质量起着关键作用，教师必须以现代教育理论和教学思想为指导，大力推进成人英语教学内容、方式和手段的改革，从根本上提高成人英语教学质量。多媒体网络在成人英语课程中的应用，彻底地改变了以教师为中心的课堂授课传统模式，转到以学生为中心，突出培养学生的语言学习能力，教师从授课者转变成协作者或者指导者。

教师的任务主要是培养学生通过多种方式主动获取信息、分析信息、运用信息并且共享信息。教师应用所设计的多媒体教学软件，精心设置教学过程。

学生则可以根据自身的.特点和需要主动地、个性化地学习，从而克服以教师为中心的传统教育的弊病，实现把传统的以教师为主导的知识传授型教学模式转变为以学生为中心的能力培养型教学模式。

2网络环境下成人教育自主学习的构建

发展学生理解和兴趣的一个有效途径就是让学生处在计算机环境中学习。

促进学生在教师指导下主动地、富有个性地学习。“自主性（主动性）、探究性和合作性是学习方式的三个基本维度”，它提出课程改革重点之一，“就是要让学生学习产生实质性的变化，提倡自主、探索与合作的学习方式，逐步改变以教师为中心、课堂为中心和书本为中心的局面，促进学生创新意识与实践能力的发展。”可见，新一轮课程改革十分重视彰显自主学习方式的重要性。

运用现代教育技术，以建构自主学习理论、奥苏伯尔的“学与教”理论、学习能动性原则等为理论依据，结合成人教育课程改革需要和成人教育课程特点，探索网络环境与新课标双重环境下的成人自主学习教学模式，即“明确目标――开发环境――自主学习――网上辅导――网上评论――课程总结”。

3总结

基于网络的成人教学模式改变了以教师为核心，面授语言知识和技能的传统模式，在这种新型教学模式下，教师不再是单纯的语言知识传授者，他是学生的协作者和帮助者，不仅要掌握足够的英语知识，还要熟谙一定的网络知识和某些教学软件的制作和使用。它极大的提高和促进了学生的学习兴趣，学习自信心以及学习能力。

参考文献：

[1]傅素英.网络环境下自主学习模式探析[J].教育视点，（3）.

[2]蔡虹.网络环境下学生实施自主学习模式的探讨[J].韶关学院学报，（5）.

篇3：基于计算机网络的自适应式远程教育模式的研究

人工神经网络 (ANN, Artificial Neural Networks) 是近年来发展起来的模拟人脑生物过程的人工智能技术, 特别适合于因果关系复杂的非确定性推理、判断、识别和分类等问题。因此, 本文提出了一个基于人工神经网络的自适应系统模型。

1.1 系统模型

自适应系统是Web挖掘的一个应用分支, 继承了Web挖掘数据源的多样性、动态性等特点。当前自适应系统研究主要对用户访问站点的信息记录进行挖掘分析, 这样做的一个弊端是没有考虑用户在使用站点过程中因为其它突发因素导致站点的访问记录有所偏差甚至完全错误。在站点调整阶段, 站点多数采取推荐页面等方式, 个性化调整不够突出。

为了解决以上问题, 提出了一个基于人工神经网络的自适应站点模型, 综合Web结构挖掘和用户访问模式分析的结果, 实现个性化调整, 系统的模型整体框架如图1所示。模型框架包括3大模块:数据预处理模块、数据挖掘模块、站点调整模块。3大模块之间有着前向继承和逆向反馈的作用关系。

1.2 数据预处理模块

数据预处理模块是自适应站点设计的重要步骤, 数据预处理模块实现对数据的收集、数据清洗、用户访问模式识别、事务识别等。数据来源包括站点本身包含的丰富结构信息、IIS (Internet Information Service) 站点自动生成的日志记录、采用cookie编程技术获取的cookies记录、站点后台数据库提供的用户使用业务数据以及其它途径获取的业务数据等。用户使用日志记录由服务器IIS站点自动生成, cookie记录的数据由程序代码实现, 获取的数据格式和信息项可灵活定制。Cookie记录提供的一个好处是:提取的数据质量高、容易进行格式转换。综合所有数据来源种类包括:文档、页面和关系型数据库数据。利用关系数据库对统一转换格式后的数据进行存储和管理。

1.3 数据挖掘模块

数据挖掘模块实现的核心是挖掘内核, 内核的主要任务是结合自适应站点挖掘的数据业务特点运用相关知识库和算法库进行抽象建模。知识库和算法库的正确选择是决定数据挖掘过程的精度和有效性的关键因素。运用人工神经网络原理模拟站点结构, 实现了Web结构挖掘和Web用户访问模式分析的统一。利用人工神经网络的从学习、归纳抽象、预测到具体应用的思想实现自适应站点的学习、抽象与预测的功能。人工神经网络模型迭代处理一组用户使用记录的样本, 将每个样本的网络预测与实际知道的类标号比较, 进行学习。对于每个样本, 修改原始权值, 使得网络预测和实际类之间的均方误差最小。

站点的拓扑结构图采用树形结构, 使用人工神经网络进行模拟, 站点的拓扑图如图2所示。其中, 站点的首页作为神经网络输出层, 站点的其它页面作为中间层, 页面中的每一个独立的基本元素例如文本输入框、按钮、复选框、超级链接等作为独立的神经元, 构成人工神经网络的输入层。在逐层处理的过程中, 每一层神经元的状态只对下一层神经元的状态产生影响。网络将站点的自适应性能或者用户对站点的满意度作为输出, 从而对模型做出评估和分类。

在使用人工神经网络模拟站点拓扑图的基础上, 使用贝叶斯决策理论对用户的兴趣进行分类预测。每一层神经元都利用贝叶斯算法, 由上一层神经元捕获的先验知识和该层现有的统计数据, 来预测用户的类别, 进行决策分类。贝叶斯决策理论就是在不完全情报下, 对部分未知的状态用主观概率估计, 然后用贝叶斯公式对发生概率进行修正, 最后再利用期望值和修正概率做出最优决策。算法的基本思想是: (1) 定义第一层对象状态θ可分成n个特征, 表示为:θ={θ1, θ2, …, θn}; (2) 重复实验统计m次得到样本数据集, 表示为:X={X1, X2, …, Xm}; (3) 根据先验概率 (定义为π (θi) ) , 计算后验概率P (θi|X)

1.4 站点调整模块

站点调整模块的功能是根据数据挖掘模块分析得出的站点结构信息和用户使用模式, 动态调整站点内容和显示方式。站点调整主要着眼于个性化服务的目标, 实现用户的个性化调整。其中个性化的调整主要通过以下方式实现: (1) 系统根据对用户偏爱度的分析预测用户感兴趣的页面, 并以增加链接的方式把指向这些页面的链接推荐给用户; (2) 系统根据对用户偏爱度的分析, 预测用户访问站点的浏览路径, 调整站点的结构, 尽量缩短用户的访问路径, 将浏览路径包含的链接用突出的显示方式提示用户, 比如改变链接的颜色或字体。

根据XML的自描述性, 将不同用户的模式信息存储在同一个XML文档中, 用户访问站点时, 可以根据服务器上存储的XML文档读取特定用户的配置信息从而实现个性化设置。

2 实验结果与性能分析

将自适应站点的模型部分模拟实验应用于大型网站, 随机抽取访问本校网络学习资源的学生, 访问者在浏览网站时根据个人的兴趣爱好点击不同的网页, 并随机保存所有访问信息, 包括访问过的网页地址和时间等记录。实验的目的是发现不同访问者对本校网络学习资源不同类别网页的偏爱度, 根据偏爱度结果预测用户下次访问的路径, 将预测网页推荐给访问者。最后根据对访问者的问卷调查检验实验的准确度和满意度, 实验取得了非常好的效果, 实现了自适应站点的个性化服务目标和站点的性能提升。

当然, 系统仍然存在许多不足之处, 在已经取得的工作成果上还需在以下几个方面作进一步的完善和提高: (1) 改造和完善基于人工神经网络原理的差值传播算法。主要从提高学习速度和优化算法性能的角度上作进一步的研究; (2) 对XML数据库技术如何应用于自适应站点研究, 从而优化站点性能。

摘要：研究了人工神经网络技术在自适应系统的应用。在运用人工神经网络原理建立站点模型的基础上, 提出一个应用贝叶斯网络技术的自适应系统框架模型。

关键词：人工神经网络,自适应系统,数据挖掘,贝叶斯网络

参考文献

[1]Mike Perkowitz, Oren Etzioni.Towards adaptive Web sites:Concep-tual framework and case study.Artificial Intelligence, 2000 (1-2) .

[2]Mike Perkowitz, Oren Etzioni.Adaptive Web sites.Communications of the ACM (CACM) , 2000 (8) .

[3]Liang, Haifeng.An adaptive BP-network approach to short term load forecasting[C].In:Proc of the2004IEEE International Con-ference on Electric Utility Deregulation, 2004.

篇4：基于计算机网络的自适应式远程教育模式的研究

关键词：自适应；推送；推荐；个性化

中图分类号：TP393 文献标志码：A 文章编号：1673-8454（2016）22-0090-04

一、引言

《国家中长期教育改革和发展规划纲要（2010-2020年）》中提到我国教育的战略目标是“到2020年，基本实现教育现代化，基本形成学习型社会，进入人力资源强国行列”，为了实现这个目标，要求“继续教育的参与率大幅提升，从业人员继续教育年参与率达到50%”，即从业人员继续教育将从2009年的“1.66亿”增长至2020年的“3.5亿”。这样大规模的继续教育将依托各类网络教育来实现。如何为这些能力水平、年龄结构、学习风格等特征各异的学习对象提供适合的学习内容和服务，灵活适应他们多样化的学习需求，确保学习热情的保持和学习的发生就显得非常重要。当前，网络课程资源极大丰富，仅仅是在线高等教育，大规模在线开放课程、国家精品课程、大学视频公开课等就足以让任何一个学习者眼花缭乱，无所适从。自适应能够较好地解决资源和学习者特征的匹配问题，提升学习者获取资源的效率，成为了在线教育的理想状态和发展趋势。

二、自适应推送

1.概念

自适应推送是指系统捕捉、判断学习者的特征、行为及其变化，自动为学习者匹配相应的资源，并以学习者能够感知、理解和选择的方式进行呈现。

2.特征

（1）以学习者为中心。尊重学习者的知识基础、学习风格和学习习惯，帮助、引导学习者形成自己个性化的学习路径和学习资源，保护学习兴趣，提高学习效率。

（2）自适应。系统内规划相应的规则和算法，依据学习者的学习特征和行为及其他学习者的特征和行为，自动为学习者匹配和推送学习资源和学习路径。

（3）路径优化。教师规划的初始路径作为参考路径，后续学习路径由学习者和系统依据学习者的基础和学习进程相互作用形成，更符合学习者需求。

三、相关研究领域

1.智能教学系统

智能教学系统是一种借助人工智能技术，让计算机扮演教师的角色实施个别化教学，向不同需求、不同特征的学习者传授知识、提供指导的适应性学习支持系统[1]。适应性学习支持系统是智能教学系统与适应性超媒体系统在网络环境下发展的融合。其目的就是要实时地把握学习者的经验基础、认知结构、认知风格、兴趣爱好等方面的信息，据此提供学习者在当前状态下学习新信息时最适合的学习内容、学习策略、学习支持以及最佳的知识基础等[2]。可以说，自适应推送是智能教学系统的一个发展方向。

2.教育数据挖掘

教育数据挖掘主要关注开发探索教育情境中产生的那些独特类型的数据的方法，并且使用这些方法来更好地理解学习者和他们学习的情境。主要的挖掘方法可分为五类：统计分析与可视化、聚类（聚类、离群点）、预测（决策树、回归分析、时序分析）、关系挖掘（关联规则挖掘、序列模式挖掘、社会网络分析）、文本挖掘[3]。教育数据挖掘强调将学习简化为能够被分析、且随后能够被软件所影响从而适配学习者的成分[4]，是自适应推送系统的重要基础之一。

3.推荐系统

推荐系统就是自动联系用户和物品的一种工具，它能够在信息过载的环境中帮助用户发现令他们感兴趣的信息，也能将信息推送给对它们感兴趣的用户。推荐算法的本质是通过一定的方式将用户和物品联系起来。个性化推荐的成功应用需要两个条件，第一是存在信息过载，第二是用户没有明确的需求。[5]当前个性化推荐系统的研究相对集中在商业领域，自适应推送强调基于教育领域对推荐技术的应用，其指导思想、应用环境、评测指标、推荐解释等与商业领域均不尽相同。

4.学习分析

学习分析是以理解和优化学习及其发生的环境为目的，对学习者及其所处情境的数据进行测量、收集、分析和报告。[6]新媒体联盟认为，学习分析是以评估学业成就、预测未来表现、发现潜在问题为目的，对学习者产生和收集的大量数据进行阐释的过程，旨在应用数据分析为教育系统的各级决策提供参考。[7]学习分析与自适应推送的侧重点不同，除了共同关注的产生适应性学习内容外，学习分析还重点关注危机学习者干预和决策支持等，相对关注的范围更广，指导决策的层级也更加丰富。

四、相关研究现状

国外的一些自适应学习系统主要依据学习者的学习风格、知识背景和兴趣，以及学习者的学习信息和行为构建学习者模型，通过个性化推荐或自适应导航提供个性化的内容呈现、教学活动、学习环境、学习者评价等，并以某种方式进行展示或标注。[8]

美国教育部发布的《通过教育数据挖掘和学习分析促进教与学》报告认为，自适应学习系统和个性化学习属于教育数据挖掘和学习分析的高级应用，是教育大数据相关研究的终极目标。[9]典型的自适应学习系统包括六个组成部分：①内容管理，提供个性化的学科内容和评价。②学习者学习数据库，存储基于时间标记的学习者行为。③预测模型，联合人口统计数据和学习者行为数据来进行追踪和预测。④报告服务，为各类使用者提供可视化反馈。⑤适应性引擎，根据学习者的表现水平和兴趣发送材料，确保后续学习的提高。⑥干预引擎，允许干预或改写自动化系统以更好地服务学习者。

国内的研究从理论、模型、原型到系统相比于国外并没有大的突破。余胜泉提出适应性学习模式的关键环节是：学习诊断（学习能力、认知能力）、学习内容的动态组织（根据学习历史、认知风格）、学习策略（传授式、探索式和协作式）。[10]谢晓林等提出适应性学习系统包括运行层（含适应引擎）和存储层（如图1）。姜强认为研发自适应学习系统的关键在于用户模型和领域模型。依据学习风格和知识水平进行了用户建模，利用解释结构模型法和本体技术进行了知识建模。[11]

上海交通大学檀晓红等认为“个性化导学系统”应包含：初始知识域建构模块、个性化的知识域生成模块、个性化的学习路径生成模块、历史学习记录模块、知识结构水平评估模块和个性化学习资源推荐模块。[12]系统的设计以知识点为核心，根据对学习者学习行为数据的分析和学习效果的测试，判断其知识结构和水平，从而进行相应的学习资源和同学推荐。

总的来说，对于自适应系统，研究者关注了学习内容、学习内容的存储、学习内容呈现的对象、学习内容呈现的依据、学习内容呈现的规则和学习内容呈现的方法。[13]这些研究具有很好的启迪和指导作用，然而，还有一些问题需要进一步深入研究，比如：①由于用户行为的复杂性和其所处环境的噪音等，用户模型的构建通常不存在通用的建模方法，如何提取用户最核心的要素加以描述和表示？②不是什么样的资源都能直接进行匹配，资源的构建、存储和提取都是值得深入研究的问题，这也是制约自适应系统研究大多处于理论层面的重要原因。

五、推荐系统的研究现状

推荐系统当前主要用于电子商务、音乐、视频网站，社交网络、个性化阅读等领域。利用用户行为数据、用户标签数据、上下文信息（时间信息、地点信息）、社交网络数据等对用户的兴趣、行为进行预测，从而进行物品或好友的推荐。目前主流的推荐系统有表1中的三类。

每种基本方法都各有利弊，有的存在数据稀疏性和冷启动能力问题，有的存在放大效应问题，同时，没有一种方法能够充分利用所有的信息。构建一种混合的系统，结合不同算法和模型的优点，克服相应的缺陷和问题，不失为实践中的解决办法。[14]

六、网络教育系统的特征

网络教育系统与商业系统相比，用户特征集中，数据来源明确，其所应用的教务管理系统和教学管理系统为学习者特征数据的采集提供了很大的便利，能够做很多相关的设计。比如杨曼等就曾应用学习者的学习时间和进度数据，平台、课程的登录频率及时间，提交作业的百分率，发帖情况等来构建学习者的学习能力评价模型，判断学习者的学习时间管理能力、学习态度、学习效率等[15]。而且，网络教育系统学习者相对比较稳定，服从性和参与度较好，通过一些教学、教务管理功能的设计，可以诱发更多的学习（行为）数据。并且可以通过测试、问卷等方式获取和印证更多的特征。

网络教育系统的资源匹配能力与所采用的教学系统及课程组织形式紧密相关。例如，贺媛婧依托Moodle平台中的学习者学习记录，通过个性化的推荐技术预测学习者对学习资源的兴趣度，然后按照兴趣度从大到小进行资源推荐。[16]事实上，平台推送的资源可以有三个层次：方案级、课程级和内容级。从某种意义上讲，推送课程级资源相对比较容易。然而，推送内容级资源可能是学习者在学习过程中最需要也是最难的。需要课程本身的设计是模块化的，并且知识点相互关联。只有在资源设计中埋下了行为选择的可能，依托平台的支撑才能够实现内容级资源的推送。余胜泉等基于学习元平台的生成性课程设计与实施就是在这个方向上的实践。[17]在平台功能的支撑下，通过学习活动的设计，学习者个性化的学习行为才能得以显现。

七、自适应推送系统的设计

基于网络教育领域的特征，其自适应推送系统的设计可以从以下三方面着手：学习者特征、资源特征以及推送算法。建立算法的前提是由平台系统和资源端配合提炼出学习者个性化的学习行为。

从网络教育的教学教务管理平台中可以获取学习者的统计特征、偏好特征、知识特征和目标特征，学习系统可以读取、测量和记录学习者的行为特征，综合起来，可以形成学习者特征模型。因为网络教育教学一般按照地域、年级和专业来组织，学习者具有一定的共性特征，可以采用基于用户的算法（比如协同过滤算法），通过借鉴相似偏好的其他学习者的选择来为当前学习者进行课程和内容的推荐；考虑到网络教育的学习者具有可交互性（比如为学习者提供搜索功能、提供多路径供选择或做问卷调查等），也可以采用基于知识的推荐来为学习者选择推送的课程、内容或学习路径。

对一门课程的内容或学习路径做推荐，需要将课程资源模块化处理。一方面对资源的特征、属性进行标注（基于人工或借助语义技术）；另一方面对资源的呈现做设计，依托平台功能为学生提供展现行为偏好的机会。以北京邮电大学《互联网技术》课程为例，课程设计了三条彼此相通又各自独立的学习路径，在课程学习的任何环节，都可以快速切换，灵活选用。“循序渐进”路径按照知识的内在逻辑顺序和学习者认知能力发展来呈现学习内容，适合初学者；“个性选择”路径按照知识的脉络提供，强化了知识的关联关系；“学以致用”路径按照主题、任务组织知识，增加了学习者问题解决的体验。

1. “循序渐进”路径

在循序渐进路径中，保证知识点的覆盖度，标示重难点，记录学习者的学习进度（见图2）。

2. “个性选择”路径

在个性选择路径中，采用图形化的无序树形导航（见图3）。导航可进行展开、收缩交互操作，同时，支持知识点的名称检索，充分展现学习者个性化特征。

（1） 学习者可以按照感兴趣的内容逐层进入。了解每一个知识点在知识体系中所处的位置和关联关系。

（2） 也可以通过关键词检索，从检索结果中找到自己感兴趣的内容，直接进入学习。

3. “学以致用”路径

在学以致用路径（见图4）中，以“实战、实效、实用”为目的。比如局域网的组建，示范按照局域网的生命周期进行设计，对步骤、流程进行讲解，对操作细节进行演示后，提供实际企业案例，设计组网任务。

通过记录学习者在不同路径上的学习行为，可以较好地识别学习者的个性特征，成为了下一步自适应推送的有效铺垫。比如，个性选择路径，可以得到学习者相应知识点的学习状态，为他推送相关知识点。对于选择学以致用路径的学习者，可以为其推送其他相关知识领域实操为主的课程等等。

在网络教育领域，自适应推送系统的应用符合以学习者为中心，服务学生个性化需求的目标和趋势。但自适应推动系统的成熟需要学习者、资源和算法三个方面研究的共同进步。对于网络教育来说，资源的设计和处理难度最大，一方面有赖于技术（比如语义技术）的进一步发展完善，另一方面，还要赖于人的投入和创造。

参考文献：

[1]智勇.分布式学习环境中的智能授导系统研究[D]. 南京：南京师范大学， 2004.

[2]陈仕品，张剑平.智能教学系统的研究热点与发展趋势[J].中国远程教育，2007（10）.

[3]葛道凯，张少刚，魏顺平.教育数据挖掘方法与应用[M].北京：教育科学出版社，2012.

[4]Siemens， G.， and R. S. J. d. Baker. 2012. “Learning Analytics and Educational Data Mining： Towards Communication and Collaboration.” NY： Association for Computing Machinery， 252-254.

[5]项亮.推荐系统实践[M].北京：人民邮电出版社，2012：6.

[6]Siemens，G.Knewton-the future of education？[EB/OL].http：//www.learninganalytics.net/？p=126.

[7]The New Media Consortium.Horizon Report：2013 Higher Education Edition.

[8]姜强.自适应学习系统支持模型与实现机制研究[D].长春：东北师范大学，2012.

[9]U.S. Department of Education，Office of Educational Technology. Enhancing Teaching and Learning through Educational Data Mining and Learning Analytics [DB/OL].http：//www.ed.gov/edblogs/technology/files/2012/03/edm-la-brief.pdf.

[10]余胜泉.适应性学习——远程教育发展的趋势[J].开放教育研究，2000（3）.

[11]谢晓林，余胜泉，程罡，黄烨敏.网络教学平台的新发展[J].开放教育研究，2007（10）.

[12]檀晓红，申瑞民等.网络教学中基于非零起点的个性化导学系统（专利）[D].上海：上海交通大学，2007.

[13]陈品德. 基于Web的适应性学习支持系统研究[D]. 上海：华东师范大学，2003.

[14]Dietmar Jannach Markus Zanker， Alexander Felferning Gerhard Friedrich（著），蒋凡（译）.Recommender Systems： An Introduction[M].北京：人民邮电出版社，2013.

[15]杨曼，勾学荣，李建伟.基于网络在线学习的学习能力评价模型研究[J].北京邮电大学学报（社会科学版），2011（1）： 13-19.

[16]贺媛婧.个性化推荐技术在Moodle学习平台的应用研究[J].中国教育信息化，2015（4）： 86-88.

[17]余胜泉，万海鹏，崔京菁.基于学习元平台的生成性课程设计与实施[J].中国电化教育，2015（6）.

篇5：基于计算机网络的自适应式远程教育模式的研究

针对一类具有未知死区和未知控制增益符号的单输入单输出非线性系统,根据滑模控制原理,并利用Nussbaum函数的性质,提出两种自适应神经网络控制器的.设计方案. 通过引入示性函数,提出一种简化死区模型,取消了死区模型的倾斜度相等的条件. 通过引入逼近误差的自适应补偿项来消除建模误差和参数估计误差的影响. 理论分析证明闭环系统是半全局一致终结有界. 仿真结果表明该方法的有效性.

作 者：梅建东 张天平王芹 MEI Jian-dong ZHANG Tian-ping WANG Qin 作者单位：梅建东,MEI Jian-dong(扬州职业大学,信息工程学院,江苏,扬州,225009)

张天平,王芹,ZHANG Tian-ping,WANG Qin(扬州大学,信息工程学院,江苏,扬州,225009)

篇6：浅析礼服的自适应定制研究论文

定制礼服在我国由来已久，从古代王公贵族参加祭祀或是庆典所穿着用的华贵袍服，到现代女性出嫁所穿的精美婚纱，都是其中的代表。随着“互联网+”时代热潮的到来，越来越多的人加入到服装网络化定制与销售研究之中，然而，针对礼服的数字化定制研究却比较少。如何突破当前模式，找到一条更适应时代发展的数字化礼服定制道路，是研究者们需要探索的问题。随着中国国民经济的不断增长，中国高端消费人群的队伍正在逐渐扩大。

根据中国奢侈品市场研究报告，在全球奢侈品市场，中国内地消费者的奢侈品消费上涨9%，达到3800亿元，约占全球奢侈品市场30%的份额。而从消费品类来看，女式服装与鞋履延续往年强势劲头，占到奢侈品消费市场总比的19%，而高端消费人群正是高级定制生存繁衍的沃土。基于国内庞大的消费市场，礼服定制(尤其是女士礼服定制)有着广阔的发展空间。中国的服装高级定制发展到今天已经逐步形成了一套自己的运作模式。

一些国内品牌，如蔡月美、名瑞、NE.Tiger、St.White在礼服定制上也取得了不俗的成绩。目前国内市场上礼服的定制形式大致可以分为三种：第一，来图定制。顾客从杂志或者各种发布会上下载图片，将图样交给定制公司，要求其按照自己的身形尺寸制作同款礼服。第二，样品定制。公司每年都会推出一些新款礼服并制作成精美的画册。顾客从公司的图样中进行挑选，量身定做。第三，设计定制。顾客到达企业门店直接与设计师联系，由设计师为客户设计并量身定制礼服。

然而，就目前国内礼服定制的形式来看，以前两者居多，这就减少了礼服设计的原创性。国内礼服设计定制的流程以St.White婚纱礼服定制为例，首先是市场部接单，然后安排设计师与顾客进行初步交流(公司要求设计师每个月要去门店，并且必须含有周末)，设计师手绘或者用电脑制作出礼服雏形，一般有3-5款供顾客挑选，顾客选一款并对细节加以要求，最终敲定。设计师依据顾客尺寸制作出该款的款式图与结构图，附上工艺说明。工艺师做出成品后拿给顾客反复试穿、修改细节，直到顾客满意。

最后将成品以礼盒的形式寄给顾客，并附上小礼物以及保养说明，再由售后部门跟进。服装定制数字化技术的主要应用和研究方向集中在三方面：一是三维人体扫描测量技术的改进及数据的提取;二是数字化设计、打版技术的改进;三是3D虚拟试衣、制衣技术。当前，我国在网络服装定制平台的构建方面取得了一些阶段性成果。最具代表性的有由红领服饰集团斥资数亿、历时十多年精心打造的RCMTM平台，它是目前全球唯一的男士正装定制领域大型供应平台。

另一个则是由北京银达润和科技发展有限公司与北京服装学院、北京服装设计师协会的专家设计师、专家版师共同打造的e服私坊，它是国内首个服装定制平台。与此同时，服装定制的相关研究也取得了一些进展。以服装定制的自适应研究为例，它是以客户为中心，根据顾客的主观意愿变化，运用数据挖掘技术将客户的各种反馈信息进行集中、迅速地处理，转化为服装制造时的决策信息，从而达到将产品服务引入产品制造，延伸制造价值链的效果，进而提升产品的个性化和市场竞争力。

厦门理工学院的刘冠彬等提出了服装自适应定制平台的初步构建模型，对人体体型分级进行细化研究以完善自适应定制平台，并做了数字化服装样板自动生成技术的讨论，对服装数字化生产过程中的技术难点提出解决方案;天津工业大学的刘洋则在MTM 基础上初步提出了服装定制系统的设计构想，制作了服装定制系统雏形，分析了定制系统各个模块的功能及其实现方式。[相较于其它类别服饰，礼服对贴身度要求极高，尤其是抹胸礼服或者鱼尾裙类的女式礼服。以量体为例，礼服定制时胸部需要测量上胸围、胸围、下胸围，手臂部位需要测量手臂围、袖肘围、手腕围、手掌围，在制作鱼尾裙时，还需要测量跨一步的围度，太小影响正常走路，太大又影响礼服整体造型。高度上要测量总身高、背长、腰高和臀高，还要考虑到顾客高跟鞋的高度;这直接对拖地类礼服裙有着重要影响，太高影响美观，太低影响走路。

因此，在研究服装的数字化定制(如自适应定制)时，不能将礼服的定制与其它类别服饰笼统地概括在一起。否则，将造成礼服合身度不高或者造型不够美观、影响走路等诸多问题。综上所述，构建一个关于礼服的自适应定制平台，一方面可以适应服装定制的数字化进程，另一方面也能使礼服在数字化定制过程中区别于其它类别服饰，做到更加精细化。借鉴现有的服装网络定制平台以及服装自适应定制平台研究，礼服的自适应定制平台面向个人定制与集团定制时，首先要建立一个庞大的资料库，里面包含礼服的基本款式、面料、色彩、以及图案纹样等内容。资料库里也含有企业设计师资料及其设计作品图样。客户进入平台后输入自己的基本信息，然后根据喜好初步选择礼服的款式面料等内容，同时，也能通过相关的设计师及其作品介绍，选择感兴趣的设计师与其进行网上沟通(可选择留言、语音或是视频)。平台根据顾客的基本信息以及选择的款式进行智能分析、计算、打版，并生成立体效果图供顾客参考，确定好礼服样式后平台结合顾客的个人信息生成3D 立体图像进行试衣，直到顾客满意。

之后由平台对确定的版型进行智能排版，使得布料的空间利用达到最大化。礼服在集成化制作之后寄送给顾客，并进行售后跟进，保留顾客对礼服的反馈信息，与之前顾客的基本信息一起建立一个该顾客的独立信息库，加密存入资料库，供后续制作参考礼服自适应定制平台主要包含四个模块：接入端口、资料库、分析层、管理层。其中，资料库与分析层建设尤为重要。1.接入端口。分别设立顾客接入端口与企业接入端口。顾客从顾客端口进入后须填写个人基本资料，除了常规的身高体重等信息外，细化了上下胸围围度，并且特别添加了身体厚度、步宽、以及鞋跟高，每一项都有测量说明，客户可根据说明自行测量，或者在客服指导下进行测量。数据填写完成后，平台根据客户输入的信息形成三维人像。礼服自适应定制平台的构建难点主要集中在两方面：

第一，构建一个庞大的资料库需要耗费巨大的精力。资料库里的面料、色彩、款式等基本元素必须实时更新，并且数量庞大，这就要求企业不断地搜集与开发服装的版型、面料等内容。

第二，数据及测算的精准性问题。顾客将个人信息输入平台后，系统将做出初步分析、建立模型。然而顾客量体不准、或者系统在做智能化测算时如果稍有偏差都容易造成版型的`偏差。考虑到礼服相较于其他类别服饰的特殊性，礼服制作时余量的多少要恰到好处，余量太多影响美观，余量太少则会使客户穿着不适。针对上述问题，礼服自适应定制平台的建立还需要进一步完善，重点可从以下几个方面入手：第一，共同开发、资源共享，独立使用。单个企业的人力物力毕竟有限，因此，要在更短的时间内建立起更为全面的数据资料库就必须加强企业间的合作，共同开发、资源共享。

在平台开端设立顾客接入口的同时设立企业接入口，以便合作各方及时导入更新信息。但是企业共享权限有限，在一些基本信息上可以资源共享，涉及到企业客户隐私或是其他商业机密时，只有与之匹配的企业账号才有权限查看。第二，正确量体，智能补正人体维度差异，引入厚度数据补形。顾客的量体须根据自适应定制平台提示、或在客服的指导下进行，这样可以增加量体数据的准确性，建立更为精准的人体三维模型。另一方面，人体的厚度对服装的贴体上装衣身结构具有一定的影响。因此，除了常规的纵向与横向数据外，顾客在输入个人信息时还需要引入身体厚度数据。第三，针对礼服特殊性的系统改进。与其他类别服饰不同，礼服的自适应定制平台需引入一个步幅跨度制衣余量的测算系统，这尤其适用于鱼尾裙类礼服设计。顾客在设计师指导下测算好自己的步幅跨度，系统根据客户的步幅跨度，通过一定的计算公式自动算好余量。以鱼尾裙为例，设膝围放松量为KL，臀围竖切线与臀围上5厘米处切线夹角为A，臀围竖切线与腿根围线侧点和腰围线侧点的夹角为B，臀围竖切线与臀腰中点连线夹角为C，臀围。

篇7：基于计算机网络的自适应式远程教育模式的研究

网络教学模式, 是指在Internet环境下架构的教育和学习相互联系和相互作用的模型结构。这种教学模式可以完全按照个人的需要进行, 不论是教学内容、教学时间、教学方式甚至指导教师都可以按照学习者自己的意愿或需要进行选择。现有的网络教学系统并不能真正实现“个性化”与“适应性”, 无法实现学生按需学习和教师因材施教, 而Agent技术的发展为解决上述问题提供了新的思路与方法。我们在传统的网络教学模型中引入移动A-gent的概念, 希望它可以使我们的系统更主动, 更灵活。我们把在教学模型中使用的Agent称为教学Agent, 它是移动Agent技术在教学中的应用。教学Agent就是被设计为支持辅助学生学习并可与学生交互的移动Agent。教学Agent可根据学生的需要及当前学习环境的状况调整其对学生的指导性, 并可帮助学生克服和充分利用他们的学习条件。

二、基于移动Agent的网络教学模型

移动Agent是整个教学模型的关键技术, 它在系统中的不同域、不同节点之间移动。它根据其他Agent分派给它的任务, 决定到什么地方去查找相关域的信息 (与其他移动Agent交互) :移动到相关域, 查找该域中的信息服务器, 并通过与其上的资源Agent交互获取用户所需信息;把信息返回给任务Agent;按事先制定的策略决定是否继续存在, 是否继续移动, 是否继续新任务的执行。教学Agent就是在移动Agent的基础上设计实现的。

(一) 教学Agent的基本结构

教学模型中各教学Agent功能不同, 但基本结构相似, 主要由学习模块、运算模块、传输模块、规则库和动作库组成, 如图1所示。学习模块负责记录和跟踪学生的系统使用情况 (包括查询哪些内容, 学习哪些东西, 题目完成情况等) , 并将结果报告给运算模块, 同时记录在用户信息库里。运算模块是教学Agent最具智能的关键部件, 它有一个运算机, 能进行复杂的知识推理, 多种数据运算, 该模块接受学习模块和传输模块传来的信息, 运用规则库中的推理规则及动作库的信息对教学Agent的行为给予正确的控制处理, 若需要教学资源, 它负责从资源库中选取适合用户需求及认知能力的教学资源呈现给用户。传输模块负责与其他教学Agent之间可靠的数据通信, 实现知识共享。规则库包括了教学Agent遇到各种处理情况是应进行哪些对应的操作, 动作库记录了教学Agent的每次操作。

(二) 基于移动Agent的教学网络模型

移动Agent的教学网络模型体系结构如图2所示。学生通过Internet进行学习, 与教师 (教学服务器) 进行交互。这里的客户主要指的是学生、教师和管理员。学生是网上教学系统的服务对象, 他们可以根据自己的知识结构或学习进度提出个性化学习请求。学习服务器分析学生的历史记录和学习需求, 生成代表学生学习请求的移动Agent。通过学习服务器, 系统把对学习的请求服务分散到远程教学服务器上, 并在该教学服务器上获取学习资料或者得到个性化的学习指导。教师也可以通过浏览器登录教学服务器, 对领域知识进行查询、修改和维护。管理员主要是对整个系统进行管理和协调, 以提供良好的网络环境。从学生所在的客户端来看, 学习服务器是一个逻辑整体, 也就是说学生获得的服务来自一个虚拟的服务器, 它感觉不到它所需要的服务是由不同的教学服务器提供的。

三、实现网络教学系统的自适应性

利用移动Agent技术为学生提供自适应学习空间是教学模型设计的根本宗旨。为实现该目标, 我们从学习服务器和教学服务器两个方面对自适应策略进行了研究。学习服务器应具有反映学生在学习的过程中的动态特征的功能。系统必须首先了解学生已经学习的内容和已经掌握的知识, 这样才能为学生进行进一步的指导。所以学生服务器的设计是自适应性的基础, 是实现个性化学习的起点。教学服务器具有反映教师授课特点, 擅长知识领域, 以及授课难易程度的分析的功能, 这也是完善网络教学系统自适应性的重要组成部分, 因此设计好教学服务器也是该教学模型的一个重点。下面分别介绍两种服务器的设计理念以及实现过程。

(一) 学习服务器的设计与研究

图3是学习服务器的设计模型, 其中引入了几种不同功能的移动Agent。用户登录后首先生成学习Agent, 学习Agent的功能是把用户的学习历史记录查询出来, 还要在教学Agent信息库里找到适合的教学Agent, 把用户信息传送给教学A-gent, 教学Agent主要通过传递来的信息处理计算该用户的学习情况, 通过推理功能对该用户的下一步学习计划进行分析, 分析后把本次学习知识的要点返回给移动Agent。移动Agent携带所要查找的知识要点向教学服务器方向移动, 在教学服务器中找到所需要的内容返回学习服务器, 把查找到适合用户的知识返回给用户。个性化Agent在移动Agent通过教学服务器端得到指导返回到学习服务器时产生, 它的主要作用是不仅能对本次学习的情况进行分析, 而且当整个学习结束后也能对该学生的整体学习进行评价, 并在用户信息库里记录该学生的学生行为。这样就可以为学生的下一步学习做好相应的准备。

(二) 教学服务器的设计与研究

教学服务器, 又称为教学系统, 它是整个教学模型的主体, 好比实际教学中的教师角色, 它为学生提供个性化学习指导, 也为移动Agen的执行提供了具体的平台。本系统中不只存在一个教学服务器, 每个教学服务器相互独立存在, 各自服务于某个领域, 拥有不同的教学资源不同的师资队伍, 所有的教学服务器结点由学习服务器管理。教学服务器主要提供了以下几个方面的功能:一是教师可以通过该系统充实教学内容, 为学生提供个性化服务, 并可以不断充实该系统的教学功能。为移动Agent提供一个平台, 使其可以查找所需知识。二是教学Agent对领域知识合理的组织和安排。三是教学服务器中还包括很多数据库, 如各类教学资料、试题库、教师信息库。

图4是教学服务器模型, 其中引入了几种功能不同的移动Agent完成自适应性这一特点, 下面就该模块的运行过程进行简要陈述。学习Agent是实现该系统个性化操作的重要部件。教师在登录该教学服务器后首先生成学习Agent, 学习A-gent接受教师的各种登录信息, 并将其记录到教师信息库中以便日后为该教师提供个性化服务, 同时将教师的课件、学习资料录入教学数据库。资源Agent负责管理查找教学服务器中的教学资源, 它首先分析来自学习服务器的移动Agent的请求信息, 找到教学数据库选择合适的知识点组成知识单元, 将教学指导和教学资料通过移动Agent返回到学习服务器, 并呈现给学生。除此之外, 它还会接收其他教学服务器通过移动Agent传来的教学资源查询请求, 根据这些查找请求查找教学数据库的相关内容, 把这些教学资源通过移动Agent返回给其他教学服务器。个性化Agent与学习服务器的个性化Agen设计相似, 但功能有所不同。个性化A-gent是在教师登陆后产生。教师通过浏览器直接访问在其所在领域的教学服务器, 之后系统生成学习Agent和个性化A-gent。学习Agent记录教师登录信息, 个性化Agent在适当的时候向教师提供指导和帮助。一方面个性化Agent负责对教学数据库的知识进行有效的管理, 如对知识进行编辑, 形成知识结构图;合理组织章节中的知识点。另一方面使用它本身特有的运算机对教师登陆的行为进行分析将其记录在教师信息库中, 以便日后为教师提供个性化服务。教师信息库是用来保存教师登录信息以及登录后的操作的, 其中包括访问的网页、查找的关键字等信息。保存这些信息, 我们可以利用个性化A-gent的运算机进行行为规律的推算, 便可以找到教师感兴趣的教学内容, 推算出教师教学规律, 更好地实现个性化服务。教学数据库则保存了该领域的教学资源, 教师可以随时登陆对应领域的教学服务器, 对其教学资源进行补充、修改。

四、结束语

本文将移动Agent技术用于自适应网络教学模型的设计中, 提出一种具有满足学生个性化服务的系统体系结构。学习服务器和教学服务器两个核心部件是本文重点。为满足自适应性和个性化教学的要求, 加入了个性化Agent、教学Agent等不同功能的移动Agent, 达到了预期的目标。虽然基于移动Agent的网络教学系统尚处于研究和实验开发阶段, 但是随着人工智能和信息技术的发展, 自适应性、智能化和个性化的计算机网络教学模式将成为未来教育的主要手段, 其应用前景非常广泛。

参考文献

[1]、张云勇, 刘锦德.移动Agent技术[M].清华大学出版社, 2003.

[2]、DanielT.ChangandStefanCovaci, The OMGMobileAgentFacility:ASubmission, In-ProceedingsoftheFirstInternationalWorksho-ponMobileAgents (MA97) [Z].1997.

[3]、Schweizer, Heidi.TitleDesigningand-teachinganon-linecourse:spinningyourweb[Z].1999.

[4]、GajarajDhanarajan.On-LineLearn-ing—ASocialGoodOrAnotherSocialDivide[Z].InternationalConference, 2002.

篇8：基于计算机网络的自适应式远程教育模式的研究

摘要：针对当前入侵检测系统的局限性，提出将数据挖掘技术引入到入侵检测中，研究了Apriori关联算法、ID3分类算法和FHCAM聚类算法在入侵检测中的应用，建立了一个基于数据挖掘的自适应入侵检测模型。该模型能够识别已知和未知的入侵，降低检测的漏报率和误报率，有效的提高检测效率。

关键词：入侵检测；数据挖掘；关联；聚类

中图分类号：TP393

文献标识码：A

DOI：10.3969/j.issn.1003-6970.2015.09.013

0 引言

随着计算机网络和互联网的迅速发展，网络安全问题日益突出，网络安全机制在信息社会中扮演着极其重要的角色，它直接关系到个人隐私、企业经营和国家安全。互联网所具有的开放性和自由性在增加应用自由度的同时，对安全提出了更高的要求。入侵检测系统是近年来发展起来的一种动态监控和预防网络入侵行为的安全机制。与传统的安全机制相比，入侵检测具有明显的优势，它所具备的智能监控、配置简单、实时探测等特点使得网络的安全性得到进一步的提高。当前网络安全研究机构提出了很多入侵检测的解决方案，如统计分析、模式匹配、专家系统和数据挖掘等方法，其中数据挖掘方法因其具有良好的可扩展性和自适应性，得到了广泛的重视，将数据挖掘的核心方法和技术应用于入侵检测已成为入侵检测技术领域研究的热点。

1 入侵检测系统

入侵检测系统（Intrusion Detection System，IDS）是检测入侵行为，实现安全监视的技术。由于防火墙无法防御来自内部的攻击，入侵检测技术成为防火墙的合理补充，帮助系统预防网络入侵，扩展了系统管理员的安全管理范围。入侵检测系统按照检测方法划分，可以分为基于误用的入侵检测系统和基于异常的入侵检测系统。

基于误用的入侵检测系统优点是可以有效地检测到已知入侵，误报率比较低，缺点是只能检测到已知的攻击类型，当出现针对新漏洞的攻击手段或针对旧漏洞的新攻击方式时，就需要添加新的入侵规则，才能够检测出新的入侵行为，因此系统的灵活性和自适应性比较差。目前，异常检测是入侵检测系统的主要研究方向，其特点是根据使用者的行为或资源使用状况来判断是否存在入侵行为，这种检测系统的基本思想是分析系统的正常行为，建立一个正常特征状态模型，检测时将用户当前的行为与这个正常特征状态模型进行模式比较，如果存在较大的出入，则认为系统遭到入侵。异常检测的优点是能够检测到未知的攻击，缺点是检测的误报率和漏报率比较高。近年来，由于入侵方法和入侵特征的不断变化，入侵检测系统必修不断自学习，以便更新检测模型，一方面能及时检测出未知的攻击，另一方面要降低检测的误报率和漏报率。

2 数据挖掘技术

为了克服传统的入侵检测系统的缺陷，现有的入侵检测系统大都利用数据挖掘、机器学习等智能方法来分析和处理网络数据，在看似杂乱的数据中找出内在的联系，从而发现网络和系统的不安全之处，提出决策建议。数据挖掘是从海量的、不规则的数据集中识别有效的、可信的以及隐含信息的处理过程，其本身是一项通用的知识发现技术。数据挖掘的内涵非常丰富，是一个多学科交叉领域。本文将数据挖掘的常用技术应用于入侵检测领域，利用数据挖掘中的关联、分类和聚类等算法提取出与网络安全相关的特征属性，然后根据这些特征属性建立起划分网络行为的分类模型，用于对安全事件的鉴别，准确的区分实际的入侵和正常行为模式。这种自动化的方法不需再手工分析和添加入侵行为模式，从而更加有利于建立适应性强的入侵检测系统。

2.1 Apriori关联算法

关联规则是描述在一个事务中项目之间同时出现的规律的知识模式。一个事务中的关联规则挖掘可以描述如下：递归方法。首先选择训练数据的某个属性作为根结点，对测试属性的每个值（离散化），创建一个分支，并据此划分样本。算法使用同样的过程，递归形成每个分支下的子分支。一旦一个属性出现在一个结点上，就不必考虑该结点的子结点。构造出的决策树的好坏关键在于如何选择合适的产生分支的属性，我们称之为分裂属性，ID3算法选择信息增益值最大的属性做为分裂属性。决策树剪枝是一种克服噪声的有效手段，同时能使决策树得到简化，更利于进行新的数据分类，可以采用预先剪枝策略，在生成决策树的同时决定是继续对不纯的训练子集进行划分还是停机。ID3分类算法可以利用大量的入侵数据加以训练，生成表示入侵规则的决策树。

2.3 FHCAM聚类算法

聚类是将数据对象分成为多个类或簇，划分的原则是在同一个类中的对象之间具有较高的形似度，而不同类中的对象差别较大。与分类不同，聚类划分的类是未知的，类的的形成是由数据分析得到的。

在网络访问中，正常访问行为记录数要远高于异常访问行为记录数，把记录对象多的类归为正常行为集合，把记录对象少的类归为异常行为集合，就可以采用聚类算法区分不同的类。针对当前的一些聚类算法对非数值类型数据属性无处理、对先验知识的过多依赖等问题，本文采用了一种新的融合数值和字符类型数据的快速启发式聚类算法（Fast Heuristic Clus-tering Algorithm for Mixed data，FHCAM）。FHCAM算法在分析了传统聚类算法在划分系统和网络访问行为记录时存在的缺陷的基础上，结合行为记录的特征提出的一种改进聚类算法。FHCAM算法对数值型属性采用欧几里德距离的度量方法，对字符型属性采用相异度的度量方法，然后计算记录中所有数值型属性和字符型属性间的相异度来对大流量的系统和网络行为记录划分聚类，将挖掘入侵模式所需要的正常行为库和异常行为库划分出来。

各部分功能详细列下：

1.事件处理引擎

首先，按照一定策略提取关键主机上的事务日志或捕获网络数据报文，其次通过解码器进行解析后转换成具有特定格式的数据结构，最后对解码后的数据包进行预处理，转换成适合模式匹配和挖掘的系统数据格式。采用分类算法ID3对训练数据进行挖掘，将挖掘到的规则添加到入侵模式库中。

2.行为库划分模块

采用面向混合类型数据的快速启发式聚类算法FHCAM对系统网络行为记录进行聚类划分，自动构造正常行为库和异常行为库。

3.规则挖掘模块

使用关联算法Apriori对正常行为库进行挖掘，将挖掘出的关联模式和入侵模式库进行模式比较，无异常的情况下再添加正常模式库，这样能降低检测的漏报率；同时，对异常行为库也进行关联规则挖掘，挖掘出的模式与正常模式库进行模式比较，如不匹配则生成新的入侵模式，添加到入侵模式库中，这样能降低检测的误报率。通过Apriori算法挖掘频繁项集，智能构建和维护入侵模式库，挖掘出的模式可利用主子表的结构存储在关系数据库中，这样可以减少数据存储的冗余。

4 结束语

篇9：基于计算机网络的自适应式远程教育模式的研究

随着我国大型建筑设施的日益增多,人们对大型公共建筑内部应急安全管理的重视也逐渐加大。无线传感器网络(WSN)凭借其成本低,能耗小,组网灵活,系统抗毁性强,对环境依赖程度低等多方面优势,在搜寻与营救、人员与设备定位、现场环境监控、险情获取等方面具有广泛的应用前景,目前已经逐渐成为监控预警和应急指挥系统的重要组成部分。然而基于热点(Hotspot)接入的无线局域网(WLAN)以其高带宽、大容量等优势,业已广泛存在于楼宇建筑之中。在需要传输诸如视频信息、连续语音信息时,WLAN具有WSN无法比拟的优势,但其覆盖无法像WSN一样广泛,边缘区域信号的衰减对通信的影响比WSN更加严重。同时一个无线局域网接入点(AP)的失效就可能导致一定区域内WLAN的瘫痪,因此在应急通信中可能出现部分区域无法使用WLAN的严重问题。网络之间的互联互通已成为一种有效利用资源的通信方式和必然趋势,这就形成了移动通信的异构网络。

垂直切换是异构无线网络相互融合的关键。目前的垂直切换算法主要针对WLAN与蜂窝网络,如WLAN与GPRS,WLAN与CDMA[1,2,3]等。由于无线传感器网络在信号覆盖范围与强度、工作方式、性能以及受外界干扰的影响程度等方面都与传统的蜂窝网络有较大的不同,因此难以直接采用目前的切换算法。设计适合无线传感器网络与无线局域网的切换算法对未来应急救援具有很大意义。基于此,这里提出一种自适应判断的垂直切换算法,该算法采用基于代价函数对接入网络进行评估的思想,根据无线传感器网络的特点,选择接入优先级、信号质量等参数,以决定切换是否执行,实现对移动节点自适应的切换判决。

1 自适应垂直切换算法

1.1 代价函数模型

不同的通信应用对于支持网络都会提出相应的QoS要求,WSN与WLAN能提供的QoS存在较大差异。代价函数正是根据节点上运行的切换算法及其应用程序对可选接入网络进行综合评估,从中选择代价值最小的网络作为切换的目标网络。代价函数的表达式定义如下:

undefined

式中:Vji为第j个网络中的第i个参数值;Wi为该参数在整个代价函数中的权值;Fj为第j个网络的优先级。由于不同网络参数值的计量单位各异,不能直接作求和运算,需要进行归一化[4]。

结合计算规范化参数相对应的权值,代入式(1)计算出网络的代价函数值,代价函数最小的网络是最优的切换目标网络。

1.2 网络参数

由于无线传感器网络低功耗、低速率的特点,其节点数据采集能力与传输能力都有限制,因此选择合适的网络参数作为计算代价函数的依据十分重要。合适的网络参数不仅应能节省无线传感器网络的能耗,延长网络的整体使用时间,也应能充分反映网络的状况,为切换判决提供必要的支持。

在室内应急通信的应用场景下,无线局域网主要实现一定热点区域内的高速率、高带宽的无线网络接入,当断电或线路损坏等特殊因素出现时,可能造成某个AP的覆盖区域无法接入WLAN,抗毁性较弱。由于无线传感器网的分布广泛,基本上可以实现全区域性的覆盖,即使断电,个别节点损坏,对整个网络通信也不会产生特别严重的影响,抗毁性较强,但只能提供低速率、小数据量的无线通信服务。基于以上分析,选取以下参数作为判断无线局域网与无线传感器网相互切换时网络选择的依据。

(1) 接收信号质量。

在WLAN与WSN中,接收信号强度都是用于检测通信质量的参数,选择其表述信号的质量具有一定的通用性和可行性。考虑到传感器网络的信号采集特点与运算能力,该算法对信号质量的评价主要依据当前时刻的采集信号强度ESi。

(2) 通信时延。

当移动节点所处位置不存在WLAN的有效覆盖时,或尽管有WLAN的无线覆盖,但该局域网的AP无法与有线主干网络相连时,其通信时延会大幅增加。此外,紧急原因(如断电或部分节点失效)也会造成无线局域网或无线传感器网的通信时延增加。通信延时参数可保证应急通信数据的及时传递。

(3) 数据吞吐率。

是判定传输速率的重要依据。当需要传输视频等大量数据时,该参数的权值应相应提高。

(4) 网络选取优先级。

除了上面的三个一般性参数以外,该算法根据具体应用场景的不同,为无线局域网与无线传感器网在不同条件下的垂直切换设置了网络选取优先级这一特殊参数。例如,当应急救援需要了解现场实况或与一线救援人员联络时,要求网络提供高传输速率、高通信带宽、低时延的服务(如视频传输、实时话音通信),此时WLAN将获得高于WSN的优先级;当要求提供全区域覆盖、可靠传输的服务(如重要提示信息的广播、求救与救援信息的传输)时,WSN优先级则会获得较高的优先级。优先级的变化情况如图1所示。

根据应急通信的不同等级需求,获得对应的网络选取优先级参数,既可以提高通信网络对实际需要的适应度,又避免增加过于复杂的运算,适合传感器网络的特点,使选择的接入网络更加符合实际的应用需求,提高了切换的灵活性。

1.3 切换稳定周期

为解决垂直切换中存在的乒乓效应问题,采用设定一个稳定周期来延迟移动节点执行切换的时间。稳定周期可通过如下公式计算[5]:

undefined

式中:lhandoff为当前最优可接入网络的链路时延;Cbetter为最优可接入网络的代价函数值;Ccurrent为当前网络的代价函数值。

1.4 切换判决策略

切换判决用来根据网络代价函数、稳定周期等因素判断是否对接入网络进行切换。在室内环境下,出于全方位监控的考虑(无线传感器网络作为整个应急安防监控系统的基础,其对监控区域实现完全覆盖是可能的),无线传感器被大面积布设,构成的无线传感器网络基本可以实现对一定区域范围的全覆盖,并且无线传感器网络的信号始终存在。无线局域网在室内半开放空间的覆盖范围约为35～50 m,可以认为WLAN热点的有效通信范围全部处于无线传感器网络的覆盖之下,应用场景如图2所示。

基于以上前提,当移动节点经过计算代价函数发现最优切换网络时,切换判决模块首先保存当前的代价函数值,并根据式(2)计算稳定周期TS;然后启动模块内部的计时器,在稳定周期结束时,节点主动计算当前时刻最优切换网络的代价函数值,并与最开始的代价函数值进行比较,如果出现偏差值超过Cr(预先设定),则认为目标网络稳定性较差,不执行切换,否则进行网络切换。图3为垂直切换算法的流程图。

实验选择在均匀覆盖有WLAN的室内区域进行,实验前在试验现场布设20个传感器节点,每两跳节点相距约10 m,评价场景模拟如图4所示。

2 实验分析

移动节点在场景中以1.5 m/s的速度往返移动(人正常行走的速度),不断进入与离开无线局域网的有效覆盖区域。仿真中以通信信号质量、通信时延、优先级作为垂直切换的参考指标, 设置WSN传感器个数为12个,节点单跳时延参数为0.1,信号强度参数为0.08,吞吐率参数为0.1;设置WLAN的一个AP,覆盖范围50 m,通信时延参数为0.3,信号强度参数为0.04×50/(50-d)(其中d为移动节点与AP的距离),吞吐率参数为0.002;设置信号强度权值为0.5,通信时延权值为0.5,吞吐率权值为0.2;另外两种优先级都设置为1,算法选择代价函数最小的网络作为目标,则采用本文提出的切换算法进行仿真,结果如表1～表3所示。

由表1～表3可以看出,本算法在A点选择WLAN,在B,C点选择WSN,由此可以根据当前网络性能较为有效地实现在WSN与WLAN间的切换。当引入优先级这一参数时,比较A点的变化仿真如表4所示。

此时,由于WLAN优先级的降低,算法选择了WSN作为目标网络。由此可以看出,通过优先级的调整,可以有效改变对网络选择的判断,实现依据具体需要选择目标网络的目的。

3 结 语

针对室内异构网络环境下应急通信的现实需求,结合目前广泛存在的两种室内无线通信方式,提出基于WSN与WLAN的自适应垂直切换算法。实验表明,该算法可以比较有效地满足室内环境下应急救援时无线通信QoS的要求,增强异构无线通信网络对环境变化的适应性。下一步工作则需要通过与其他垂直切换算法进行比较,以进一步对算法进行改善,缩短其判决的时间,并进一步提高判决的准确性。

摘要：提出一种基于WSN与WLAN异构网络环境下无缝移动通信的垂直切换算法。该算法针对日益普及的传感器网络自身特点与室内应急通信应用的特殊性,提出网络选取优先级参数。针对传感器网络在应急通信等特殊场合的应用,制定了专门的切换判决策略。实验分析表明,该算法可以一定程度地提高通信网络对现场场景变化的适应程度,满足室内环境下异构网络通信的需求。

关键词：无线传感器网络,异构网络,垂直切换算法,无缝移动通信

参考文献

[1]刘敏,李忠诚,过晓冰,等.基于运动趋势的自适应垂直切换算法及其性能评价[J].计算机学报,2008(1):112-119.

[2]孙岩,马华东.一种基于终端决策的自适应垂直切换算法[J].铁道学报,2006(6):59-63.

[3]刘侠,蒋铃鸽,何晨.一种无线异构网络的垂直切换算法[J].上海交通大学学报,2006(5):742-746.

[4]胡中栋,黎平国,夏冬梅.一种无线异构网络的自适应垂直切换算法[J].计算机工程与应用,2007(4):145-147.

[5]谢胜东,吴蒙.基于模糊控制的垂直切换决定算法[J].南京邮电大学学报:自然科学版,2007(5):6-10.

[6]郭强,朱杰,徐向华.下一代移动通信网中的一种复合垂直切换策略[J].移动通信,2004(Z1):95-98.

[7]刘敏,李忠诚,过晓冰,等.异构无线网络中垂直切换算法的评测与改进[J].软件学报,2007(7):1653-1659.

篇10：基于计算机网络的自适应式远程教育模式的研究

新生适应是指初上大学的学生（入学到第一学期结束）在脱离原来熟悉的环境，进入大学新环境的变化过程中，根据新环境的要求，积极调整自己的心理与行为，顺利实现角色转换，达成与新环境的平衡的过程[1]。高校新生适应教育以入学开始为起点，以学生基本适应所处环境为终点一般需要1～3个月，个别学生需要一个学期甚至更长的时间[2]。

大学新生由中学升入大学后，学习、生活环境等都发生了巨大的变化，而环境的改变并不意味着大学生的认知也能跟上这种转变。对于大学新生来说，面对的是一个新奇而又完全陌生的环境，从相对单纯、熟悉的环境进入到复杂、要求高的环境里，个体必须在各方面做出相应的改变。如果个体自身与环境变化相脱节，就容易产生适应问题。事实上，从青少年向成人的转变是一个相当艰巨、充满危机的时期。大学生特别是大学新生，由于长期受到高考指挥棒的影响，心理和行为的独立性都不强，中学阶段对家长、老师有较大的依赖，对社会了解有限，思想较为理想化。进入大学后，环境发生较大变化，有些学生因自我认知不当而产生一系列的矛盾与冲突，造成心理发展不平衡，带来不适感、焦虑感、压抑感等消极心理体验即适应不良综合症。如果这些症状得不到及时消除，就会发展为心理疾病，进而影响一个人的身心健康。

因此从时间和内容两方面对新生教育进行科学合理的规划与设计，从而深入、系统、有针对性地开展适应教育，帮助新生尽快完成心理调适，适应新的学习、生活环境等。

二体验式教育在适应教育中的应用优势

1体验式教育的理论优势

体验式教育是指在教学过程中，教师以一定的教育理论、教育目的为指导，以学生为中心，通过创设实际的或虚拟的情境或活动，让学生亲身经历或体验，通过教师的积极引导，使学生在实践、交流、反思和总结的过程中产生情感、内化并建构知识、发展能力的一种教学模式[3]。与传统教育相比，体验式教育最大的特点就是教育目的、内容是隐藏在活动过程中，学生是主体，教师只发挥引导作用。它强调个体经验和合作学习的意义，虽然主张要在做（实践）中获得新知识和新技能，但是更关注对实践经验的分享、反思和总结，强调在掌握技能知识的过程中，不仅是能知道能行动，而且能从深刻的反思中获得经验的提升，使学习者通过体验与反思过程获得成长性的发展。因此，体验式教育模式是一种“学做合一”的教育模式。

2体验式教育的实践优势

1934年英国海军哈恩（Kurthahn）创办“外展训练学校”（Gordonstoun School），用来训练海员的生存技巧，明显提高了海员的生存率。1941年哈恩创办“户外学校”（Outbound School）训练对象从海员扩展到军人、工商业人员、学生等，训练目标也从单纯的体能生存训练扩展到心理、人格、管理训练等。1960年美国引进这种户外学习模式，1964年美国开办的北明尼苏达学校，开发出风行世界的主题性活动课程（Project Adventure，简称PA）。到1980年后，美国已经拥有数不胜数的户外学校，形成一个高达500亿美元的培训产业。现在，体验式教育模式在企业培训行业中风行，并在学校教育中逐渐推广开来，成为一种非常有效的学习模式。

三基于体验式教育的新生心理适应训练营设计

1主题与思路

训练营实施对象是大学新生，目的是引导新生尽快熟悉新环境，适应新的学习方式，建立新的人际关系，做好大学规划，为未来的学生生活打下坚实基础。

积极心理学认为认知、情感、行为三个方面相互影响，相互促进。通过改变认知可以影响情感和行为，情感可以影响认知和行为，行为可以影响认知和情感。训练营通过改变新生的认知，从而影响情感，塑造新的行为。

认知心理学认为心智模式是人们长期生活经历中留下来的相对稳定的关于认知世界的心灵地图。这种心灵地图一旦形成便成为人们自觉不自觉地认识周围世界的一种固定模式。美国学者Peter Senge在《第五项修炼中》指出心智模式是根深蒂固于心中，影响我们如何了解这个世界以及如何采取行动的许多假设、成见，甚至图像、印象。“会影响我们看见了什么”，“决定了我们对世界的认知方式”，而每个人的心智模式不是一成不变的，“具有不断改善的可能性”[4]。

基于积极心理学的认知、情感、行为相互影响和心智模式改善理论，训练营从改变新生的认知出发，激发情感，进而塑造行为三个方面，修正心灵地图，改善心智模式，提升心理素质，从而顺利完成从高中生到大学生的角色转换。训练营主要有四个模块：一是知识讲座（2课时）：讲授新生适应的基本知识，使学生对“适应”有一个认知；二是新生班级干部体验式培训（4课时），从学生干部素质提升入手，做好榜样示范；三是班级主题班会（6课时），在高年级学生干部的引导下，对新生开展感恩与励志教育，从心理动机激发角度引导大学新生做好生活、学习的规划；四是班级户外拓展（4课时），以户外团体游戏的形式，引导新生融入新班级，建立新的人际关系，塑造新班级的凝聚力和向心力。

四个模块由点到面，有认知、有体验、有分享、有反思，构建全方位，立体化的新生适应教育。

2实施方法与过程

训练营采用体验式教育模式，遵从美国学者库伯提出的“具体体验———观察与反思———抽象概念———主动应用”四个阶段的学习圈，让新生在具体体验的基础上，观察反思，最终主动应用，实现心智模式的提升。

（1）专题讲座，拉开新生适应教育的序幕

9月份新生入校后即开展新生适应方面的讲座，让新生对即将开始的大学生活有一个整体的认知。涉及环境适应、人际关系适应、自我适应、学习适应、心理适应五个部分内容。从认识论和方法论的角度，对大学新生提供认知指导。目前开设的讲座有《大学生健康的维护与提升》、《新视野新起点新生活———大学新生适应主题讲座》。endprint

（2）班级干部培训，做好班级管理人员的素质提升工作

10月份新生班级班委成立后即对班级干部开展体验式培训，从抓学生干部入手，做好新生管理工作。一个高素质的班级管理干部，对整个班级的未来发展具有重要意义，特别是新班级第一个班长，影响意义更大。新班级干部培训有两部分，一是班级管理能力知识的培训，涉及班会的组织与策划等内容；二是班级管理的具体能力如演说能力的培训，通过角色扮演等技术完成班级干部管理知识技能的学习训练。

（3）主题班会，完成大学规划心理动机的激发

10月中旬到11月中旬新生班级开展“感恩”、“励志”两个专题的主题班会，引入朋辈辅导的模式，通过感恩教育、励志教育，激发新生做好大学学习、生活的规划的动力。

主题班会在高年级学生干部的引导下开展，发挥榜样示范的作用，通过他们分享自己大学的经历，结合感恩、励志专题的视频引导，完成体验教育的观察学习———替代性学习，进而反思分享，促进在学习生活中的应用。

（4）班级户外拓展，将新生适应教育成果引向深化

11月开展班级户外拓展，实施主体是高年级学生干部。通过户外团体活动的开展，熔炼班级凝聚力、向心力，让新生在具体的活动体验中完成团队打造，熔炼人际关系。目前开展的团队项目有信任背摔、珠行万里、铁坦尼克号、智力电网、盲人摸号、齐眉棍、坐地起身、解手链等。

3主要成效及经验

该项目自2012年初开始实施，从学生写作的开放式报告中“信心”、“团队”、“合作”、“积极”、“向上”等正向词语被多次提及，体现了该训练营对新生心智的影响。

大一第一学期结束发放新生心理训练营调查表了解训练营实施成效。2013年12月调查发放问卷240份，回收235份，有效问卷232份，回收率97.92%，有效回收率96.67%。具体情况如下：“训练营对你的大学生活是否有帮助”有96.6%同学选择有帮助；分别有44.8%的同学对主题班会和班级拓展最有印象；97.7%的同学认为班级拓展对熟悉班级同学很有帮助；70.1%的同学认为班级拓展对快速熟悉新同学，建立新的人际关系有帮助；分别有11.5%的同学认为班级拓展对了解自己和表现自己有帮助，另有6.9%的同学认为拓展还可以帮助自己挑战自我，突破极限；在对训练营满意度调查方面，满意度达98.3%，反映了新生对训练营有较高的认同度和满意度。

总之，新生心理适应训练营是教师牵头，高年级学生干部参与，师生共同参与，共同进步，学生既是参与者又是被教育者。教师统筹项目并负责开展主题讲座等，同时培训高年级学生开展相关项目需要的技能。训练营中主题班会和户外拓展均由高年级学生组织实施，一方面给了高年级学生锻炼的平台，特别是成功实施后带来的高峰体验，对其高自我效能的形成具有巨大的促进作用，另一方面参与实施的均是高年级中的优秀学生，易于榜样教育功能的发挥。

新生适应教育应该是全面的、持续的，不是仅仅开学初的一个月，也不是一两次讲座就可以完成的。至少应该持续一个学期（即大一第一个学期），并且可以涵盖更多的内容。体验式教育作为教育途径的一种，在新生适应教育中应该大有可为，可以积极开发更多的培训课程，让更多的学生在具体的体验中完成心理适应。

参考文献

[1]刘凤娥.大学新生适应特点及其对教育的启示[A].北京高校心理素质教育论文集[C] .北京：北京高等教育学会心理咨询研究会，2009：127-132.

[2]邱鸿钟.大学生心理健康教育[M].广州：广东高等教育出版社，2004.

[3]谢文娟.大学生体验式生命教育模式的构建及运用[J].湖北经济学院学报（人文社会科学版），2011，8（11）：131-133.