Старший преподаватель кафедры Tранспорта и информационных технологий.
Ордубад
Senior Lecturer of the Department of Transport and information technologies.
Ordubad
Цель исследования. В статье рассматривается решение проблемы регулирования преподавательских и студенческих отношений с использованием нейронных сетей для бимодальных электронных университетов. Для этого в первую очередь исследуются подходы других авторов к этой теме.
Известно, что в бимодальных электронных университетах студенты проходят обучение как в традиционном порядке, так и вне класса (в дистанционной форме).
Исследования показывают, что для традиционных университетов имеют разные подходы с применением экспертных систем, генетических алгоритмов по решению этой проблемы. Тем не менее, проблема не решена применением нейронных сетей, а также для студентов, которые имеют вне кампуса.
Известно, что отношения между преподавателями и студентами в университетах регулируются учебным планом.
Материалы и методы. Расписания курсов доступны в различных сочетаниях.
Сочетание учебной программы определяется раз в начале каждого семестра для традиционного образования, но эти комбинации постоянно меняются в среде дистанционного обучения. Эти изменения происходят из-за требования независимости времени и пространства для дистанционных учебных сред. Это указывает на актуальность проблемы и совместимость применение нейронных сетей для решения проблемы.
В представленной статье, для решения проблемы расписанию занятий рассматривается как матрица. Как известно, легче обрабатывать элементы матрицы, когда она находится в форме цифр. С этой целью предметы, которые будут преподаваться в группе, пронумерованы в соответствии с преподавателями, которые будут их обучать. Затем распорядок занятий составляется в произвольной комбинации матриц 3×5 в соответствии с недельной учебной программой.
Методы исследования. Процесс решения реализован в среде MATLAB.
Для упрощения процесса решения, составленная матрица преобразуется в одну строковую матрицу с помощью команды RESHAPE. Затем все комбинации одно строковой матрицы получаются путем применения функции PERMS. В результате получается 15!×15 – мерная матрица. Эта матрица используется в качестве целевой матрицы нейронной сети.
После этого недельный график занятий каждого преподавателя также составляется как матрица 3×5, называется «матриц занятости преподавателей» и отмечается как M (I) в соответствии с номерами преподавателей. Элементы «матриц занятости преподавателей» могут получать значению «0» или «İ» . Значение матричного элемента равно «0», указывает что преподаватель занят, а «İ» свободен.
На следующем этапе «матрица занятости» для каждого преподавателя превращается в линейную матрицу 1×15.
Затем составляется матрица ввода, которая объединяет элементы «матрицы занятости» преподавателей с каждым элементом целевой матрицы.
Весовые коэффициенты для нейронов определяются в виде разности из целевой матрицы входной матрицы.
Результаты исследование. Таким образом, задача вводится в двумерное линейное уравнение. Потом выбирается, настраивается и обучается Модель нейронной сети в соответствии с условиями проблемы.
Заключение. В конце концов, сеть тестируется с входными ценами, которые соответствуют интересам пользователя. Представляется расписание занятий в соответствии с полученными результатами. В конце статьи объясняется, полезен стороны метода для процесса дистанционного обучения.
Research objective. The paper deals with the solution of the problem of regulation of lecturer and student relations using neural networks for bimodal electronic universities. First, the approaches of other authors to this topic are explored.
It is known that in bimodal electronic universities, students are trained both in the traditional order and outside the classroom (in distance form). Studies show that for traditional universities there are different approaches with the use of expert systems, genetic algorithms to solve this
Development of the mechanism of intellectual management of “student-lecturer” relations in the space of virtual education with the use of neural networks problem. However, the problem is not solved using neural networks, as well as for students who have an off-campus. The relationship between lecturers and students in universities is regulated by the schedule of lessons.
Materials and methods. Schedule of lessons is available in various combinations. The combination of the schedule of lessons is determined once in the beginning of each semester for traditional education, but these combinations are constantly changing in the distance learning environment. These changes are due to the requirement of independence of time and space for distance learning environments. This indicates the relevance of the problem and the compatibility of the use of neural networks to solve the problem. In the presented paper, to solve the problem, the schedule of classes is considered as a matrix. As you know, it is easier to process matrix elements when it is in the form of numbers. To this end, the subjects to be taught in the group are numbered according to the lecturers who will teach them. Then the schedule of lessons is compiled in an arbitrary combination of matrices 3×5 in accordance with the weekly schedule of lessons.
Methods of research. The solution process is implemented in the MATLAB environment. To simplify the solution process, the matched matrix is converted to a single row matrix using the RESHAPE command. Then, all combinations of a single row matrix are obtained by applying the PERMS function. As a result, we obtain 15!×15 – dimensional matrix. This matrix is used as the target matrix of the neural network.
After that, the weekly schedule of each lecturer’s training is also compiled as a matrix of 3×5, called the “lecturer employment matrix” and is marked as M (I) according to the numbers of the lecturers. Elements of “lecturer employment matrices” can get the value “0” or “İ”. The value of the matrix element is “0”, indicates that the lecturer is busy, and “İ” is free. At the next stage, the “employment matrix” for each lecturer turns into a linear matrix 1×15. Then an input matrix is constructed that combines the elements of the “employment matrix” of lecturers with each element of the target matrix. The weight coefficients for neurons are defined as the difference from the target matrix of the input matrix.
Results of the study. Thus, the problem is introduced into a two-dimensional linear equation. Then, the neural network model is selected, tuned and trained in accordance with the conditions of the problem.
Conclusion. In the end, the network is tested with input prices that correspond to the interests of the user. The schedule of lessons according to the received results is represented. At the end of the paper, the method side for the distance learning process is useful.
The authors declare that there are no conflicts of interest present.