隐马尔科夫模型在智能学习系统中的应用

《隐马尔科夫模型在智能学习系统中的应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、隐马尔科夫模型在智能学习系统中的应用东北大学2010.3.30文献题目：《隐马尔科夫模型在智能学习系统中的应用》作者：翟琳琳，陈仪香上海师范大学内容：智能学习系统的引导功能：知识点—1~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~。Link(将要学习的知识点的)希望首先要确定：知识点之间前趋与后继的线性关系。本系统要实现的是：根据大量学习数据以及学习效果来确定一个线性的学习序列。一个最优序，来实现引导功能。那么解决方案使用大量学习序列进行训练得到隐马尔科

2、夫模型（即确定各个知识点之间的关联概率）首先根据用户已有的观察序列和已知的HMM来估计内在知识点的迁移得到最优的状态转序列然后利用学习页面和知识点之间的关联取出最优的学习页面供用户进行学习再隐马尔科夫模型的确定S——模型中的状态，在此表示知识点A——状态转移矩阵，表示知识点之间的关联π——初始状态分布概率，在第一时间学习某个知识点的概率B——观察值的概率分布矩阵，表示在学习某个知识点时，进入某一页面的概率O——观察序列，观察值是学习知识点的页面。隐马尔科夫模型：λ=(S,O,π,A,B)在此系统中：已知：HMM的参数

3、S和O通过训练要得到：A、B和π所以建立隐马尔科夫的模型就是确定A、B和π的过程。在此使用Baum-Welch算法对该模型进行训练。Baum-Welch算法Step1Step2初始模型（带训练模型）λ=(A,B,π)根据观测序列O，求得一组新参数传统的Baum-Welch对HMM建模法逐步改善模型直至收敛所求模型改进的Baum-Welch算法因为在智能学习系统中存在这许多特殊性所以做了如下改进观察序列是用户点击页面的顺序。不能避免一些用户随意点击毫无关联的页面这样才能保证训练结果的正确性。对将要训练的O进行筛选然后和用

4、户使用时的序列进行匹配，如果超过了一定的阈值，便认为是相对正确的序列。只有正确的序列才鞥作为训练数据保存。确定知识点的大致顺序这样模型在训练的时候就可以大大提高收敛的速度，既体现了绝大多数用户的习惯，又保证了算法具有较高的效率。在初始化时给各矩阵大致的概率分布具体过程本试验中：状态：5个知识点（代数结构中的广群、结合律、半群、幺元和独异点)状态集合S=（1,2,3,4,5）观察值：10个学习页面每个知识点对应两个学习页面训练数据：100条正确的用户学习序列实验前HMM模型初始状态概率分布：π=(0.3,0.3,0.2,

5、0.1,0.1)状态转移概率分布:观察值概率分布:HMM：λ=(S,O,π,A,B)训练结束后，得到的新的HMM初始状态概率分布为：训练后观察值的概率矩阵:训练后状态转移概率矩阵:结论本文主要讨论了如何在智能学习系统中，利用隐马尔科夫模型对大量学习序列进行训练，找到隐藏在不同知识点之间的内在关联。并且在用户学习的过程中．根据前面的学习页面，通过推导得到即将应该学习的页面，自动地发送给用户学习。使用隐马尔科夫模型对知识点的关系进行确定，可以使系统在众多的学习序列中。根据用户的习惯和学习效果得到一条最优的序列．从而实现智能

6、引导的功能。TheEndThankYou