[發明專利]一種基于空洞卷積的自適應認知診斷測試設備及方法

在審

• 申請號: 202210170060.2
• 申請日: 2022-02-24
• 公開（公告）號: CN114238546A
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 梁效寧;舒琴;劉娟;李建飛
• 申請（專利權）人: 四川科星引擎教育科技有限責任公司
• 主分類號: G06F16/30
• 分類號: G06F16/30;G06F16/36;G06K9/62;G06N3/04
• 代理公司: 四川貓博思知識產權代理有限公司 51334
• 代理人: 李冬

1.一種基于空洞卷積的自適應認知診斷測試方法，其特征在于：包括以下步驟：

步驟1：選擇試題庫并搭建用戶標簽，訓練試題庫；

步驟2：選擇訓練數據集和測試數據集，并增強訓練數據集試題庫，擴充訓練數據集試題庫；

步驟3：將步驟2得到的訓練數據集試題庫進行1/N比例下采樣處理，得到對應的單獨測試試題，其中N為縮放因子；

步驟4：將步驟2得到的訓練數據集試題庫裁剪成H×W的試題組，將步驟3得到的單獨測試試題裁剪成H/N×W/N的試題組；

步驟5：將步驟4得到的兩種試題組分別作為完整試題庫和單獨測試試題樣本，生成HDF5的訓練數據集文件；

步驟6：設計基于注意力機制的空洞卷積神經網絡，具體如下：

6.1：設計基于注意力機制的空洞卷積模塊

基于注意力機制的空洞卷積模塊是由一個空洞卷積層和一個注意力塊端對端連接組成，空洞卷積層的輸出端連接注意力塊的輸入端，同時空洞卷積層的輸出端與注意力塊的輸出端相乘，構成基于注意力機制的空洞卷積模塊的輸出；

6.2：設計多通道基于注意力機制的空洞卷積模塊

多通道基于注意力機制的空洞卷積模塊由m個不同空洞卷積系數d1、d2、…dm的基于注意力機制的空洞卷積模塊及特征融合模塊組成，m個空洞卷積模塊以并聯的方式連接，且它們的輸出端都連接于特征融合模塊；

6.3：設計注意力殘差塊

注意力殘差塊由一個殘差塊和一個注意力塊端對端連接組成，殘差塊的輸出端連接注意力塊輸入端，同時殘差塊的輸出端與注意力塊的輸出端相乘，構成注意力殘差塊的輸出；

6.4：構建多通道特征提取模塊

多通道特征提取模塊由多通道基于注意力機制的空洞卷積模塊和注意力殘差塊端對端連接組成；

6.5：設計基于注意力機制的空洞卷積神經網絡

基于注意力機制的空洞卷積神經網絡由四部分組成，分別是輸入模塊、深層特征提取模塊、上采樣模塊和輸出模塊，其中：

輸入模塊和輸出模塊都是由卷積核尺寸大小為3×3的卷積層組成，深層特征提取模塊是由n個步驟6.4多通道特征提取模塊和一個卷積層串聯組成，并以殘差的方式連接而成；

上采樣模塊是由測試結果卷積層組成；

步驟7：訓練基于注意力機制的空洞卷積神經網絡，具體如下：

7.1：設置損失函數，以此最小化重建的試題庫與對應單獨測試試題的損失值來估計網絡參數；

7.2：選擇優化算法，對空洞卷積神經網絡進行迭代訓練；

7.3：選擇試題測試內容的重合性重建評價指標來客觀評價基于注意力機制的空洞卷積神經網絡模型的重建性能，其中重合性表示測試目的或測試得到的結果；

7.4：設置步驟6.2中多通道基于注意力機制的空洞卷積模塊的m和d1、d2、…dm的值；

7.5：設置訓練參數，包括訓練的學習率、迭代次數和批訓練樣本值；

7.6：用步驟5生成的HDF5訓練數據集文件按照步驟6.5設置的參數，訓練基于注意力機制的空洞卷積神經網絡，生成網絡模型；

7.7：使用測試數據集對步驟7.6得到的網絡模型進行測試，記錄試題庫重建性能指標值；然后返回步驟7.4，設置不同的m和d1、d2、…dm值，繼續訓練并測試，最后，保存最高的試題庫重建性能指標值對應的一組m和d1、d2、…dm值，并以此得到最終的基于注意力機制的空洞卷積神經網絡模型；

步驟8：將單獨測試試題輸入到上述基于注意力機制的空洞卷積神經網絡模型中，輸出得到重建后的完整試題庫；

步驟9：匹配用戶標簽和重建后的試題庫，用戶完成試題庫作答，得出測試結果。

2.根據權利要求1所述的一種基于空洞卷積的自適應認知診斷測試方法，其特征在于：所述步驟1中，還包括構建試題庫，具體為：1、試題庫從教學大綱提取第一知識點；2、試題庫從書籍提取第二知識點，并將第一知識點與第二知識點集成為知識圖譜；3、試題庫從網絡資源提取第三知識點，并將第三知識點與知識圖譜集成為學科知識圖譜。