劉洋

摘要：隨著信息化的浪潮在全球各地廣泛深入，社會各個層面都在進行改革。為滿足全國各高校教學管理系統(tǒng)的需求，該文提出利用智能屬性融合算法對高校教學管理系統(tǒng)進行優(yōu)化設計應用，加強系統(tǒng)的從而滿足學校改進教學管理工作提供客觀有效的決策分析方法。

關鍵詞：自適應性；殘差；智能算法；自學習性

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2018）24-0113-02

隨著信息技術的發(fā)展和高等教育體制改革的不斷深入，高校實現(xiàn)了教育信息化，大大提高了工作效率。將智能屬性融合算法技術應用于高校教務管理中，可以分析出重要的對決策或者預測有用的信息和知識，利用分析結(jié)果輔助教學，幫助教學管理者做出科學的決策。

智能屬性融合技術的目的是對“全信息”的融合處理，實現(xiàn)高層次的人腦分析處理問題功能的模擬。如何利用這些多元化的信息，在存在高度不確定性的情況下，保證融合系統(tǒng)的準確性和穩(wěn)健性，是需要解決的關鍵技術。

由于高校教學系統(tǒng)內(nèi)外環(huán)境越來越復雜多變，當前對教學管理系統(tǒng)的要求是越來越高。要求教學系統(tǒng)不僅能夠適應環(huán)境的動態(tài)變化，而且可以減少一些未知不確定性因素對系統(tǒng)產(chǎn)生的不良影響，因而需要發(fā)展具有自學習性和自適應性的智能數(shù)據(jù)融合技術。而智能的實質(zhì)就是如果一個系統(tǒng)在存在不確定性的情況下，能夠提高自身性能或者是自身性能保持在可以接受的水平上的能力，其主要特征表現(xiàn)為學習能力、適應能力、容錯能力和自組織能力。

1 基礎公式

參數(shù)解釋：

[Kt]即智能算法增益，詳細情況后面解釋。[Pt]為協(xié)方差矩陣，詳細情況后面解釋。

從直觀上來說，從基本公式到智能算法方程形式上相類似，但在理解上顯然后者有更大的跳躍性，這種跳躍性體現(xiàn)在：

①協(xié)方差矩陣[Pt]的“來”與“去”；

②智能算法增益[Kt]的“來”與“去”；

③如何理解預測階段與更新階段之間的關系。

在解釋協(xié)方差矩陣[Pt]之前，首先引用兩個量：[et=xt-xt|t]和[e-t=xt-xt|t]，它們分別表示真實值與更新階段的更新值以及真實值與預測階段的預測值之間的誤差。同時，引入殘差[zt-Ht?xt|t-1]的概念，因為殘差包含了測量值和預測值（其實是表征了在測量模型中使用預測值來得到預測的測量值與真是測量值之間的差），因此殘差很重要。

預測，就是利用前一時刻的更新值（其實也就是前一時刻計算出的“真值”）來計算當前時刻的系統(tǒng)狀態(tài)的預測值。同時，利用前一時刻的協(xié)方差矩陣來計算當前時刻的協(xié)方差矩陣。而這些值將用于隨后的更新階段。

更新，就是利用當前測量值和預測值來計算當前的“真值”，同時，更新協(xié)方差矩陣和智能算法增益。而這些值也將用于下一輪的預測階段。

再來看什么是協(xié)方差矩陣[Pt]。從數(shù)學上來說，后驗估計協(xié)方差矩陣[Pt|t=E[eteTt]]，先驗估計協(xié)方差矩陣是[Pt|t-1=E[e-te-Tt]]，分別對應更新階段和預測階段的誤差的協(xié)方差矩陣，則易知該協(xié)方差矩陣是對稱陣，其中主對角元是狀態(tài)向量對應的方差，非對角元元素為狀態(tài)向量之間的協(xié)方差。由智能算法方程可知，若先驗估計協(xié)方差矩陣[Pt|t-1]減小，則智能算法增益[Kt]減小，后驗估計協(xié)方差矩陣[Pt|t]也減小。然后理解智能算法增益[Kt]是什么。從來源上來說，更新階段的[Kt]是由[Pt|t]對[Kt]求導使得導數(shù)等于0時得到。這意味著[Kt]的意義在于使得后驗估計協(xié)方差矩陣盡可能的小。與此同時，我們會發(fā)現(xiàn)，對于前面提到的殘差來說，如果[Kt]越小，則殘差的分量就越小，那么更新值就更“接近”預測值，也就是我們更傾向于認為預測是準確的；反之，[Kt]越大，則殘差代表的分量越大，也就是說系統(tǒng)更傾向于認為測量是準確的。從這種意義上來說，[Kt]就是殘差的加權矩陣。

①殘差。通過殘差，我們可以知道預測跟測量的關系。因此，如果殘差越小，說明預測和測量之間的差距越小，即真實值≈測量值≈預測值；

②協(xié)方差矩陣。由上文可知，協(xié)方差矩陣存在著如下性質(zhì)：[Pt]越小，則說明先驗誤差估計中預測跟真實值相差越小，后驗誤差估計中真實值與校正值相差越小。這表明，此時的真實值、預測值和校正值相近，因此協(xié)方差矩陣可以作為判斷依據(jù)；

③引入第三方。在測試的時候，為了得到相關數(shù)據(jù)或者測試構(gòu)建的卡爾曼濾波器性能，通常會利用“第三方”來進行判斷（比如說用激光測已知距離的物體，來估計其效果）。但顯而易見的是，對于大多數(shù)實際應用場景來說，采用第三方的方式存在應用上的局限性；

④反饋系統(tǒng)。由圖1可知，卡爾曼濾波器是一個反饋系統(tǒng)，預測值相當于輸入，而校正值既是輸出也是反饋值，因此，我們可以考慮觀察反饋值與輸入之間的關系來進行判斷。

3 結(jié)語

教學系統(tǒng)作為現(xiàn)代教育教學管理的重要手段， 必須保證教育教學工作正常開展， 促進教學系統(tǒng)不斷優(yōu)化， 在導向、改進和激勵教育教學工作中發(fā)揮關鍵作用。利用智能屬性融合算法， 有利于學校了解隱藏的隱性信息， 推動教育教學改革， 促進教育教學質(zhì)量的提高。

參考文獻：

[1] 孫慶偉.復雜干擾環(huán)境下多傳感器數(shù)據(jù)融合方法及應用[D].哈爾濱工業(yè)大學博士學位論文，2002：13-15.

[2] 劉金強，聶詩良，潘澤友，等.基于多傳感器數(shù)據(jù)融合的智能小車避障的研究[J].傳感器與位系統(tǒng)；2010（2）：66-68.

[3] 張鵬，張建業(yè)，王占磊，等.基于近鄰量測認知信息的多傳感器融合估計[J].計算機工程，2012（8）：45-48.

[4] 付春玲，宮德龍，李捷.量測不確定下多傳感器一致性數(shù)據(jù)融合算法[J].傳感器與微系統(tǒng)，2013（7）：22-25.

[5] 吳志剛，蘇安婕，李恵杰，等.基于層次分析與數(shù)據(jù)融合的綜合評估方法[J].河南大學學報（自然科學版）；2013（3）：13-16.

[6] 田樹仁，李光.基于多傳感器數(shù)據(jù)融合技術的預警系統(tǒng)的研究[J]；河北大學學報（自然科學版）；2015（3）：3-6.

【通聯(lián)編輯：朱寶貴】