吕品晶
朴东生氢氧化锰Academic Prediction Based on CNN_LSTM Hybrid
特钢厂Neural Network农业部副部长李家洋
作者: 杜晓明[1];葛世伦[1];王念新[1]
作者机构: [1]江苏科技大学经济管理学院,江苏镇江212100
出版物刊名: 现代教育技术
页码: 69-76页
年卷期: 2021年 第12期
主题词: 学业预测;CNN;LSTM;空间特征;时序特征;深度学习 摘要:学业预测工作一直是教育界的研究热点,而现有的学业预测存在数据来源单一、预测精度提升有限的问题.基于此,文章利用卷积神经网络(Convolutional Neural Networks,CNN)在空间特征提取和长短期记忆神经网络(LongShort-TermMemory,LSTM)在时序特征提取方面的优势,构建了一种融合CNN与L 伽马射线肿瘤
STM的CNNLSTM混合神经网络模型.之后,文章进行了不同类型特征组合实验和不同模型对比实验,实验结果表明:全部特征组合进行学业预测的精度优于所有的部分特征组合,CNNLSTM混合神经网络模型学业预测的准确度优于其它模型.基于CNNLSTM混合神经网络模型对学生学业进行预测,既可为解决数据来源单一问题提供参考,也可为教师因材施教和学生个性化学习提供依据.