【技术实现步骤摘要】
本专利技术涉及神经网络领域，具体为一种基于神经网络预测不同学科教师需求量的系统和方法。
技术介绍
1、在教育行业，尤其是各级各类学校中，合理规划和配置教师资源是一项至关重要的管理工作，传统的教师需求量预测方法通常依赖于简单的统计分析或者经验判断，它们主要依据既定的课程计划、学生人数、班级规模等基础数据来估算各学科所需教师的数量；
2、但是，传统的教师需求量预测，忽略了教育行业规定的学科标准课时工作量、不同年级和学科间课程分配的差异性及班级增长对教师需求的非线性影响等工作量因素；
3、因此，人们急需一种基于神经网络预测不同学科教师需求量的系统来解决上述问题。
技术实现思路
1、本专利技术的目的在于提供一种基于神经网络预测不同学科教师需求量的系统，以解决上述
技术介绍
中提出的问题。
2、为了解决上述技术问题，本专利技术提供如下技术方案：
3、一种基于神经网络预测不同学科教师需求量的方法，该方法包括以下步骤：
4、s1、采集用户所在教育团体的历史年级数量、历史学科数量及该团体各年级中对应的各学科的历史单班计划课程量，构建历史单班计划课程量的矩阵记为矩阵p，采集历史各年级的班级数量，构建历史班级数量的向量记为向量c，根据矩阵p和向量c，计算出该团体各年级中各学科的历史总计划课程量，构建学科历史总计划课程量的矩阵记为矩阵q；
5、s2、采集教育行业规定的各学科的单人标准课程量信息，构建学科单人标准课程量的向量记为向量b，取
6、s3、采集各学科的历史实际教师需求量，构建历史实际教师需求量的向量记为向量r，建立前馈神经网络模型，将矩阵p中的各元素、向量c中的各元素及向量n中的各元素作为输入变量，矩阵r中的各元素作为输出变量，对前馈神经网络模型进行训练，训练完成的前馈神经网络模型，结合变动后的年级数量、学科数量及该团体各年级中对应的各学科的单班计划课程量，预测出各学科的教师需求量；
7、所述前馈神经网络，也被称为多层感知机，是典型的神经网络模型，神经网络分为输入层，隐藏层，和输出层，每一层的节点都代表一个神经元；在前向传播中，每一个神经元以上一层的各个节点输出作为输入，通过带偏置的线性变换和非线性的激活函数，得到这个节点的输出，并传递给下一层的节点，最终得到输出变量；
8、本专利技术通过建立前馈神经网络模型，定义了一个映射函数，并通过已经获取数据，对前馈神经网络模型进行训练，完善模型中的映射函数，最终，得到一个最佳的近似函数，完成模型的训练；用户通过向训练完成的模型输入变量，获得模型的输出变量，达到数据预测的目的。
9、步骤s1中，构建历史单班计划课程量的矩阵p及历史班级数量的向量c，具体过程如下：
10、s2-1、采集用户所在教育团体的历史年级数量记为m、历史学科数量记为n及该团体各年级中对应的各学科的历史单班计划课程量，构建历史单班计划课程量的矩阵p，具体如下：
11、
12、其中，gi表示i年级，sj表示第j种学科，表示i年级中的第j种学科的历史单班计划课程量，i∈[1，m]，j∈[1，n]；
13、s2-2、采集各年级的历史班级数量，构建历史班级数量的向量c，具体如下：
14、
15、其中，表示i年级的历史班级数量。
16、进一步的，在步骤s1中，根据矩阵p和向量c，计算出该团体各年级中各学科的历史总计划课程量，构建学科历史总计划课程量的矩阵q，具体如下：
17、
18、其中，表示第j种学科的历史总计划课程量且
19、步骤s2中，构建学科单人标准课程量的向量b，取向量b中各元素的倒数，构建新的向量b1，具体过程如下：
20、s4-1、采集教育行业规定的各学科的单人标准课程量信息，构建学科单人标准课程量的向量b，具体如下：
21、
22、其中，表示第j种学科的单人标准课程量；
23、s4-2、构建新的向量b1，具体过程如下：
24、
25、其中，表示第j种学科的单人标准课程量的倒数。
26、进一步的，在步骤s2中，构建理论教师需求量的向量n：
27、s5-1、根据矩阵q和向量b1，对两者进行hadamard积运算，具体如下：
28、
29、s5-2、矩阵q和向量b1进行hadamard积运算后，对其运算结果进行数据整理，构建理论教师需求
30、其中，表示第j种学科的理论教师需求量且的数值是对的数值向上取整之后的数值。
31、步骤s3中，预测不同学科的教师需求量，具体如下：
32、s6-1、采集各学科的历史实际教师需求量，构建实际教师需求量的向量r，具体如下：
33、
34、其中，表示第j种学科的历史实际教师需求量；
35、s6-2、建立前馈神经网络模型，将矩阵p中的各元素、向量c中的各元素及向量n中的各元素作为输入变量，矩阵r中的各元素作为输出变量，激活函数选择relu，损失函数采用如下公式，对前馈神经网络模型进行训练：
36、
37、其中，loss表示损失函数，表示第j种学科的历史实际教师需求量，’表示前馈神经网络模型给出的预测教师需求量；
38、用神经网络对数据进行建模，就是找到最合适的参数，对数据进行最佳逼近，通常会设计一个损失函数来度量函数的逼近效果，并通过链式求导的反向传播优化每一层神经元的参数，最终的最优参数应使得损失函数最小化；
39、s6-3、训练完成的前馈神经网络模型，结合变动后的年级数量、学科数量及该团体各年级中对应的各学科的单班计划课程量，预测出各学科的教师需求量。
40、一种基于神经网络预测不同学科教师需求量的系统，该系统包括信息采集模块、信息处理模块和信息显示模块；
41、所述信息采集模块用于采集系统所需的各项信息，所述系统所需的各项信息包括用户所在教育团体的历史年级数量、历史学科数量、历史实际教师需求量及该团体各年级中对应的各学科的历史单班计划课程量；所述信息处理模块用于存储、分析及传输各模块的各项信息；所述信息显示模块用于显示教师需求量的预测信息。
42、根据上述技术方案，所述信息采集模块包括团体信息单元和教育行业信息单元；
43、所述团体信息单元用于采集用户所在教育团体的教育信息，所述用户所在教育团体的教育信息包括历史信息和变动信息，所述教育行业信息单元用于采集教育行业规定的标准教育信息。
44、根据上述技术方案，所述信息处理模块包括信息存储单元、信息分析单元和信息传输单元；
45、所述信息存储单元用于存储信息采集模块获取本文档来自技高网...
【技术保护点】
1.一种基于神经网络预测不同学科教师需求量的方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于神经网络预测不同学科教师需求量的方法，其特征在于：步骤S1中，构建历史单班计划课程量的矩阵P及历史班级数量的向量C，具体过程如下：
3.根据权利要求1所述的一种基于神经网络预测不同学科教师需求量的方法，其特征在于：步骤S1中，根据矩阵P和向量C，计算出该团体各年级中各学科的历史总计划课程量，构建学科历史总计划课程量的矩阵Q，具体如下：
4.根据权利要求1所述的一种基于神经网络预测不同学科教师需求量的方法，其特征在于：步骤S2中，构建学科单人标准课程量的向量B，取向量B中各元素的倒数，构建新的向量B1，具体过程如下：
5.根据权利要求1所述的一种基于神经网络预测不同学科教师需求量的方法，其特征在于：步骤S2中，构建理论教师需求量的向量N：
6.根据权利要求1所述的一种基于神经网络预测不同学科教师需求量的方法，其特征在于：步骤S3中，预测不同学科的教师需求量，具体如下：
7.一种基于神经网络预测不同
8.根据权利要求7所述的一种基于神经网络预测不同学科教师需求量的系统，其特征在于：所述信息采集模块包括团体信息单元和教育行业信息单元；
9.根据权利要求7所述的一种基于神经网络预测不同学科教师需求量的系统，其特征在于：所述信息处理模块包括信息存储单元、信息分析单元和信息传输单元；
10.根据权利要求7所述的一种基于神经网络预测不同学科教师需求量的系统，其特征在于：所述信息显示模块包括预测显示单元；
...【技术特征摘要】
1.一种基于神经网络预测不同学科教师需求量的方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于神经网络预测不同学科教师需求量的方法，其特征在于：步骤s1中，构建历史单班计划课程量的矩阵p及历史班级数量的向量c，具体过程如下：
3.根据权利要求1所述的一种基于神经网络预测不同学科教师需求量的方法，其特征在于：步骤s1中，根据矩阵p和向量c，计算出该团体各年级中各学科的历史总计划课程量，构建学科历史总计划课程量的矩阵q，具体如下：
4.根据权利要求1所述的一种基于神经网络预测不同学科教师需求量的方法，其特征在于：步骤s2中，构建学科单人标准课程量的向量b，取向量b中各元素的倒数，构建新的向量b1，具体过程如下：
5.根据权利要求1所述的一种基于神经网络预测不同学科教师需求量的方法，其特...
【专利技术属性】
技术研发人员：庄晓，庄致远，阚吉利，
申请(专利权)人：南京冠邦网络技术有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。