(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211176942.6 (22)申请日 2022.09.26 (71)申请人 南京邮电大 学 地址 210023 江苏省南京市栖霞区文苑路9 号 (72)发明人 张秀艳　 (74)专利代理 机构 北京沃知思真知识产权代理 有限公司 1 1942 专利代理师 邓巧莲 (51)Int.Cl. G06Q 50/20(2012.01) G06Q 10/06(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G09B 7/02(2006.01) (54)发明名称 一种综合远程教育学习方法及学习 系统 (57)摘要 本发明公开了一种综合远程教育学习方法 及学习系统， 属于远程教育领域， 该学习方法具 体步骤如下： (1)用户登陆学习平台并教育分类； (2)对用户学习情况进行判断分析； (3)生成学习 计划并监测记录学习情况； (4)定期对用户进行 评测并更新学习计划； 本发明通过神经网络模型 能够更准确的对用户学习情况进行评测， 同时能 够更加直观的向用户反馈自身学习状态曲线， 方 便用户使用， 能够对内存进行大粒度压缩， 有效 的提高了 学习平台启动速度， 大幅提高了用户的 使用体验。 权利要求书2页 说明书5页 附图1页 CN 115439282 A 2022.12.06 CN 115439282 A 1.一种综合远程教育学习方法， 其特 征在于， 该 学习方法具体步骤如下： (1)用户登陆学习平台并教育分类； (2)对用户学习情况进行判断分析； (3)生成学习计划并监测记录学习情况； (4)定期对用户进行评测并更新学习计划。 2.根据权利要求1所述的一种综合远程教育学习方法， 其特征在于， 步骤(1)所述教育 分类具体步骤如下： 步骤一： 用户通过输入账号以及密码登陆学习平台后， 学习平台对该用户进行定位， 之 后对该用户上传的数据进行风险排 查； 步骤二： 学习平台收集用户实名信 息， 同时依据用户年龄将用户教育等级按照小学、 初 中、 高中以及大 学进行分类， 同时每一 等级分为上 学年以及下 学年； 步骤三： 学习平台将判断结果反馈给用户， 之后用户对于平台判断结果进行确认或更 改。 3.根据权利要求2所述的一种综合远程教育学习方法， 其特征在于， 步骤一所述风险排 查具体步骤如下： 步骤Ⅰ： 风险监测模块接收接收各组通信数据， 同时通过独立编码器将各组通信数据中 非二进制数据转换成二进制， 之后通过归一化处理将各组数据进 行归一化处理以提取相关 特征代码； 步骤Ⅱ： 之后风险监测模块与病毒共享数据库通信连接， 并依据特征代码对病毒共享 数据库进行检索， 若存在一致的特征代码信息， 则判断该通信数据存在病毒风险并进行拦 截， 同时将对应用户设备信息上传至管理平台， 并断开与该用户设备的连接； 步骤Ⅲ： 若不存在一致的特征代码信息， 则将相关通信数据上传至云端虚拟机进行传 染模拟， 并根据网络病毒定义而确 立的传染标准进行病毒分析， 并对存在病毒的通信数据 进行阻隔查杀， 同时将对应用户设备信息上传至管理平台， 并断开与该用户设备的连接 。 4.根据权利要求1所述的一种综合远程教育学习方法， 其特征在于， 步骤(2)所述判断 分析具体步骤如下： 第一步： 学习平台检测用户是否存在过往学习记录， 若存在， 则收集用户在校成绩信 息 以及平台过往学习记录， 若不存在， 则收集用户在校成绩信息， 之后 将收集到的数据整合归 纳为学习数据集， 并收集用户远程学习评分作为观测数据； 第二步： 从观测数据中选择一组数据作为验证数据， 使用剩下的数据拟合一个测试模 型， 并用选择的验证数据来验证测试模 型的精度， 并重复n次通过均方根误差对 该测试模型 的检测能力进行计算， 再对生成的精度参数进行参数优化处 理； 第三步： 初始化参数范围， 并 同时列出所有可能的数据结果以建立数据样本， 之后选取 任意一个子集作为测试集， 并将其余子集作为训练集， 训练模 型后对测试集进 行预测， 统计 测试结果的均方根误差， 之后将测试集更换为另一子集， 再次统计均方根误差， 直至对所有 数据都进行 预测， 选取均方根 误差最小时对应的组合 参数作为 最优数； 第四步： 对学习数据集中各组数据进行特征降维处理， 之后筛选出能够表示用户学习 信息的特征参数， 并筛除表征能力差的特征参数， 对筛选出的数据进 行归一化处理， 将数据 样本划分为训练集和 测试集， 并对训练集进行 标准化处理；权　利　要　求　书 1/2 页 2 CN 115439282 A 2第五步： 将训练集输送到神经网络模型中， 将最优参数设置为模型具体参数， 采用长期 迭代法训练该神经网络模型， 并将测试集输入到训练好的模型中， 画出用户学习曲线， 并加 以分析。 5.根据权利要求4所述的一种综合远程教育学习方法， 其特征在于， 步骤(3)所述监测 记录具体步骤如下： S1： 学习平台依据用户学习曲线为用户制定相对应的学习计划， 之后用户依据该学习 计划进行 学习， 同时学习平台通过设备摄 像头采集用户远程学习时的状态信息并记录； S2： 之后将该用户学习状态与自身状态数据库中的状态信息进行比对， 并判断该用户 远程学习过程中注意力是否集中， 若不 集中， 则中断该用户远程学习过程， 同时发出警告。 6.一种综合远程教育学习系统， 其特征在于， 包括用户设备、 学习平台、 风险监测模块、 病毒共享数据库、 云端虚拟机、 评测分析模块、 学习监测模块以及性能优化模块； 所述用户设备用于与学习平台通信连接， 并向用户展示平台界面； 所述学习平台用于 接收用户信息， 同时供用户进行课程选择以及学习； 所述风险监测模块用于收集学习平台与外 部通信信息， 并进行分析排 查； 所述病毒共享数据库用于存 储已知病毒特 征代码； 所述云端虚拟机用于对无法判断的通讯信息进行传染模拟； 所述评测分析模块用于收集用户过往学习信 息， 并通过神经分析网络对用户进行学习 评测； 所述学习监测模块用于对用户学习状态进行采集， 并进行中断告警； 所述性能优化模块用于对学习平台进行优化调整。 7.根据权利要求6所述的一种综合远程教育学习系统， 其特征在于， 所述用户设备具体 包括智能手机、 笔记本电脑、 台 式电脑以及平板电脑。 8.根据权利要求6所述的一种综合远程教育学习系统， 其特征在于， 所述性能优化模块 优化调整具体步骤如下： P1： 性能优化模块为各用户需要学习的课程生成一个启动链表， 并按照各课程的LRU顺 序， 通过LRU链表对各组启动链表头部进行进一步链接， 收集最少学习的课程信息， 并将该 课程的启动链 表安排在LRU链 表的首位， 并依次进行排序； P2： 在学习平台启动阶段跟踪访 问信息前， 性能优化模块自行清除所有更新页表项的 访问位， 检测该课程页面启动期间是否访问了其他页面， 并在确定完成后对启动链表中的 各组页面进行 数据更新； P3： 从LRU链表的头部选择最不活跃的课程， 并从该课程的相应启动链表中选择受害页 面， 当从该启动链表回收足够多的受害页面时， 页面选择过程将停止， 若 未回收足够 多的受 害页面时， 则继续访问LRU链 表中的下一个课程的启动链 表， 直到获得足够的页面； P4： 将选择的受害页面合并为一个块， 同时对该块进行标记， 之后性能优化模块唤醒一 个压缩驱动程序以解析被标记的块， 并获得属于该块的物理页， 再将该物理页复制 到缓冲 区中， 然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中， 并将压缩块存储至优化 区域中。权　利　要　求　书 2/2 页 3 CN 115439282 A 3