顾艳
- 作品数：23 被引量：31H指数：4
- 供职机构：渤海大学更多>>
- 发文基金：辽宁省社会科学规划基金辽宁省教育厅高等学校科学研究项目咸阳师范学院科研基金更多>>
- 相关领域：自动化与计算机技术语言文字文化科学电子电信更多>>
- 大学英语精读教材核心词汇增长模式的比较研究
- 2012年
- 以四套大学英语精读教材词汇为研究对象,以大学英语大纲词汇为核心词汇,通过建立教材语料库,比较研究教材中单篇核心词汇出现率以及教材的核心词汇增长模式。研究结果表明《新视野大学英语读写教程》教材中核心词汇出现率最高,核心词汇增长模式最为理想。
- 顾艳
- 关键词：核心词汇语料库
- 多媒体英语教学装置
- 本实用新型提供一种多媒体英语教学装置，包括一个置物架、黑板、液晶显示屏、音箱、控制主机，所述置物架通过第一隔板分为左右两个部分，左侧部分通过第二隔板分为上下两部分，其中上部嵌有液晶显示屏，下部由两个竖板分隔成三个空格，其...
- 付艳鲍冬梅顾艳
- GRNN在学生写作成绩预测中的应用研究
- 2016年
- 由于学生英语写作成绩预测受诸多因素影响,具有高维、非线性特点,本文基于广义回归神经网络(GRNN)算法原理,构建了GRNN学生英语写作成绩预测模型,并与弹性BP算法改进的BP神经网络模型的预测结果进行对比分析。仿真结果表明:改进的BP神经网络模型的预测最大相对误差为3.23%,GRNN模型的预测最大相对误差仅为-0.72%,表明所建立的GRNN模型的预测精度高、泛化能力强、收敛速度快、调整参数少,验证了将GRNN应用于英语写作成绩预测方案的可行性。
- 胡帅顾艳姜华
- 关键词：广义回归神经网络BP神经网络
- 基于PCA-RBF网络的学生写作成绩预测模型被引量：6
- 2016年
- 为进一步提高学生英语写作成绩预测准确率,提出一种基于主成分分析(PCA)和径向基函数(RBF)神经网络相结合的写作成绩预测模型。先用主成分分析对所建立的学生写作评价体系作数据降维处理,提取前5个主成分,再将这些主成分作为RBF神经网络的输入,构建3层RBF神经网络预测模型。实验结果表明,与单一的RBF神经网络和BP神经网络相比,PCA-RBF预测模型的结构简单,收敛速度快,预测准确率高,泛化能力强,验证了本文提出模型的有效性。
- 胡帅顾艳姜华
- 关键词：主成分分析RBF神经网络BP神经网络
- 一种英语书写划格器
- 本实用新型公开了一种英语书写划格器。包括：直尺，在直尺上设有滑槽，其通过连接件与四线基板连接，使四线基板可沿滑槽上下滑动；四线基板，其包括连接部、限位凸台、第一肋板和第二肋板，连接部设置在四线基板的前端，限位凸台设置在连...
- 胡帅杨柳顾艳王志慧
- 文献传递
- 一种英语口语朗读考试评分方法
- 本发明公开了一种英语口语朗读考试评分方法，包括如下步骤：步骤一、使用录音设备获取应试者口语朗读语音信息；步骤二、对所述采集的语音信号进行预处理，得到经预处理的语音信号；步骤三、对所述经预处理的语音信号进行语音特征参数提取...
- 姜华程迎新顾艳李雪芹胡帅刘学丰丛岩项睿
- 文献传递
- 一种便于放置记录本的英语翻译、听力练习装置
- 本实用新型公开了一种便于放置记录本的英语翻译、听力练习装置，包括壳体，壳体内部设置中央处理器，壳体的正面设有触控屏，壳体的顶部设置扫描器、录音器、语音输出接口和扬声器，壳体的侧面设置USB接口，触控屏、扫描器、录音器、语...
- 杜卫卫顾艳马峥嵘
- 文献传递
- 基于PCA-BPNN的学生写作成绩预测模型研究被引量：8
- 2015年
- 针对传统学生英语写作成绩预测方法准确率偏低的情况,提出一种基于主成分分析(PCA)和BP神经网络相结合的写作成绩预测模型。首先,用PCA对所建立的学生写作评价体系作数据降维处理,提取前3个主成分,构建了新的样本矩阵,再对BP神经网络进行训练和泛化能力测试。仿真结果表明:单一的BPNN预测最大相对误差为-2.165%,PCA-BPNN预测最大相对误差仅为-0.824 2%,PCA-BPNN简化了网络结构,提高了单一BPNN的训练速率、预测精度和泛化能力,验证了所提出的模型的有效性。
- 胡帅顾艳姜华曲巍巍
- 关键词：主成分分析BP神经网络
- 基于音视频的英语口语学习机
- 本发明公开了一种基于音视频的英语口语学习机，包括中央处理器，以及与中央处理器连接的数据库、触摸屏、扬声器，以及体感摄像头和音频采集单元，所述体感摄像头还通过视频处理单元与中央处理器连接，音频采集单元还通过音频处理单元与中...
- 孙娜李锋华曲巍巍项睿顾艳
- 文献传递
- PCA和Elman网络在移动学习策略分类中的应用被引量：4
- 2016年
- 针对传统的大学生英语移动学习策略分类方法准确率较低的情况,提出了一种主成分分析(PCA)和Elman神经网络相结合的分类模型。首先,用PCA对所获得的移动学习策略原始数据作数据降维处理,提取前5个主成分,建立新的特征样本矩阵,再对Elman神经网络进行训练和泛化能力测试。仿真结果表明:单一的BPNN分类准确率为70.0%,单一的Elman网络分类准确率为80.0%,PCA-Elman网络分类准确率为100.0%,PCA-Elman网络模型简化了单一Elman网络的结构,提高了网络的训练速率、分类准确率和泛化能力,验证了所提出的模型的有效性。
- 胡帅程迎新顾艳
- 关键词：主成分分析ELMAN神经网络BP神经网络
