Web数据库实训体系中分层教学的优化设计

周红志，李淑敬

（阜阳师范大学 信息工程学院，安徽 阜阳 236041）

随着大数据信息处理技术的发展，采用人工智能化信息处理技术进行分层教学信息管理，提高教学的针对性和资源收发控制能力，构建实训分层教学Web数据库，结合信息管理技术进行实训分层教学Web数据库信息化管理，采用模式识别技术进行实训分层教学资源优化调度，提高教学质量。研究Web数据库实训体系中分层教学方法的设计方法具有重要意义[1]。对Web数据库实训体系中分层教学方法的设计是建立在资源调度和大数据挖掘基础上，采用语义本体模型进行实训分层教学WEB数据的存储结构分析，提取二元语义特征量，构建扩展查询模型，实现教学资源的优化管理，提出一种基于模糊融合性聚类分析的Web数据库实训体系分层教学方法。

1 分层教学Web数据库模型与特征分析

1.1 实训分层教学Web数据的存储结构模型

对Web数据库实训体系中分层教学法的优化设计是建立在数据库的智能查询算法化设计和信息调度基础上，结合大数据信息挖掘和模糊聚类技术，进行Web数据库实训体系中分层教学方法设计，构建实训分层教学Web数据扩展查询的数据库结构模型[2]，结合存储结构模型优化分析，进行Web数据库中教育资源的分布式调度，采用模糊分区调度方法，进行数据结构分析，提取Web数据库中教学资源的相关性特征量[3]，采用语义特征分析方法，进行资源调度和数据库设计。分层实训教学Web数据库数据分布结构模型如图1。

图1 分层实训教学Web数据库数据分布结构模型

在图1所示的分层实训教学Web数据库实时监测数据分布结构模型模型中，采用有向图G=(M,N,Y)作为分层实训教学Web数据库实时监测数据的候选集，在MIRaaS平台中进行实训分层教学Web数据的资源云分析[4]，计算实训分层教学Web数据的联合参数，结合最大似然估计方法，进行参量优估计，得到实训分层教学Web数据库存储分布的量化特征解为：

其中：F为存储分布系数；v最大似然参数；u为联合参数；t为最优估计参数。令A={a1,a2,…,an}为分层实训教学Web数据库自适应调度数据的候选集[5]。分层实训教学Web数据库自适应调度数据分布的有向图的边[6](u,v)∈E，其中E为量化特征集合。在信息化管理环境下构建分层实训教学Web数据库自适应调度的统计特征分析模型，采用五元组O=(C,I,P,H,R)表示。其中：C为分层实训教学Web数据库自适应调度数据采样时间序列的效用阈值项集；I是数据信息流的实例集；P为最小效用阈值的个数；H为提取实训数据集的统计特征量；R为调度数据的结构尺度特征量。分层实训教学Web数据库自适应调度数据集合中含有n个样本，统计特征分布样本为xi，i=1,2,…,n，得到分层实训教学Web信息提取的关联参数的关系

其中：δ为自适应调度参数；T为关联用时集合。分层实训教学Web数据库的高效用项集为

建立分层实训教学Web数据库，结合网格分布结构模型进行分层教学的Web数据库大数据聚类分析，提取实训数据集的统计特征量[7]。此时分层实训教学Web数据库的数据更新规则满足

其中：d表示分层实训教学Web数据库自适应特征量；γ为分层实训教学Web数据库自适应调度数据的变异操作；k为内部效用和外部效用的联合分布系数。根据上述分析，构建分层实训教学Web数据库的网格分布结构模型，建立分层实训教学Web数据库的网格分布结构模型并进行分层教学设计[8]。

1.2 Web数据的特征提取

对分层教学Web数据库实训数据集采用信息融合和关联挖掘方法进行特征分布式调度[9]。假设实训分层教学数据采集的统计量n的种类为j，则对所有结点集合存在最大独立集n(j)，通过多次调整教学资源利用的总效用比例，得到分层教学数据库实训数据集时间序列为{t0}，分层教学Web数据库实训数据集调度系统输出的样本集长度为N，模糊聚敛控制函数为

上式中，分层实训教学Web数据库自适应调度的负载为M，在产生一组聚类属性分布集V后，采用交叉性调度方法[10]，得到分层教学资源调度的模糊隶属函数为

其中：Pfi表示分层实训教学数据库自适应调度的融合的聚类中心；Pdi为数据库中教学资源的分层融合统计特征量；u为分层系数。相应的实训分层教学数据的二元语义分布特征映射描述为

设实数β∈[0，T]为相似度，实训分层教学数据查询的语言评价集S，si代表实训分层教学数据信息集合，θ表示学习者对实训分层教学的满意度水平，由此实现数据的特征提取。进行实训分层教学数据的特征提取和自适应调度，结合优化学习算法，进行数据分析和处理[11]。

2 Web数据库实训体系分层教学优化

2.1 实训数据集的统计特征分析及聚类处理

建立分层实训教学数据库，结合网格分布结构模型进行分层教学的数据库大数据聚类分析，给出实训分层教学数据的语义特征集

其中：Z=T1+T2+…+Tn表示实训分层教学数据扩展查询节点的模糊聚类中心，构建分层教学资源存储系统的本体模型[12]，得到实训分层教学数据在存储结构空间中的资源分布有限数据集描述

采用高斯Copula函数进行模糊聚类和统计特征分析[13]，设(sk,ak)和(sk,a1)为实训分层教学Web数据扩展查询节点的关联度水平，采用自相关特征统计方法，进行教学方法的优化调度和统计分析，测试教学满意度水平，得到分层教学的Web数据扩展查询调度有如下形式：

其中：b是实训体系分层教学的评价指标权重，Φ(·)是分层教学Web资源调度的正态分布函数，Φ-1(·)是Φ(·)的反函数，对 Web 中的计算资源和物理资源进行统计分析，根据二元语义特征分析结果，建立资源扩展查询的综合决策函数

此时教育资源的元数据μ对应的紧密度指标数据为F，采用向量量化特征分解方法实现分层教学Web数据的特征分解[14]，得到实训数据集的模糊查询数学模型

根据数据查询结果，对实训分层教学数据扩展查询的过程演变为对语义本体的寻优控制，提取分层教学数据库的互信息特征量，根据特征提取结果进行分层教学数据库的分区域调度和自适应信息融合。

2.2 分层教学资源调度优化

对数据聚类中心的数据进行自适应调度，计算实训分层教学数据的模糊关联度特征[15]，得到分层实训教学数据库的特征提取问题

把数据队列当作一个Chunk来进行时间区域重组，得到分层实训教学Web数据库自适应调度的二元子序列分别表示为

分别对分层教学的Web数据库的本体空间r1(n)和r2(n)进行统计分析，对(N-1)/2点进行模糊聚类处理，分层实训教学Web数据库自适应调度数据的属性集的向量量化特征分解的训练样本集为X=[X1,X2,…,Xk,…,XN]T，其中任一训练样本为Xk=[xk1,xk2,…,xkm,…,xkM]，分层实训教学数据的扩展查询序列为r(n)=r(nΔt)，n=0,1,2,…N-1采用自回归分析进行分层教学Web数据库实训数据集的副本相关性处理，得到特征采样序列：

根据特征提取结果进行分层教学Web数据库的分区域调度，构建分层实训教学Web数据的调度的控制函数：

确定实训分层教学Web数据扩展查询决策函数

采用C均值聚类方法进行大数据融合处理，由此得到元数据扩展查询的状态规划矩阵。

综上分析，建立实训分层教学Web数据扩展查询方案的模糊决策矩阵，在层次性聚类算法基础上进行模糊聚类和信息调度[16]，提高分层教学Web数据库实训数据集监测的准确性。

3 仿真实验与分析

为了测试该算法在实现分层教学Web数据库实训数据库调度中的性能，进行仿真实验，采用C++和Matlab 7混合编程进行分层教学数据库的调度程序设计，单组分层实训教学数据库采样的长度为700，对分层实训教学数据库自适应调度数据分组采集的时间间隔为0.14 s特征采样频率，最大迭代次数为1 400。得到分层实训教学Web数据采集结果如图2所示。

图2 分层实训教学Web数据采集结果

以图2的数据为输入，提取分层教学Web数据库的互信息特征量，根据特征提取结果进行分层教学Web数据库的分区域调度和自适应信息融合，得到数据融合结果如图3所示。

图3 数据融合输出

分析图3得知，采用该方法能有效实现Web数据库实训体系分层管理，得到数据的融合调度能力，测试数据的召回性，得到对比结果见表1，分析表1结果得知，该方法进行Web数据库实训体系数据库管理的召回性较好。

表1 数据召回性对比

4 小结

结合信息管理技术进行实训分层教学Web数据库信息化管理，采用模式识别技术进行实训分层教学资源优化调度，提高教学质量，提出一种基于模糊融合性聚类分析的Web数据库实训体系分层教学方法。建立分层实训教学Web数据库，结合网格分布结构模型进行分层教学的Web数据库大数据聚类分析，提取实训数据集的统计特征量，采用相关性检测方法进行Web数据的融合处理，提取分层教学Web数据库的互信息特征量，根据特征提取结果进行分层教学Web数据库的分区域调度和自适应信息融合，采用向量量化特征分解方法实现分层教学Web数据的特征分解，提高分层教学Web数据库自动扩展和准确查询能力，实现Web数据库实训体系中分层教学方法的优化设计。研究得知，采用该方法进行Web数据库实训体系中分层教学方法设计，提高了Web数据库的准确查询和自适应调度性能，数据转发的召回性较好。