1. 研究目的与意义
在以往的考试经历中，每次考试都需要经过出试卷、印试卷、发卷、做卷、收卷、阅卷、统计等过程，这几个过程有着很强的先后次序，不能顺序颠倒。这些过程中，又以出卷、阅卷和统计最为复杂，当一次考试涉及的人数众多时，老师需要批阅非常多的卷子，重复的批阅卷子浪费了大量的时间，此外，不仅效率底下，同时大量的阅卷工作也让老师疲于应付，最后导致阅卷的准确率下降。即便阅卷完成之后，工作还没结束，还需要对这些卷子进行分数登记、成绩统计以及对各个题目进行错误率统计，这些工作消耗时间非常多，因此效率也是非常低的。此外，从学生角度出发，每次做卷都要准备笔和草稿纸，麻烦且不符合环保的要求，从老师的角度出发，如果能够减少出卷、阅卷和统计的时间，那么可以腾出更多的时间用在其他的地方。因此本文基于JavaWeb技术希望开发一套网络考试系统来解决出卷、阅卷、统计花费时间过多的问题，同时为学校教务信息化作出一份贡献。
本文开发的网络考试系统具有一定的现实意义，主要是解决教师在出卷、阅卷和统计上花费时间过多的问题。开发一个系统需要考虑很多方面的问题，比如说时效性和高效性这是两个最最常见的因
素，如果系统用了以后还不如不用，那么该系统必定是一个不成功的产品，这也是我们开发需要考虑的一个重要问题。本系统目前只需要实现对一门科目的客观题的考试，进行多科目的主客观题型的考试是以后研究的方向。因此是本系统的开发具有很重要的实际意义，能在当前的发展状态下为学生和教师提供适当的帮助的同时也为今后此类软件的发展提供一定的基础。
2. 课题关键问题和重难点
基于随机组卷策略的在线考试系统的设计与实现分为：基于深度学习的随机试卷组的组合、基于深度学习的试卷组的随机分配、基于深度学习的考生根据不同难度试卷进行答题时间的规划。本课题拟完成基于随机组卷策略的在线考试系统的设计与实现。
本课题的关键：
3. 国内外研究现状（文献综述）
图像处理是在信号处理、数学和计算机科学等多个领域的交叉点。计算机科学，特别是人工智能的显著进步，极大地促进了图像的处理和分析。分割是图像处理中最重要的任务之一一。发展了许多分割方法。我们可以引用基于阈值的方法，轮廓方法，基于边缘的方法，语义分割，每组像素与一个类别，全景分割语义和实例分割杂交的结果，在每个像素有一个标签和对象实例是唯的分割， 分类方法等。分类方法包括两个类: 监督分类和无监督分类。在这项工作中，我们选择了分割，因为它比语义和全景分割更普遍，后者是专门在一个特定的领域。对于每个领域，我们都必须重新做训练。在本文中，我们感兴趣的是一种第二族 (无监督分类)技术，称为模糊c-均值(FCM)，这是最广泛使用的技术之一(爱国amp;云杰， 2019; 苗，周，amp;黄，2020Ren等。，2019年:夏、 林、华，2019; 熊、唐、陈、胡、陈，2020;徐等。
模糊逻辑是由Zadeh ( 1965)在1965年提出的。Bezdek在 1981年提出将模糊逻辑与K-means (MacQueen， 1967) 合并，以生产FCM (Bezdek，1981)FCM的主要缺点是对噪声的敏感性、簇数选择的依赖性和随机簇中心初始化。值得一提的是，集群的数量是由用户手动设置的。在本文中，我们旨在解决两个主要问题。第.一个是选择簇的数量，第二个是找到接近最优的初始簇中心。大多数方法使用的空间图像信息在执行时间上会很昂贵，因此我们建议使用直方图而不是空间信息，这减少了执行时间。这些工作已经被提出来寻找最佳的初始聚类中心使用元启发式，以确保良好的分割质量。Pant、 Chinta和三病法(2019) 对FCM和一种名为IFCM (直觉模糊c均值)的衍生物进行了比较研究。将这两种方法与模糊FA和模糊FA进行杂交。实验中使用了三种不同的图像，并使用两个验证指标来判断结果的质量。结果表明，IFCM与 模糊FA的杂交程度超过了FCM、IFCM、 FCM-FA和IFCM-FA。在库马尔、Fred、 库马尔和瓦尔盖塞(2019) 中，作者提出了FCM与FA的耦合，以找到接近最优的聚类中心。他们应用了NLTD儿阿卜德拉胡姆等人。滤波器(库马尔，弗雷德，库马尔和瓦尔盖塞，2018) 之前的分割图像去噪。在CT/Mr (腹部数据集)上进行了实验测试，比较了萤火虫-FCM与FCM-.
Cuckoo、FCMABC和FCM-SA. 结果表明，该方法的性能优于其他方法。哈格杜斯特、阿巴迪和阿贝迪尼(2015) 使用粒子群优化(PS0) 来消除FCM故障，如低收敛率、局部最优和初始化灵敏度。Wang、 Fang、 Li和Wang (2017) 利用PS0寻找接近最优的簇中心。另一方面，Chen和Fang. (2008) 更倾向于使用PS0的另一-种变体FPSO (Fuzzy, PS0)来获得接近最优的聚类中心初始化，并使用一个结合模糊聚类效度指标的新的适应度函数对其进行评估。Liu、Yih、Lin和Liu (2009) 提出了一种基于PSO和马氏距离的模糊c-均值算法，以改进GG)和古斯塔夫森凯塞尔(GK)算法的极限。实验结果表明，PS0 -FCM-M方法的性能优于FCM、GG、GK算法。Kumar、 Reddy 和Rao (2018) 的作者对检测肌肉图像的变化很感兴趣。他们将人工蜂群元启发式(ABC) 与FCM杂交，以实现有效的图像平滑，从而进行决定性的图像分类。Singh、 Lai shram和Roy(2019) 对不同的群体优化算法结合FCM (GA、 PS0、ABA、 GSA (引力搜索算.法)、BAT、GWO (灰狼优化) )进行了比较研究。从以往的实验中，我们注意到ABC算法消耗了更多的CPU时间，但给出了更好的结果。巴拉苏布拉马尼和Marcus (2013) 使用ABC算法与FCM进行杂交，称为ABC-FCM，其中ABC算法被用来优化模糊聚类过程和检测肿瘤。实验结果得到了肿瘤大小的验证。并与标准FCM法和流域法进行了比较，表明了ABC-FCM法的优越性。Ouadfe1和Meshoul (2012) 提出将ABC和DE杂交，命名为MOABC。通过对6张分割中常用的图像进行实验测试，对该方法进行了评价。将MOABC 与MABC FCM、 ABC FCMPSOFCM和FCM进行比较，结果显示MOABC和MABC的结果几乎超过了其他所有
4. 研究方案
1. 系统功能结构
系统总体功能结构如图1所示
5. 工作计划
2022.12.19-2022.12.24：完成课题，查阅相关中英文资料，进行相关的技术的学习；
2022.12.25-2022.12.31：与导师沟通进行课题的整体规划；导师下发毕业设计（论文）任务书，学生根据导师的要求进行外文翻译，列出开题报告大纲；
2023.01.01-2023.01.07：导师下发毕业设计（论文）任务书，学生根据导师的要求进行外文翻译，列出开题报告大纲；
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
