基于BP神經(jīng)網(wǎng)絡(luò)的教學(xué)評(píng)價(jià)模型構(gòu)建

摘 要：通過對(duì)BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建和算法進(jìn)行詳細(xì)闡述，系統(tǒng)地介紹了BP神經(jīng)網(wǎng)絡(luò)理論在教學(xué)評(píng)價(jià)中的應(yīng)用現(xiàn)狀，并給出基于BP神經(jīng)網(wǎng)絡(luò)的教學(xué)評(píng)價(jià)模型的構(gòu)建方法。

關(guān)鍵詞：BP 神經(jīng)網(wǎng)絡(luò) 教學(xué)評(píng)價(jià) 模型構(gòu)建 評(píng)價(jià)方法

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2013）06（c）-0200-01

BP神經(jīng)網(wǎng)絡(luò)是一種單向多層前饋人工神經(jīng)網(wǎng)絡(luò)模型，可以實(shí)現(xiàn)任何復(fù)雜的、多因素、不確定和非線性的映射關(guān)系，是目前應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)模型之一。通過這種梯度下降算法不斷地修正網(wǎng)絡(luò)各層之間的連接權(quán)值和閾值，從而實(shí)現(xiàn)期望輸出值與實(shí)際輸出值之間的誤差達(dá)到最小或者小于某一個(gè)閾值[1～2]。

本文的研究目標(biāo)是通過對(duì)現(xiàn)有評(píng)價(jià)指標(biāo)、評(píng)價(jià)方法的分析，建立有效的教學(xué)評(píng)價(jià)模型，并實(shí)現(xiàn)相應(yīng)的網(wǎng)上教學(xué)評(píng)價(jià)系統(tǒng)設(shè)計(jì)。結(jié)合BP神經(jīng)網(wǎng)絡(luò)，給出了一種非線性的教學(xué)評(píng)價(jià)模型，訓(xùn)練好的BP網(wǎng)絡(luò)模型根據(jù)測(cè)評(píng)數(shù)據(jù)，就可得到對(duì)評(píng)價(jià)對(duì)象的評(píng)價(jià)結(jié)果，實(shí)現(xiàn)定性與定量的有效結(jié)合。

1 BP神經(jīng)網(wǎng)絡(luò)模型

（1）輸入/輸出節(jié)點(diǎn)。輸入/輸出節(jié)點(diǎn)是與樣本直接相關(guān)的。根據(jù)沈陽工業(yè)大學(xué)教學(xué)質(zhì)量評(píng)估指標(biāo)體系，將二級(jí)評(píng)價(jià)指標(biāo)作為模型的輸入神經(jīng)元，因此系統(tǒng)的輸入層神經(jīng)元的個(gè)數(shù)為二級(jí)指標(biāo)的個(gè)數(shù)。將評(píng)價(jià)結(jié)果作網(wǎng)絡(luò)的輸出，輸出層神經(jīng)元個(gè)數(shù)為1。

（2）層數(shù)。由于BP網(wǎng)絡(luò)的功能實(shí)際上是通過網(wǎng)絡(luò)輸入到網(wǎng)絡(luò)輸出的計(jì)算來完成的，因此隱含層數(shù)越多，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度就越慢。但是只含有一個(gè)隱含層的BP網(wǎng)絡(luò)就可以逼近任意的非線性函數(shù)。因此，本文選取結(jié)構(gòu)相對(duì)簡(jiǎn)單的3層BP網(wǎng)絡(luò)，即隱含層只有一個(gè)。

（3）隱含層神經(jīng)元個(gè)數(shù)。隱含層單元個(gè)數(shù)與問題的要求以及輸入輸出單元個(gè)數(shù)有直接的關(guān)系。隱層單元過多將會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間過長(zhǎng)、誤差不易控制及容錯(cuò)性差等問題。本文采用公式2.1計(jì)算得出隱含層神經(jīng)元個(gè)數(shù)。

4）激活函數(shù) BP網(wǎng)絡(luò)的非線性逼近能力是通過S型的激活函數(shù)來體現(xiàn)出來的，所以隱含層中一般采用S型的激活函數(shù)，輸出層的激活函數(shù)可以采用線性或S型[3]。S型激活函數(shù)為

該函數(shù)值在[-1，1]范圍內(nèi)變化很劇烈，而超出這個(gè)范圍即處于不靈敏區(qū)，變化則相當(dāng)平緩。因此為使得進(jìn)入不靈敏區(qū)的誤差函數(shù)有所改變，迅速退出不靈敏區(qū)，保證訓(xùn)練網(wǎng)絡(luò)的快速性，盡可能使所有輸入值都在靈敏變化段中，一般需在該公式中引進(jìn)參數(shù)。本文的神經(jīng)網(wǎng)絡(luò)算法即在此部分進(jìn)行改進(jìn)。

2 基于BP神經(jīng)網(wǎng)絡(luò)的教學(xué)評(píng)價(jià)模型構(gòu)建

本文由公式2.1計(jì)算得出隱含層節(jié)點(diǎn)數(shù)為4（這里考慮了下述16個(gè)指標(biāo)可以分為4組）。（見表1）

3 改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法描述

網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和訓(xùn)練數(shù)據(jù)確定之后，總誤差函數(shù)E的性質(zhì)特征就完全由激活函數(shù)f決定了。改進(jìn)激活函數(shù)，可以改變誤差曲面，盡量減少局部極小值的可能性。BP算法的激活函數(shù)一般為sigmoid型函數(shù)，即。

改進(jìn)的BP算法是對(duì)標(biāo)準(zhǔn)的S型函數(shù)引入新的參數(shù)，則函數(shù)變?yōu)?，其中系?shù)決定著S型函數(shù)的壓縮程度。該非線性函數(shù)滿足如下兩個(gè)條件：一是連續(xù)光滑且具有單調(diào)性；二是定義域?yàn)?，值域?yàn)椋史霞せ詈瘮?shù)要求。而且它使得激活函數(shù)曲線變得平坦，方便在或時(shí)，避開局部極小，因此該函數(shù)具有更好的函數(shù)逼近能力以及容錯(cuò)能力。

4 仿真計(jì)算與分析

以學(xué)生評(píng)教數(shù)據(jù)為輸入值，專家評(píng)教數(shù)據(jù)為期望輸出值，采用上述算法在Matlab下設(shè)計(jì)仿真程序?qū)P模型進(jìn)行辨識(shí)，輸入層、隱含層和輸出層的結(jié)點(diǎn)數(shù)分別為16×4×1，激活函數(shù)采用變化的S型，學(xué)習(xí)率=0.99。

通過沈陽某大學(xué)教務(wù)處所提供的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，采用10組樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練，并對(duì)10位教師進(jìn)行測(cè)評(píng)。10樣本的評(píng)價(jià)目標(biāo)和神經(jīng)網(wǎng)絡(luò)辨識(shí)分別為差（21.93），及格（44.64），及格（46.94），中（59.87），中（59.11），中（62.35），中（59.83），良（78.93），良（79.56），優(yōu)（99.12）。結(jié)果顯示，BP模型對(duì)評(píng)估的模擬結(jié)果比較精確，對(duì)整個(gè)考核的排序十分有用。因此該模型能較為準(zhǔn)確地根據(jù)各評(píng)價(jià)指標(biāo)來確定教學(xué)效果。

5 結(jié)論

結(jié)合國(guó)家高等教育的政策導(dǎo)向以及學(xué)校實(shí)際，建立了一個(gè)基于BP神經(jīng)網(wǎng)絡(luò)建立了教學(xué)評(píng)價(jià)模型，引用具有更好函數(shù)逼近以及容錯(cuò)能力的改進(jìn)的BP學(xué)習(xí)算法，確定指標(biāo)體系的權(quán)重，使評(píng)價(jià)結(jié)果科學(xué)合理。

參考文獻(xiàn)

[1]王智鋼.基于ASP.NET技術(shù)的網(wǎng)絡(luò)教學(xué)評(píng)價(jià)系統(tǒng)的開發(fā)[J].金陵科技學(xué)院學(xué)報(bào)，2006，22（1）：27-30.

[2]孫曉玲，王寧，梁艷.應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的教學(xué)評(píng)價(jià)模型及仿真[J].計(jì)算機(jī)仿真，2010，27（11）：314-318.