基于BP神经网络的教师教学质量评价研究

2016-01-26刘毅,石黎,徐嘉婧等

湖北经济学院学报·人文社科版 2015年3期

关键词：BP神经网络教学质量模型

基于BP神经网络的教师教学质量评价研究

刘毅，石黎，徐嘉婧，樊文洁

（湖北经济学院，湖北武汉430205）

摘要：BP神经网络是近年来国内外新兴的一种方法，具有非线性的特点，可以模拟任何非线性的问题。应用BP神经网络对教师教学质量评价体系进行建模，在MATLAB2012中进行训练，得到有效评价模型，最终实现接近真实水平的评价。

关键词：BP神经网络；教学质量；模型

党的十八大提出了全面深化高校改革，而在今年（2014年）全国300所高校也在探索转型成为技术类大学，在这种改革创新的教育环境下，对一个有效的，新型的教师教学质量评价体系的需求就更加迫切了。目前大多数高校采用加权平均法，层次分析法，board评价法等等比较简单的线性算法对教学质量进行评价，会出现结果失真，评价不全面等问题。通过用BP神经网络对教学质量评价体系进行建模，然后训练网络模型，可以得到一个有效的评价体系模型。

一、评价指标体系

在教学质量评价中，评价指标是评价工作最终真实有效的重要因素之一。为了确保研究工作顺利进行，得到理想的评价模型，采用湖北经济学院法商学院评价系统真实指标与数据进行实验。实验样本的好坏直接决定着最终的实验结果，从评价系统中选取22个训练样本作为实验训练样本。评价指标如表1所示：

表1：湖北经济学院法商学院评价指标体系

二、BP神经网络的学习算法

Traingd是标准的BP梯度下降学习算法，按照梯度下降的方向修正各个神经元之间的权值。算法从本质上来说就是信号的正向传播，误差的反向传播，在建立神经网络的时候连接权值是随机赋予的，通过训练样本的输入训练，来不断修正权值，训练比较成功的网络的输出就会接近期望输出。这里以3层神经网络拓扑图为例来介绍BP神经网络的学习算法：

1.网络参数初始化，设定误差函数e，给定计算精度值ε，最大学习次数M，学习步长η，以及权值初始值，权值初始值为[-1，1]之间的随机数。

2.信号的正向传播，输入样本数据，样本分为输入样本（输入样本为[x=x1，x2，…xk…xn]，其中任一样本为[xk=xk1，xk2，…，xkm]，（k=1，2，3，…n））和期望输出样本（dk=Tk）。然后根据输入样本值计算隐含层输出值，再根据隐含层输出值计算输出层输出值。

I为隐含层神经元个数，wmi是输入层和隐含层之间的权值，f（）为激活函数，在教师教学质量评价体系模型中的f（）为Tansig，wip为隐含层和输出层的连接权值。

3.误差的反向传播，输出层输出结果Vp与期望输出结果Tk比较，此时如果全局平方和误差E小于预先设定的精度值ε，或者学习的次数大于最大学习次数M，此时神经网络就会停止训练。如果全局平方和误差E大于预先设定的精度值，网络会把误差反向传播，依照误差量逐步修改网络各层的连接权值。

隐含层与输出层之间的权值修正量的计算公式为：

输入层和隐含层之间的权值修正量的计算公式为：

继续重复步骤b和步骤c；如果误差达到要求，则停止训练,训练完成。否则，重复训练，直到误差达到精度要求。[1]

三、模型构建与仿真应用

根据表1中的评价指标及数据，评价指标作为神经网络的输入项，有18个，所以输入层神经元定为18个，输出层输出结果为一个，所以个数为1个，隐含层神经元个数到目前为止没有确定的方法且其个数的确定非常重要，隐含层节点数如果太少，则收敛速度慢，如果隐含层个数太多，则造成拓扑结构复杂，网络训练时间变长。在这个网络模型中，根据相关公式和不断验证，把隐含层神经元个数定为9。[2]

从评价系统中选取的22个训练样本，归一化处理后，样本分为输入样本P和期望输出样本T。把这些样本在MATLAB2012神经网络工具箱中进行模拟训练，得到误差如图1: