优化BP网络在高校英语教学测评中的应用

(陕西国际商贸学院 基础课部，咸阳 712046)

0 引言

随着我国高等院校教学体制的改革与深化，高等院校面向社会的自主办学权在不断扩大，教学质量的问题始终受到社会的重视与关注，在高等教育大众化进程不断加快的背景下，需要在保证扩招的同时教学质量不会有所下降，人们对高等院校教学评价基于了非常高的期望。从本质上来分析，高等院校教学评价工作是对教学整体的综合评价，对人才培养的全过程起到监督作用，能够从一定程度上提高人才培养的质量，是提高高校办学质量的重要环节之一。

1 传统教学质量评价方法

传统教学质量评价结果主要取决于：对评价指标的计分以及对定级准则进行制定。对评价对象的各个指标评价结果用A,B,C,D来表示，规定出评价体系中各个指标所占比例，如：教书育人占10%，教学水平占20%，课堂教学占35%，组织教学占20%，学习质量占15%。当评价的主体对每项内容的分指标打出A,B,C,D之后，按照合理的方法，计算出每项内容的质量等级系数，然后根据评价内容所占比例，得出总指标的定级标准系数Ka,Kb,Kc,Kd，设定为：Ka≥70%，Kd=0，为优秀。Ka+Kb≥70%,Kd=0，为良好[1]。

2 BP神经网络的基本原理

BP神经网络又被称为多层前馈神经网络，主要由多层的神经元构成，主要划分为输入层、隐含层以及输出层。BP神经网络模型拓扑结构如图1所示。

图1 BP神经网络拓扑结构

这种神经网络模型的主要特点在于：每层内的神经元没有连接，每层神经元只与相邻层的神经元有连接。输入信号首先会传播到隐含层，通过函数进行转换，转换之后会将信息传递到输出节点，然后给出输出结果。图中X1…Xn代表输入信号，y1…yn代表输出信号。

BP神经网络的信息输入与输出属于非线性的映射关系，假设输入节点为n，输出节点为m，那么这种关系可以概括为从n维欧式空间到m维欧式空间的映射。通过对神经网络中的网络规模进行调整，能够实现非线性分类。

3 高校英语教学测评指标构建

高校英语教学会的教学过程比较复杂，其教学质量会同时受到学生基础、班级学生容量、英语教学内容的难易程度以及教师自身的教学水平等多个变量的影响。此次研究主要将学生的需求与高校英语教学的特点相结合，构建如表1所示。

表1 高校英语教学测评标准

4 基于粒子群BP优化的英语教学评价模型

4.1 基于粒子群的BP优化

粒子群算法可以在大范围内以最快的速度找出最优解。传统的神经网络学习过程收敛较慢，本文所选用粒子群优化算法，该方法可以对权值和阙值的确定过程进行改善，从而提高收敛速度。粒子群算法的重点是寻找最优粒子。假设“解空间”的维度为D，粒子群数目为S，粒子群中的微粒i通过以下式子表示：

Xi(Xi1,Xi2,…Xid)(i=1,2…S;d=1,2…D)

粒子会通过不断的迭代来变换运行速度，粒子的运行速度以及位置的更新取决于：(1)潜意识可的速度与位置(2)为了避免局部极小而向最优位置靠近的趋势(3)粒子群成员之间由于信息的交换而随时调整的位置。通过粒子群算法，可以对“空间解”中的最优解进行快速定位[2]。

4.2 评价步骤

(1)样本收集，通过对资料的收集来获取数据样本，该步骤是英语教学测评的关键步骤，通过问卷调查以及专家访谈的形式对样本进行抽取，其中包括测评指标的评价数据以及评价值，充足的样本才能确保最终测评的准确性，将所收集到的样本作为BP网络模型构建的数据源。

(2)数据处理，如果将所收集到的样本直接输入到神经网络中，会导致数据的加权经过累加器之后被放大，神经网络收敛困难，所以一定要对所收集到的样本进行处理。本次应用的研究将所采集的数据映射于(0.1-0.9)区间。具体算法如下：

4.3 神经网络的训练

(1)对BP神经网络层数进行确定：经过研究数据分析，包括一个隐含层的神经网络，可以任意的逼近连续函数，所以三层的BP神经网络就能够完成所需映射。所以本文通过三层结构的BP神经网络来对英语教学测评的基本模型进行构建。

(2)确定网络层节点：根据Kolmogorov算法，隐含层中有五个节点、输出层又一个神经元，通过粒子群算法对BP网络进行训练，最终获得最优的权值与阙值。

(3)确定学习速率、在神经网络模型构建过程中，需要对不同的速率进行相应训练，统计出不同速率下的误差平方和。如果该值能够快速减小，证明学习速度比较理想，如果震荡比较剧烈，证明学习速率不适合。一旦学习速率过大，则系统稳定性会减弱，荣国学习速率过小，则收敛速度会过于缓慢[3]。经过综合对比，最终将学习速率定位于0.6。

4.4 Matlab仿真

通过Matlab对实验数据进行仿真分析。主要步骤如下：首先，构建神经网络，其函数均来自于Matlab工具箱

net=newff(min max(P_Train),{logsig"logsig"},'traingd')

在程序语句中，“logsig”为不同层次之间的传递函数，traingd为训练函数。

其次，对粒子群优化的神经网络进行创建。

最后，通过Matlab的train函数来实现神经网络的训练。基本神经网络与粒子群优化神经网络的训练误差对比，如图2所示。

图2 基本神经网络与优化神经网络训练误差对比图

在图2中，横坐标代表训练次数，纵坐标代表训练误差值。在基本BP网络中，训练超过350次，仍然没有达到目标误差值，并且收敛较慢。优化后的BP网络在20次时便可以满足目标误差[4]。

5 英语教学测评在提升教学质量方面的实际效果

5.1 带动学生英语学习兴趣发展

基于BP网络技术的高校英语教学测评系统的构建，主要强调在教学的过程中对教学评价的反馈，而教学评价主要是对教学方法、教学内容、教学态度等的评价，通过对诸多教学因素的调节来提升学生对英语学习的兴趣。学生英语学习的情感因素主要是在学习过程中所体现出的学习态度、学习兴趣、学习自制力等。评价性的英语教学尊重学生的个体差异以及学习过程，重视对学生非智力能力的培养，有利于学生认识自我、了解自我潜能，激发学生学习热情，有助于英语学习效果的提高。

5.2 强化学生自主学习

英语教学测评不仅是对教师教学过程的测评，而且教师可以通过观察对学生的学习效果进行评价，学生之间也可以进行相互评价。通过学生的参与，提升了教学测评的客观性，有效提高学生在教学活动中的主体地位，通过学生对教学过程的参与以及对教学信息的反馈，可以深刻的了解到英语学习的教育理念与思想，更加明确学习任务，学生会更加注重对综合能力以及实践能力的锻炼。另外，通过学生的自我观察与反思，自我创新能力与思考能力得到有效提升，为学生提供了更大的空间，促使其进行自主学习，获得所需知识与能力。

6 总结

对高等院校英语教学质量进行评价，能够进一步优化教学模式，推动高校英语教学的不断改革。BP网络技术以独特的优势被运用到教学质量评价中，通过BP网络技术方法，结合教学质量的调查数据，对教学质量进行准确评价[5]。本文主要引入BP网络技术中粒子群优化算法对从传统算法进行改进，经过实验与比较，证实了该方法的精准度，在提升高校办学质量方面具有很好的实践意义。

(1)高等院校英语教学质量的评价系统属于比较复杂的非线性系统，在信息输入与输出之间存在许多不确定因素，人工神经网络模型具有高度的非线性函数映射功能，将其运用到高校的教学评价系统中，其精准度能够满足要求。

(2)神经网络的学习并不是单纯的记忆，而是通过训练的样本学习隐含在样本中的内在规律性，对未出现的输入也能给出正确的反应。

(3)通过隐含层数的增加能够降低误差，提高测评的精准度，但同时也会增加网络的复杂化，所以需要增加网络权值的训练时间。

在后续的研究过程中，需要加强样本数据在神经网络中的训练，对评价系统的输入指标进行进一步探讨与研究，进一步考虑输入指标的变化因素，进一步完善高校教学质量评价体系的实现[6]。