一种用于高校教师创新能力评价的智能模型

乔维德

（无锡开放大学 科研与质量控制处，江苏 无锡 214011）

0 引言

创新是民族不断进步和国家兴旺发达的不竭源泉和发展动力.高校以服务于地方经济和社会发展为己任，是创新型和应用型人才培养的摇篮和基地.创新型人才的培养需要高等教育不断加以创新，而高等教育创新的核心在于高校教师，高校教师应该成为实施教育创新的中坚力量.高校教师的创新能力是指高校教师将新颖的见解和独到的主张应用于教育教学改革、应用研究和社会服务之中所体现出的求异、求新，为教育教学改革、地方经济社会发展高效地发现新问题、提出新问题和解决新问题，创造性地开展教学和科研等工作的各种创新行为能力的复合体.高校教师创新能力具体包括学习创新能力、教学改革能力、应用研究能力和社会服务能力等，主要体现在创新意识、创新思维、创新实践、教学实践、科研实践、团队协作和自主学习等要素[1].《国家创新驱动发展战略纲要》提出要健全完善创新评价制度体系，推进高校创新工作的绩效评价，将技术转移和科研成果对经济社会的影响纳入评价指标.为此，对高校教师的创新能力进行科学评价，并不断激发高校教师的创新能力已成为当前面临并需要重点研究的任务和课题.

目前，关于高校教师创新能力评价问题的研究，已取得一定的研究成果和成效.吴映曈等[2]利用层次分析法与灰色关联分析法构建教师创新能力综合评价模型；周永卫等[3]采取因子分析法建立高校教师创新能力评价体系，并进行实证研究后提出提升高校教师创新能力的相应对策；有学者也提出了基于BP神经网络的高校教师创新教学能力评价方法.通过对相关研究文献的分析发现，由于高校教师创新能力评价涉及多种变化因素，属于非线性系统，所以采用传统的灰色关联分析等方法会存在很大局限性.层次分析法借助比较矩阵处理相关数据，能够有效克服评价工作中不能量化的困难和问题，但层次分析法带有较强的主观性，往往会影响评价结果的准确性和公正性.BP神经网络具有较强非线性映射功能，利用它评价高校教师创新能力，能取得一定成效.虽然BP算法非线性映射及泛化能力比较强，但计算量大、收敛速度过慢、很容易陷入局部最小值，所以对高校教师创新能力评价结果往往不准确.综合以上问题及不足，本研究充分利用粒子群（PSO）算法收敛速度快和人工蜂群（ABC）算法全局搜索能力强的特点，将粒子群算法与人工蜂群算法融合形成粒子群-人工蜂群（PSO-ABC）算法，并用于优化高校教师创新能力评价的BP神经网络结构参数，提高高校教师创新能力评价的科学性和精准度，为高校创新工作的有效、有序、有力发展提供科学决策咨询.

1 高校教师创新能力评价原理

图1为高校教师创新能力评价模型原理示意图[4]，首先在分析影响高校教师创新能力因素基础上，通过层次分析法构建高校教师创新能力评价指标体系，利用BP神经网络建立其评价模型，采取粒子群-人工蜂群算法优化输出最优的BP网络初始结构参数，并应用改进BP算法训练网络，直至BP网络输出与期望输出（即采用层次分析法得出的综合得分）的误差达到规定精度要求，最后再对网络加以测试验证.

2 高校教师创新能力评价指标体系构建

2.1 建立递阶层次结构

在对高校教师创新能力进行评价前，需要确定影响高校教师创新能力评价的指标体系.高校教师创新能力评价过程中涉及的因素比较多且各因素之间又有关联，所以高校教师创新能力评价应该属于比较特殊又复杂的系统，它融合了高校教师和创新教育教学的新要求和新特点，为此，利用层次分析法建立高校教师创新能力评价指标结构体系时，要用系统工程的思维考虑问题，以系统性、客观性、定性与定量相结合、发展性为原则来科学构建指标体系.影响高校教师创新能力评价的各种因素错综复杂，结合高校教师创新工作特点及要求，对高校教师创新能力评价主要考虑4个方面，一是高校教师知识存量情况.高校教师的知识存量水平是教师创新能力的基础和条件，包括高校教师的学历水平、学位、专业技术职务、职业技能资格证书获取情况等.二是教学创新情况.高校的基本职能和根本任务是培养创新型人才，要培养学生的创新意识和创新能力，教师在日常教学工作中，应该注重教学的创新，积极投身教学改革，包括教学艺术、教学手段的运用，指导学生创新大赛，积极参加教学改革以及教学技能竞赛活动等.三是科研创新.科学研究是高校的重要职能之一，高校教师应加强课题和项目研究，努力提升专业理论与实践研究水平，加快科研成果的产出.主要包括科研课题、发表论文的数量、级别等.四是创新成果转化.高校教师的科研成果最终要服务于社会和地方经济发展，高校教师要加强校企业合作，将研究成果面向市场和企业，加速科研成果的转化，实现科研成果的市场价值，包括学术获奖、专利转让、横向课题到账经费等.基于以上分析，本研究在参考相关研究文献、咨询高校教育专家及征求理、工、文、经、法、管等学科的高校教师、省市教育主管部门领导等意见的基础之上，建立用于高校教师创新能力评价的三层结构模型，如表1所示，该结构模型由目标层（U）、一级指标层（V）、二级指标层（X）组成，其中二级指标层共包含20个指标因素.

2.2 确定指标权重

图1 高校教师创新能力评价原理示意图

表1 高校教师创新能力评价层次结构

采用1～9九级标度法确定高校教师创新能力评价的权重判断矩阵U—V、V1—X、V2—X、V3—X、V4—X，比如权重矩阵U—V中，“5”表示一级指标V3（教学创新）比一级指标V1（知识存量）重要，而“1/5”则表示V1没有V3重要.因此一级指标层中，知识存量、教学创新、科研创新、创新成果转化在高校教师创新能力评价中所占的权重分别设定为0.22，0.25，0.28，0.25. 其他权重判断矩阵类推. 通过推算判断矩阵特征向量且进行归一化处理后，求取各项指标权重及其合成权重[5]，如表2～表6所示.表7为高校教师创新能力评价的二级指标层各指标因素相对于目标层的综合权重.

表2 权重判断矩阵U─V

表3 权重判断矩阵V 1─X

3 高校教师创新能力评价模型结构

采用BP神经网络建立高校教师创新能力评价模型，并利用粒子群-人工蜂群算法优化BP网络的结构参数，然后将训练的BP神经网络模型用于对高校教师创新能力的准确评价，评价模型如图2所示.选取以上评价体系中的20个指标数据预处理（即归一化）后的值作为BP神经网络的输入变量，以BP神经网络的输出变量s*经过反归一化处理后的s值作为高校教师创新能力的网络评价结果.ωij为BP神经网络对输入层和中间层之间的连接权值，Tki为中间层与输出层之间的连接权值，中间层、输出层节点阈值分别为θi和θk，Q为BP神经网络的期望输出值，即高校教师创新能力的专家评审结果.

表4 权重判断矩阵V2─X

表5 权重判断矩阵V3─X

表6 权重判断矩阵V4─X

表7 高校教师创新能力评价指标合成权重

图2 高校教师创新能力评价的BP神经网络模型

4 BP神经网络的结构优化与训练

图2中，BP神经网络需要经过不断的学习来优化网络结构参数ωij、Tki、θi、θk，保证BP网络输出与专家评审结果之间的误差满足要求.考虑到初始参数ωij、Tki、θi、θk对网络输出影响非常大，而且BP算法对选取的参数初始值比较敏感，也极易出现陷入局部极值现象[6]，因此，本研究采取粒子群-人工蜂群算法优化输出BP神经网络中ωij、Tki、θi、θk等最优初始连接权值和阈值，并通过改进BP算法对BP神经网络加以学习训练，直至BP神经网络输出误差满足要求为止.

4.1 改进BP算法

学习过程中标准BP算法比较容易陷入局部极小，且可能产生振荡甚至发散现象，为此对标准BP算法加以改进，一是增加动量项，从而消除学习中出现的振荡现象；二是引入自适应学习因子，通过对学习率的自动调节，也能防止因为学习率过大、过小以及收敛速度过慢而导致的系统振荡或者发散等异常情况.

4.2 粒子群-人工蜂群算法优化BP网络

粒子群算法收敛速度快，但往往会陷入局部最优，且产生“早熟”，后期搜索更优解时收敛速度明显变慢.人工蜂群算法全局搜索能力强，然而前期搜索时速度较慢，但是一旦寻找到可行解，搜索能力将会迅速增强.比较粒子群算法和人工蜂群算法各自的特点与缺陷，将粒子群算法和人工蜂群算法有机结合起来，组成粒子群-人工蜂群算法.利用粒子群-人工蜂群算法进化输出的最优值，作为高校教师创新能力评价模型中BP神经网络的最优初始连接权值、阈值.粒子群-人工蜂群算法优化BP神经网络初始结构参数的具体步骤为[6]：

Step1：初始化参数，设置粒子群规模、惯性权重以及粒子群和人工蜂群算法的最大迭代次数等.

Step2：将粒子进行分组，每组含等量的粒子.

Step3：计算每个粒子的适应度，求取每组中的最优粒子.

Step4：更新粒子的速度和位置，通过计算得出各组全局最优粒子.第i个粒子的速度Vij和位置Xij按下列算式进行迭代更新：

式中 i=1，2，…，N（N 为粒子个数）；j=1，2，…，M（M 为求解空间维数）；t、tmax表示算法当前及最大迭代次数；Pij、Gj分别表示第i个粒子的个体最优和全局最优的位置；C1、C2分别表示局部、全局加速常数；R1、R2为均匀分布在[0，1]的随机值；ω 表示粒子的惯性权重，ω1、ω2分别表示其初始值和终值（ω1＞ω2）.

Step5：将求得的各组最优粒子重新组合形成人工蜂群，这些最优粒子为蜂群算法中的初始粒子.

Step6：设定人工蜂群算法的初始迭代次数为1，人工蜂群中的引领蜂按照式（6）通过不断更新位置来搜寻蜜源，即：

式中 vij为更新后的新位置，k=1，2，…，H，k≠i，rand（-1，1）为[-1，1]上的一个随机数.

Step7：当引领蜂搜索到蜜源以后，计算测试蜜源的适应度，即：

式中Fi表示第i个蜜源的适应度；fi表示第i个蜜源的适应值（优化问题目标函数值）.

Step8：将引领蜂搜索的新蜜源与原蜜源的适应度进行比较，如果前者高于后者，则由新蜜源位置替代原蜜源位置，否则蜜源位置不变并将迭代次数NP加1.

Step9：计算蜜源位置的概率值，跟随蜂按概率函数Pi选择其搜寻到的新蜜源，并计算相应的适应度.

Step10：将跟随蜂选择的新蜜源和原蜜源的适应度进行比较，如果前者高于后者，那么就用新蜜源位置替换原蜜源位置，否则蜜源位置不变并将迭代次数NP加1.

Step11：当迭代次数NP达到人工蜂群算法的最大迭代数时，输出最优蜜源位置，位置输出值作为BP网络中的最优网络结构初始参数，即初始权值ωij、Tki和节点阈值θi、θk.

粒子群-人工蜂群算法中，适应值f定义为BP神经网络的期望输出与实际输出的均方差，如：

式中n表示BP网络训练样本数；m表示BP网络输出节点数；Qjh，sjh分别为第j个样本在第h个BP网络输出节点处的期望输出与实际输出.

粒子群-人工蜂群算法优化BP神经网络流程如图3所示.

5 高校教师创新能力评价模型应用

5.1 数据预处理

影响高校教师创新能力的指标因素有20个，各因素的量纲、单位不尽相同，当借助BP神经网络评价高校教师创新能力时，为避免因原始样本数据过大影响网络训练速度及其灵敏性，这里对原始数据样本的输入和输出都需要进行归一化处理，将原始数据转换为[0，1]区间值，力求数据均匀平滑分布.

图3 粒子群-人工蜂群算法优化神经网络流程

式中x*表示归一化后的数据值；x、s分别表示原始数据的输入样本和输出样本；xmax、xmin分别表示原始数据的最大值、最小值.在BP神经网络模型训练结束后，对于网络输出得到的归一化数据，需要再经过反归一化的数学处理，还原成正常的高校教师创新能力网络评价结果值.

5.2 BP神经网络结构设计

用于高校教师创新能力评价的20个指标因素分别对应BP神经网络的输入神经元，网络输入层节点数n=20.BP网络输出为高校教师创新能力评价结果s，评价结果s按照分值设定5个等第，即优秀[100，90]、良好（90，80]、中等（80，70]、合格（70，60]、不合格（60，0]，输出神经元节点数 m=1.BP 网络中间层神经元节点数h 由式（12）确定[7]，经过多次测试得：

选取其节点数为17.高校教师创新能力评价的BP网络结构为20—17—1，中间层、输出层神经元传递函数分别选取tansig和purelin，中间层、输出层节点的激活函数选取均选取Sigmoid.

5.3 训练及测试样本选取

表8列出某高校部分教师创新能力专家评价数据样本，样本含训练及测试样本，其中第1～60组数据用于BP神经网络的训练（因版面限制，只列部分数据），后8组数据用于BP网络的测试.x1～x20为影响高校部分教师创新能力评价的各指标数据值，得分Q为高校教师创新能力专家评价结果，它是由层次分析法推算出的综合得分，即x1～x20评价指标值与其指标合成权重的乘积之和，用它作为BP神经网络的期望输出值.

5.4 参数设计及评价结果分析

粒子群-人工蜂群算法初始化参数选取为：粒子群数量N=50，惯性权重初始值ω1=1.4、终值ω2=0.5；R1=R2=2；粒子群和人工蜂群算法的最大迭代次数分别为200，110.粒子群划分的组数G=5，每组粒子个数B=10.BP神经网络训练的目标误差精度设定为0.000 1.BP神经网络的最多迭代次数为350.利用表8中的前60组评价数据借助MATLAB对BP神经网络进行学习训练，直至BP网络满足规定目标误差精度或者达到最多迭代次数.从图4所示的网络训练曲线分析得出：当网络训练步数达到136步时，能满足目标误差要求，BP神经网络的训练时间短，训练精度高.BP网络训练完毕后，利用表8中的第61～68这8组数据作为BP网络的测试样本，得出如表9所示的检验结果，分析显示：用于高校教师创新能力评价的BP神经网络输出值s与期望输出值Q（即专家评价结果）之间的最大相对误差为1.42%，网络评价与专家评价的结论完全一致，所以所建立的BP神经网络模型能取代专家评价，可以对高校教师创新能力作出比较客观公正、准确有效的评价结论.

表8 用于BP神经网络的训练、测试样本

为进一步验证本研究提出的粒子群-人工蜂群算法及改进BP算法的优化训练性能，仍采用上述60组训练样本数据和8组测试样本数据，先后分别采取BP算法、粒子群算法+BP算法、人工蜂群算法+BP算法和粒子群-人工蜂群算法+BP算法优化、训练且测试BP神经网络，再进行对比分析，如粒子群算法+BP算法，即首先用粒子群算法优化BP神经网络的初始权值、阈值等结构参数，然后利用BP学习算法对神经网络加以训练.表10的比较结果分析表明，BP神经网络经粒子群-人工蜂群算法优化后的网络训练速度最快、训练误差最小、测试精度最高.

图4 BP神经网络训练误差曲线

表9 BP网络测试样本评价结果对比

表10 各种算法优化BP网络的指标比较

6 结语

利用层次分析法构建高校教师创新能力评价指标体系，体系含高校教师知识存量、教学创新、科研创新、创新成果转化4个一级指标，以及学历学位情况、专业技术职务情况等20个二级指标.

建立高校教师创新能力评价的BP神经网络模型.选取影响高校教师创新能力的20个二级指标因素作为BP神经网络的输入变量，高校教师创新能力评价结果作为BP神经网络的输出变量.采取粒子群-人工蜂群算法优化BP神经网络，通过数据样本对网络加以训练和测试.高校教师创新能力网络输出评价结果与层次分析法评价（即专家评价）结果一致.本研究提出的用于高校教师创新能力评价的BP网络模型预测精度高、效率高、效度高，具有较好的可信度和智能性，对于高校管理者科学评价高校教师创新能力提供了科学依据和有效手段，是一种值得推广的高校教师创新能力评价方法.