IPSO-BP神经网络模型的教学质量评价

2023-09-13胡海波

实验室研究与探索 2023年6期

张涛，刘晶，胡海波

（1.第一汽车集团培训中心，长春 130013；2.长春汽车工业高等专科学校马克思主义学院，长春 130013；3.东北师范大学马克思主义学院，长春 130024）

0 引言

教学质量是高校生存的根本，也是衡量高校教学管理和教学有效性的重要环节，具有教学效果检验、教学反馈指导以及调控教学管理等作用［1-2］。通过不同主体对教师的教学活动进行量化评价，检验教学效果是否达到了预期的教学目标，并发现教学过程中存在的问题，从而对其进行优化和改进［3］。

教学质量评价是一个模糊非线性问题，对评价的准确性会产生很大影响。随着教学改革的深入，学者们对教学评价方法不断改进，神经网络法［4-5］、模糊综合评估法［6-7］、层次分析法［8-9］以及支持向量机［10］等方法被广泛应用，使评价准确性得以提高。尽管这些方法都考虑了教学质量与各评价指标之间相应关系，但评价指标体系不完善、评价方法不科学等问题还在一定程度上存在。BP 神经网络能够模拟人类大脑的神经系统，可以逼近任意的非线性函数，具有强大的自学习能力［11］。近年来，学者们尝试将BP 神经网络应用于教学质量评价，取得了一定的效果。但是，由于BP神经网络采用的梯度下降学习方法收敛速度较慢，容易陷入局部最小值，泛化能力受到一定限制。因此，需要针对不同课程和学生特点建立科学的教学质量评价指标体系，并利用智能控制算法建立评价模型，从而提高教学质量精准度，为教学管理与决策提供科学的依据。

在现有研究的基础上，本文利用粒子群算法对神经网络的权值和阈值进行优化，从而建立一种IPSOBP神经网络模型，用于改善BP 算法的性能，以期缩短运行时间、提高预测效率和准确率。同时，将训练好的网络模型用于高校教学质量评价，以验证所建模型的可靠性和有效性。

1 BP神经网络

1.1 网络结构及原理

BP神经网络是一种按误差逆向传播进行训练的多层前馈网络，通过模拟人类大脑神经系统，可以无限逼近任意的非线性函数。BP 神经网络具有强大的自学习功能，通过不断调整各层之间的权值和阈值不断优化和修正网络，从而使输出值和目标值之间的误差最小化。BP神经网络的学习过程包括信号的正向传播和误差的反向传播两个阶段。信号进行正向传播时，训练样本从输入层传入，经过隐含层处理后，传向输出层。将实际输出结果与目标输出结果进行比较，若两者不一致，则转入误差的反向传播阶段。反向传播是将输出误差以某种形式通过隐含层向输入层反向传递，并将误差分配给每个神经元，不断修正各层之间的连接权值和阈值，使误差沿梯度方向下降，直到输出误差达到预设精度或设定的最大学习次数为止［12］。BP神经网络通常包括输入层、隐含层和输出层网络结构，如图1 所示。

图1 BP神经网络的结构

设训练样本的输入数据和输出数据分别为x（t）和y（t），选择Sigmoid 函数构建映射关系，传递函数为：

则隐含层的输出可表示为

式中：ωij为输入层和隐含层之间的权值；θj为隐含层阈值；n为隐含层节点数。

输出层的输出表达式为

式中：ωjk为隐含层和输出层之间的权值；θk为输出层阈值；k为输出层节点数。

定义实际输出与目标输出之间的误差为

式中：Lk为实际输出；Zk为目标输出；m为输入层节点数。

应用梯度下降法更新权值，表达式为［13］：

更新阈值，其表达式为：

1.2 训练流程

BP神经网络学习和训练的过程也就是根据误差E不断调整权值和阈值的过程，使模拟的实际输出逐渐收敛于期望输出，直至迭代达到设置上限值或者预测准确率达到门限值，训练流程如图2 所示。

图2 BP神经网络的训练流程

2 IPSO-BP神经网络

2.1 改进粒子群算法

粒子群算法（Particle Swarm Optimization，PSO）是基于鸟群捕食活动而演化出来的优化算法。在寻优计算中，通过不断跟踪最优解，实现对粒子速度和位置的更新，从而不断寻求最优解，被广泛应用于优化问题的求解过程［14］。

若将粒子看作是一个N维空间的解向量，假设X和v分别代表粒子C 的空间位置和速度，则粒子的更新策略可以表示为［15］：

式中：pid（t）、pgd（t）分别为t时刻个体最优解和全局最优解；d为当前粒子的维数，且d＝1，2，…，N；ω 为粒子的惯性权重；c1、c2为粒子更新时的学习因子；r1、r2为［0，1］之间均匀分布的随机数。

传统的粒子群算法容易陷入局部最优，出现“早熟”现象，使寻址精度受到影响。因此，为增加粒子的认知能力及搜索范围，对PSO 算法进行改进。为此，设计了一种惯性权重调整方法，即：

式中：L为空间长度；为粒子i的坐标值；为所有粒子坐标的平均值。

经过改进后，粒子在寻址过程中，ω 先变大，随后又变小，从而扩大了粒子的搜索范围，解决“过早熟”问题。

2.2 IPSO-BP神经网络模型

将改进的粒子群算法（Improved PSO，IPSO）与BP神经网络相结合，通过粒子之间合作和竞争产生的群体智能指导优化搜索，不断修正神经网络的权值和阈值，从而改善BP 算法的性能。优化后的BP算法收敛速度快、全局搜索能力强，且寻址过程不依赖于梯度信息，避免了梯度下降法对函数的要求，缩短了神经网络的训练时间，有效提高搜索效率和精度。

IPSO 算法与BP 算法的融合主要体现在两个方面：①IPSO 算法中粒子的位置向量会对应BP 算法的全部连接权值和阈值，并通过适应度函数寻找最优位置，也就是寻找BP 网络的最优权值和阈值；②采用BP 神经网络的前向传播理论计算粒子的适应度，并根据训练得到的均方误差定义粒子的适应度函数。具体流程如图3 所示。

图3 IPSO-BP算法训练流程

2.3 仿真结果与分析

为验证教学质量评价指标体系的科学性以及IPSO-BP模型的可靠性，在Matlab平台下，由程序随机在［0，1］之间产生800 个数据作为训练样本。

本文采用3 层BP 神经网络框架结构，输出层有16 个节点，隐含层为5 个节点，输出层有1 个节点。取粒子的维度为91（16 ×5 +5 ×1 +5 +1），粒子的数量为65；最大迭代次数为500；惯性权重的最大值和最小值分别为0.85 和0.25；学习因子c1＝c2＝1.5；网络的目标误差为0.001，训练误差小于目标误差时训练结束，则训练时间如图4 所示。

图4 不同模型的训练结果

为进一步分析IPSO-BP 的性能，将两个模型的训练时间、均方差、迭代次数以及准确率列表进行对比，如表1 所示。

表1 两种模型训练结果对比

从表1 可见，与BP 神经网络模型相比，IPSO-BP模型收敛速度快，能够在较少的训练时间和迭代次数内找到最优解。同时，该模型训练误差小，准确率高，MSE缩小了33.7%，准确率提高了11.4%。训练结果表明，IPSO-BP 神经网络模型可靠、有效，可以将其用于课堂教学质量的评价。

3 IPSO-BP模型教学质量评价

3.1 教学质量评价指标体系

教学评价用于考查教师的教学质量、掌握学生的学习效果和验证教学管理工作是否规范化，以便调整教学计划和育人目标。指标体系是教学质量评价的核心内容，评价指标体系是否科学、合理直接决定了评价结果的准确性［16］。本文通过梳理相关文献和进行深入调研，并结合本单位教学实际建立教学质量评价指标体系。该体系包括教学方法、教学效果、教学态度以及教学内容4 个一级指标准以及“教学手段丰富”等16 个二级指标，如图5 所示。

图5 教学质量评价指标体系

3.2 样本来源

将长春汽车工业高等专科学校马克思主义学院2020 ～2021 年度5 门课程作为评价对象，将学校督导专家和在校学生作为评价主体进行教学质量评价。其中，以督导专家的综合评分结果作为目标输出，在校学生的问卷调查评分结果作为训练数据［17-18］。

（1）由教学督导专家对“思想道德与法治”“毛泽东思想和中国特色社会主义理论体系概论”“形势与政策”“学习筑梦”和“哲学与人生”5 门课程的听课结果进行评价，5 门功能分别用“C1、C2、C3、C4、C5”表示。专家评价结果分为“优秀、良好、中等、合格、不合格”5个等级，对应的分数段分别是［0.90 ～1.00］、［0.80 ～0.89］、［0.70 ～0.79］、［0.60 ～0.69］和［0 ～0.59］，专家评分结果如表2 所示。

表2 专家评价结果

（2）向学生发放调查问卷，考查各门课程的教学效果，从而获得样本数据。

（3）利用前4 门课程的样本数据对IPSO-BP神经网络模型进行训练，并对照专家评价结果进行模型优化。

（4）利用训练好的模型对最后一门课程进行测试评价，以检验所构建的评价模型的有效性。

问卷调查一共收到有效样本192 个，5 门功课的问卷数量分别是41，38，44，39 以及30。将前162 个样本用于IPSO-BP神经网络模型的训练，后30 个结果用于网络泛化能力的测试。

3.3 评价训练

将前4 门课程的162 条样本数据输入到IPSO-BP网络模型中进行训练，在其逼近评价指标后完成训练，部分样本的训练结果如表3 所示。

表3 部分样本的训练结果

为更直观表示IPSO-BP 神经网络模型的有效性，将评价准确率和训练时间作为指标进行具体分析，并与BP神经网络进行对比，如图6 所示。

图6 两种神经网络评价结果对比

从图6 可见，与普通BP 神经网络相比，IPSO-BP该模型教学质量评价的准确率和训练速度大幅提高，可在保证评价精度的同时减少网络运行时间，与仿真结果基本一致。同时，说明IPSO算法不仅解决了PSO算法出现的“早熟”现象，还能有效优化神经网络的权值和阈值，进而改善BP 算法的性能，能够满足教学质量评价的应用要求。

3.4 测试与验证

训练的目的在于应用，因此需要对训练好的模型进行测试，从而验证训练后的网络模型的泛化能力。利用哲学与人生课程的30 个样本对训练好的IPSOBP网络模型进行测试验证，并与BP神经网络进行对比，部分样本的测试结果如表4 所示。

表4 部分样本的测试结果

为了更加直观地分析测试结果，将表4 中结果用曲线进行表示，如图7 所示。

图7 两种神经网络预测结果

从图7 可见，在C5课程的所有测试样本中，BP神经网络模型有26 个预测正确，其中第8、11、14 以及23号样本预测错误，评价正确率为86.7%。而IPSO-BP神经网络模型有29 个样本预测正确，只有第21 号样本预测错误，评价正确率为96.7%，测试结果表明，本文所构建的IPSO-BP神经网络模型能够大幅提高预测精度，具有较强的泛化推广能力，将其用于教学质量评价可获得较好评价结果。