CN105976098A - 一种基于bp神经网络的院校教学质量评价方法 - Google Patents

Abstract

本发明属于教学管理领域，涉及一种基于BP神经网络的院校教学质量评价方法。本发明是利用BP神经网络的方法进行教学质量评价，网络架构为两层三角度BP神经网络。第一层是由学员评价子系统，课程评价子系统和集训班评价子系统即三个角度的评价组成。第二层是由第一层中的各个子系统下的“子系统”组成。本发明结合院校教学工作的实际特点和教育教学质量的要求，将BP神经网络引入到院校教学质量评价中，建立相关的数学模型，综合多项复杂的指标并予以量化，科学合理可行。

Description

一种基于BP神经网络的院校教学质量评价方法

技术领域

本发明属于教学管理领域，涉及一种教学质量评价管理系统，特别涉及一种适用于院校校的教学质量评估方法，将BP神经网络应用到院校的教学质量评价。

背景技术

院校教学的核心任务是教学工作，提高教学质量是促进院校为输送更好人才的关键，建立科学的院校教学质量评价系统是加强院校教学管理和提高教学质量的重要举措。院校实现教育目标的主要途径就是课堂教学，而院校教学的主体是教员。对教员的评价主要体现在教学质量上。院校教学工作的水平直接影响培养的部队人才水平。对院校教员进行教学质量评价，有利于院校管理者掌握教学工作情况，有利于提高院校教学质量。

教学质量评价是一个较为复杂的问题，因为影响教学质量评价的因素有很多。因此，在现阶段国内外并没有一个公认的、理想的教学质量评价体系，适用于院校的教学质量评价方法更存在理论研究和技术方法的空白，这也是本发明要解决的问题。

发明内容

本发明要解决的技术问题是与普通高校教学相比，院校的课程安排，侧重点，学习时间以及评价标准有着质的区别，现有的高效教学质量评价系统无法适用于院校教学中。本发明结合院校教学经验，设计了适用于院校的基于BP神经网络教学质量评价方法，为院校教学提供了数据便利性以及科学的教学质量评价。

本发明解决其技术问题所采用的技术方案是：

本发明是利用BP神经网络的方法进行教学质量评价，网络架构为两层三角度BP神经网络。

第一层是由学员评价子系统，课程评价子系统和集训班评价子系统即三个角度的评价组成。第一层数据是由第二层的输出数据经过BP神经网络的计算得出最后的结果，也就是得到最终的对于学员、课程、集训班的评价。

第二层是由第一层中的各个子系统下的“子系统”组成。学员评价子系统对应的第二层是学员各科成绩，学员自评子系统，教员评学子系统，督导评学子系统，学员评学子系统；课程评价子系统对应的第二层是课程全部成绩，教员自评子系统，学员评教子系统，督导评课子系统，教员评教子系统；集训班评价子系统对应的第二层是集训班全部成绩，教员自评子系统，学员评班子系统，督导评班子系统，教员评班子系统。第二层的子系统中，除了学员成绩，课程全部成绩，集训班全部成绩以外，都是由根据本专利设计的适用于院校质量评价指标体系所对应的相应评价指标，通过院校实际调查取样过滤得到，这些全部数据对应到各个第二层的子系统中作为BP神经网络的输入数据，通过各个子系统的神经网络计算，分别得到多个输出数据，作为第一层的输入数据，最终得到三个角度的评价。

一种基于BP神经网络的院校教学质量评价方法，包括以下步骤：

第一步，初始化并输入数据数据。

(1)评价数据初始化处理；

(2)初始化权值矩阵、计数器、学习速率、误差；

(3)输入训练样本对，计算各层输出。

第二步，计算各层误差并调整权值。

(1)计算网络输出误差；

(2)计算各层误差信号；

(3)调整各层权值。

第三步，检查是否结束本轮轮巡。

(1)检查计数器是否达标；

(2)检查精度是否符合要求；

(3)检查是否进入第二层神经网络。

根据院校中调查取样的样本数据进行实验所获得的BP神经网络参数设计，包括两层三角度BP网络各自的BP网络层数是通过经验确定、输入层神经单元个数是根据不同的输入层根据实际情况确定、输出层神经单元个数根据BP网络架构确定、隐含层神经元个数是通过经验以及实验验证确定、训练函数是通过实验比对确定一个最合适的函数、学习速率是通过经验以及实验验证确定和激活函数是根据整体系统架构确定。

本发明的效果和益处是，结合院校教学工作的实际特点和教育教学质量的要求，将BP神经网络引入到院校教学质量评价中，建立相关的数学模型，综合多项复杂的指标并予以量化，且通过实验证明，基于BP神经网络的院校教育质量评价方法的训练误差在万分之一量级，训练精度是完全是可以接受的，该方法是一个科学合理可行的预测模型。基于BP神经网络的院校教育质量评价方法为院校教学质量评价提出更准确、科学、合理的客观评价方法。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细说明。

附图1是本发明的基于BP神经网络的院校教育质量评价方法框架图。

附图2是该方法的实验数据网络训练图。

附图3该方法的流程图。

具体实施方式

为使本发明实施例的目的、技术方案及其优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述，整体算法流程图如图3所示：

第一步，初始化并输入数据数据。

1)评价数据初始化处理；

为了保证输入数据范围是[0，1]之间，本发明使用公式(1)对输入数据进行归一化处理：

$P=\frac{I-I_{\min }}{I_{\max }-I_{\min }}---\left(1\right)$

其中：P是BP神经网络的输入值，I是评价原始数据，Imin是BP神经网络输入的最小值，Imax是BP神经网络输入的最大值。

2)初始化权值矩阵、计数器、学习速率、误差；

输入层节点与隐含层节点的权值矩阵为V，隐含层节点与输出层节点的权值矩阵为W。分别对V和W矩阵赋予随机值，将样本模式计数器p和训练次数计数器q置为1，误差E设置为0，学习速率η设为0.001，网络训练后达到的精度Emin设为一正的小数。

3)输入训练样本对，计算各层输出。

用当前样本Xp、dp对向量X、d赋值，用公式(2)和公式(3)计算Y和O中的各分量。

y_j＝f(net_j) j＝1，2，…，m (2)

o_k＝f(net_k) k＝1，2，…，1 (3)

第二步，计算各层误差并调整权值。

1)计算网络输出误差；

设共有P对训练样本，网络对应不同的样本具有不同的误差Ep，可用其中最大的Emax代表网络的总误差E，也可以用其均方根作为网络的总误差E，本文使用的是均分跟作为总误差E。

2)计算各层误差信号；

利用公式(3)和公式(4)计算和

${\mathrm{\δ}}_k^o=(d_k-o_k)o_k(1-o_k)---\left(4\right)$

${\mathrm{\δ}}_j^y=\[{\mathrm{\Σ}}_{k=1}^l(d_k-o_k)f^{\′}\left({\mathrm{net}}_k\right)w_{jk}\]f^{\′}\left({\mathrm{net}}_j\right)=\left({\mathrm{\Σ}}_{k=1}^l{\mathrm{\δ}}_k^o{w}_{jk}\right)y_j(1-y_j)---\left(5\right)$

3)调整各层权值。

利用公式(6)和公式(7)W和V中的各分量。

${\mathrm{\Δw}}_{jk}={\mathrm{\η\δ}}_k^o{y}_j=\mathrm{\η}(d_k-o_k)o_k(1-o_k)y_i---\left(6\right)$

${\mathrm{\Δv}}_{ij}={\mathrm{\η\δ}}_j^y{x}_i=\mathrm{\η}\left({\Σ}_{k=1}^l{\mathrm{\σ}}_k^o{w}_{jk}\right)y_j(1-y_j)x_i---\left(7\right)$

第三步，检查是否结束本轮轮巡。

1)检查计数器是否达标；

若p<P(或p`<P`)，计算器p(p`)和q(q`)都加1，返回第二步，否则进行精度检查。

2)检查精度是否符合要求；

检查网络总误差是否达到精度要求：若E<E_min(或E`<E`_min)，训练结束，否则E(E`)置0，p(p`)置1，返回第二步继续迭代。

3)检查是否进入第二层神经网络。

若本次迭代为第一层神经网络则进入第二层神经网络迭代，本次的输出为第二层神经网络的输入，否则结束迭代。

在该方法中，有如下参数设置：

对于BP网络层数：三层；

输入层单元的个数：第一层为5；第二层的成绩部分为3，评价表部分为18；

其中课程成绩有平均成绩：全部学员课程的平均成绩/100；

均方差成绩：全部学员课程成绩的均方差；

浮动成绩：(课程平均成绩-历史该课程平均成绩)/历史该课程平均成绩；

输出层神经单元个数：1；

隐含层神经元的个数，综合经验公式以及该方法结构且通过实验检验为7；

训练函数通过实验：LM；

学习速率是保持不变的，通过实验检验，学习速率为0.03；

在隐层单元上的激活函数：tagsig双曲正切函数；

在输出层单元的激活函数：Sigmoid函数。

至此，得到一种基于BP神经网络的院校教学质量评价方法。

其中，图1是本发明教学质量神经网络评价系统架构图，图2是本发明的网络训练图。

Claims (1)

1.一种基于BP神经网络的教学质量评价方法，其特征在于以下步骤，

第一步，初始化并输入数据数据

1)评价数据初始化处理

为了保证输入数据范围是[0，1]之间，使用公式(1)对输入数据进行归一化处理：

其中：P是BP神经网络的输入值，I是评价原始数据，Imin是BP神经网络输入的最小值，Imax是BP神经网络输入的最大值；

2)初始化权值矩阵、计数器、学习速率、误差

输入层节点与隐含层节点的权值矩阵为V，隐含层节点与输出层节点的权值矩阵为W；分别对V和W矩阵赋予随机值，将样本模式计数器p和训练次数计数器q置为1，误差E设置为0，学习速率η设为0.001，网络训练后达到的精度Emin设为一正的小数；

3)输入训练样本对，计算各层输出；

用当前样本Xp、dp对向量X、d赋值，用公式(2)和公式(3)计算Y和O中的各分量；

y_j＝f(net_j) j＝1，2，…，m (2)

o_k＝f(net_k) k＝1，2，…，1 (3)

第二步，计算各层误差并调整权值；

1)计算网络输出误差；

设共有P对训练样本，网络对应不同的样本具有不同的误差Ep，用其中最大的Emax代表网络的总误差E；或用其均方根作为网络的总误差E；

2)计算各层误差信号；

利用公式(3)和公式(4)计算和

${\mathrm{\&delta;}}_k^o=(d_k-o_k)o_k(1-o_k)---\left(4\right)$

${\mathrm{\&delta;}}_j^y=\&lsqb;{\mathrm{\&Sigma;}}_{k=1}^l(d_k-o_k)f^{\&prime;}\left({\mathrm{net}}_k\right)w_{jk}\&rsqb;f^{\&prime;}\left({\mathrm{net}}_j\right)=\left({\mathrm{\&Sigma;}}_{k=1}^l{\mathrm{\&delta;}}_k^o{w}_{jk}\right)y_j(1-y_j)---\left(5\right)$

3)调整各层权值；

利用公式(6)和公式(7)W和V中的各分量；

${\mathrm{\&Delta;w}}_{jk}={\mathrm{\&eta;\&delta;}}_k^o{y}_j=\mathrm{\&eta;}(d_k-o_k)o_k(1-o_k)y_i---\left(6\right)$

${\mathrm{\&Delta;v}}_{ij}={\mathrm{\&eta;\&delta;}}_j^y{x}_i=\mathrm{\&eta;}\left({\&Sigma;}_{k=1}^l{\mathrm{\&sigma;}}_k^o{w}_{jk}\right)y_j(1-y_j)x_i---\left(7\right)$

第三步，检查是否结束本轮轮巡；

1)检查计数器是否达标；

若p<P(或p`<P`)，计算器p(p`)和q(q`)都加1，返回第二步，否则进行精度检查；

2)检查精度是否符合要求；

检查网络总误差是否达到精度要求：若E<E_min(或E`<E`_min)，训练结束，否则E(E`)置0，p(p`)置1，返回第二步继续迭代；

3)检查是否进入第二层神经网络；

若本次迭代为第一层神经网络则进入第二层神经网络迭代，本次的输出为第二层神经网络的输入，否则结束迭代；

在该方法中，有如下参数设置：

对于BP网络层数：三层；

输入层单元的个数：第一层为5；第二层的成绩部分为3，评价表部分为18；

其中课程成绩有平均成绩：全部学员课程的平均成绩/100；

均方差成绩：全部学员课程成绩的均方差；

浮动成绩：(课程平均成绩-历史该课程平均成绩)/历史该课程平均成绩；输出层神经单元个数：1；

隐含层神经元的个数，综合经验公式以及该方法结构且通过实验检验为7；训练函数通过实验：LM；

学习速率是保持不变的，通过实验检验，学习速率为0.03；

在隐层单元上的激活函数：tagsig双曲正切函数；

在输出层单元的激活函数：Sigmoid函数。