一種基于bp神經網絡的院校教學質量評價方法
【專利摘要】本發明屬于教學管理領域，涉及一種基于BP神經網絡的院校教學質量評價方法。本發明是利用BP神經網絡的方法進行教學質量評價，網絡架構為兩層三角度BP神經網絡。第一層是由學員評價子系統，課程評價子系統和集訓班評價子系統即三個角度的評價組成。第二層是由第一層中的各個子系統下的“子系統”組成。本發明結合院校教學工作的實際特點和教育教學質量的要求，將BP神經網絡引入到院校教學質量評價中，建立相關的數學模型，綜合多項復雜的指標并予以量化，科學合理可行。
【專利說明】
一種基于BP神經網絡的院校教學質量評價方法
技術領域
[0001] 本發明屬于教學管理領域，涉及一種教學質量評價管理系統，特別涉及一種適用 于院校校的教學質量評估方法，將BP神經網絡應用到院校的教學質量評價。
【背景技術】
[0002] 院校教學的核心任務是教學工作，提高教學質量是促進院校為輸送更好人才的關 鍵，建立科學的院校教學質量評價系統是加強院校教學管理和提高教學質量的重要舉措。 院校實現教育目標的主要途徑就是課堂教學，而院校教學的主體是教員。對教員的評價主 要體現在教學質量上。院校教學工作的水平直接影響培養的部隊人才水平。對院校教員進 行教學質量評價，有利于院校管理者掌握教學工作情況，有利于提高院校教學質量。
[0003] 教學質量評價是一個較為復雜的問題，因為影響教學質量評價的因素有很多。因 此，在現階段國內外并沒有一個公認的、理想的教學質量評價體系，適用于院校的教學質量 評價方法更存在理論研究和技術方法的空白，這也是本發明要解決的問題。
【發明內容】
[0004] 本發明要解決的技術問題是與普通高校教學相比，院校的課程安排，側重點，學習 時間以及評價標準有著質的區別，現有的高效教學質量評價系統無法適用于院校教學中。 本發明結合院校教學經驗，設計了適用于院校的基于BP神經網絡教學質量評價方法，為院 校教學提供了數據便利性以及科學的教學質量評價。
[0005] 本發明解決其技術問題所采用的技術方案是：
[0006] 本發明是利用BP神經網絡的方法進行教學質量評價，網絡架構為兩層三角度BP神 經網絡。
[0007] 第一層是由學員評價子系統，課程評價子系統和集訓班評價子系統即三個角度的 評價組成。第一層數據是由第二層的輸出數據經過BP神經網絡的計算得出最后的結果，也 就是得到最終的對于學員、課程、集訓班的評價。
[0008] 第二層是由第一層中的各個子系統下的"子系統"組成。學員評價子系統對應的第 二層是學員各科成績，學員自評子系統，教員評學子系統，督導評學子系統，學員評學子系 統;課程評價子系統對應的第二層是課程全部成績，教員自評子系統，學員評教子系統，督 導評課子系統，教員評教子系統;集訓班評價子系統對應的第二層是集訓班全部成績，教員 自評子系統，學員評班子系統，督導評班子系統，教員評班子系統。第二層的子系統中，除了 學員成績，課程全部成績，集訓班全部成績以外，都是由根據本專利設計的適用于院校質量 評價指標體系所對應的相應評價指標，通過院校實際調查取樣過濾得到，這些全部數據對 應到各個第二層的子系統中作為BP神經網絡的輸入數據，通過各個子系統的神經網絡計 算，分別得到多個輸出數據，作為第一層的輸入數據，最終得到三個角度的評價。
[0009] -種基于BP神經網絡的院校教學質量評價方法，包括以下步驟：
[0010]第一步，初始化并輸入數據數據。
[0011] (1)評價數據初始化處理；
[0012] (2)初始化權值矩陣、計數器、學習速率、誤差；
[0013] (3)輸入訓練樣本對，計算各層輸出。
[0014] 第二步，計算各層誤差并調整權值。
[0015] (1)計算網絡輸出誤差；
[0016] (2)計算各層誤差信號；
[0017] (3)調整各層權值。
[0018] 第三步，檢查是否結束本輪輪巡。
[0019] (1)檢查計數器是否達標；
[0020] (2)檢查精度是否符合要求；
[0021] (3)檢查是否進入第二層神經網絡。
[0022] 根據院校中調查取樣的樣本數據進行實驗所獲得的BP神經網絡參數設計，包括兩 層三角度BP網絡各自的BP網絡層數是通過經驗確定、輸入層神經單元個數是根據不同的輸 入層根據實際情況確定、輸出層神經單元個數根據BP網絡架構確定、隱含層神經元個數是 通過經驗以及實驗驗證確定、訓練函數是通過實驗比對確定一個最合適的函數、學習速率 是通過經驗以及實驗驗證確定和激活函數是根據整體系統架構確定。
[0023] 本發明的效果和益處是，結合院校教學工作的實際特點和教育教學質量的要求， 將BP神經網絡引入到院校教學質量評價中，建立相關的數學模型，綜合多項復雜的指標并 予以量化，且通過實驗證明，基于BP神經網絡的院校教育質量評價方法的訓練誤差在萬分 之一量級，訓練精度是完全是可以接受的，該方法是一個科學合理可行的預測模型。基于BP 神經網絡的院校教育質量評價方法為院校教學質量評價提出更準確、科學、合理的客觀評 價方法。
【附圖說明】
[0024]下面結合附圖和【具體實施方式】對本發明作進一步詳細說明。
[0025]附圖1是本發明的基于BP神經網絡的院校教育質量評價方法框架圖。
[0026]附圖2是該方法的實驗數據網絡訓練圖。
[0027]附圖3該方法的流程圖。
【具體實施方式】
[0028] 為使本發明實施例的目的、技術方案及其優點更加清楚，下面結合本發明實施例 中的附圖，對本發明實施例中的技術方案進行清楚完整的描述，整體算法流程圖如圖3所 示：
[0029] 第一步，初始化并輸入數據數據。
[0030] 1)評價數據初始化處理；
[0031] 為了保證輸入數據范圍是[0，1]之間，本發明使用公式（1)對輸入數據進行歸一化 處理：
[0032] _ . (1)
[0033]其中：P是BP神經網絡的輸入值，I是評價原始數據，Imin是BP神經網絡輸入的最小 值，Imax是BP神經網絡輸入的最大值。
[0034] 2)初始化權值矩陣、計數器、學習速率、誤差；
[0035]輸入層節點與隱含層節點的權值矩陣為V，隱含層節點與輸出層節點的權值矩陣 為W。分別對V和W矩陣賦予隨機值，將樣本模式計數器p和訓練次數計數器q置為1，誤差E設 置為0,學習速率η設為〇.〇〇1，網絡訓練后達到的精度Emin設為一正的小數。
[0036] 3)輸入訓練樣本對，計算各層輸出。
[0037] 用當前樣本Xp、dp對向量X、d賦值，用公式⑵和公式⑶計算Y和0中的各分量。
[0038] yj = f(netj) j = l，2，."，m (2)
[0039] 〇k = f(netk) k=l，2，."，l (3)
[0040] 第二步，計算各層誤差并調整權值。
[0041] 1)計算網絡輸出誤差；
[0042]設共有P對訓練樣本，網絡對應不同的樣本具有不同的誤差Ep，可用其中最大的 Emax代表網絡的總誤差E，也可以用其均方相
Μ乍為網絡的總誤差E，本文 使用的是均分跟作為總誤差Ε。
[0043] 2)計算各層誤差信號；
[0044] 利用公式⑶和公式⑷計算韙和$
[0047] 3)調整各層權值。[0048] 利用公式(6)和公式(7) W和V中的各分量。
[0045] 1234567
[0046] 初
(6) 2 .(7.) 3
[0051 ]第三步，檢查是否結束本輪輪巡。 4 1)檢查計數器是否達標； 5 若ρ〈Ρ(或ρ'〈Ρ')，計算器ρ(ρ')和q(q')都加 1，返回第二步，否則進行精度檢查。 6
[0054] 2)檢查精度是否符合要求； 7 檢查網絡總誤差是否達到精度要求:若E〈Emin(或E'〈E'min)，訓練結束，否則E(E') 置〇，P(P')置1，返回第二步繼續迭代。
[0056] 3)檢查是否進入第二層神經網絡。
[0057]若本次迭代為第一層神經網絡則進入第二層神經網絡迭代，本次的輸出為第二層 神經網絡的輸入，否則結束迭代。
[0058]在該方法中，有如下參數設置：
[0059] 對于BP網絡層數:三層；
[0060]輸入層單元的個數:第一層為5;第二層的成績部分為3，評價表部分為18;
[0061] 其中課程成績有平均成績:全部學員課程的平均成績/100;
[0062] 均方差成績:全部學員課程成績的均方差；
[0063] 浮動成績：（課程平均成績-歷史該課程平均成績)/歷史該課程平均成績；
[0064]輸出層神經單元個數：1;
[0065] 隱含層神經元的個數，綜合經驗公式以及該方法結構且通過實驗檢驗為7;
[0066] 訓練函數通過實驗:LM;
[0067]學習速率是保持不變的，通過實驗檢驗，學習速率為0.03;
[0068] 在隱層單元上的激活函數:tagsig雙曲正切函數；
[0069]在輸出層單元的激活函數:Sigmoid函數。
[0070] 至此，得到一種基于BP神經網絡的院校教學質量評價方法。
[0071] 其中，圖1是本發明教學質量神經網絡評價系統架構圖，圖2是本發明的網絡訓練 圖。
【主權項】
1. 一種基于BP神經網絡的教學質量評價方法，其特征在于w下步驟， 第一步，初始化并輸入數據數據 1) 評價數據初始化處理 為了保證輸入數據范圍是[〇，1]之間，使用公式（1)對輸入數據進行歸一化處理：U) 其中：P是BP神經網絡的輸入值，I是評價原始數據，Imin是BP神經網絡輸入的最小值， Imax是BP神經網絡輸入的最大值； 2) 初始化權值矩陣、計數器、學習速率、誤差 輸入層節點與隱含層節點的權值矩陣為V，隱含層節點與輸出層節點的權值矩陣為W; 分別對V和W矩陣賦予隨機值，將樣本模式計數器P和訓練次數計數器q置為1，誤差E設置為 0，學習速率η設為0.001，網絡訓練后達到的精度血in設為一正的小數； 3) 輸入訓練樣本對，計算各層輸出； 用當前樣本Xp、化對向量X、d賦值，用公式(2)和公式(3)計算Y和0中的各分量； yj = f(netj) j = l，2，...，m (2) 〇k = f(netk) k=l，2，...，l (3) 第二步，計算各層誤差并調整權值； 1) 計算網絡輸出誤差； 設共有P對訓練樣本，網絡對應不同的樣本具有不同的誤差化，用其中最大的Emax代表 網絡的總誤差E;或用其均方fl作為網絡的總誤差E; 2) 計算各層誤差信號； 利用公式(3)和公式(4)計算蠻和璋：3) 調整各層權值； 利用公式(6)和公式(7)W和V中的各分量；第Ξ步，檢查是否結束本輪輪巡； 1) 檢查計數器是否達標； 若p<P(或p'<P')，計算器p(p')和q(q')都加1，返回第二步，否則進行精度檢查； 2) 檢查精度是否符合要求； 檢查網絡總誤差是否達到精度要求:若日祐。1。(或E'<E'min)，訓練結束，否則E化')置0，p (P')置1，返回第二步繼續迭代； 3) 檢查是否進入第二層神經網絡； 若本次迭代為第一層神經網絡則進入第二層神經網絡迭代，本次的輸出為第二層神經 網絡的輸入，否則結束迭代； 在該方法中，有如下參數設置： 對于BP網絡層數:Ξ層； 輸入層單元的個數:第一層為5;第二層的成績部分為3，評價表部分為18; 其中課程成績有平均成績:全部學員課程的平均成績/100; 均方差成績:全部學員課程成績的均方差； 浮動成績：（課程平均成績-歷史該課程平均成績)/歷史該課程平均成績;輸出層神經 單元個數:1; 隱含層神經元的個數，綜合經驗公式W及該方法結構且通過實驗檢驗為7;訓練函數通 過實驗:LM; 學習速率是保持不變的，通過實驗檢驗，學習速率為0.03; 在隱層單元上的激活函數:tagsig雙曲正切函數； 在輸出層單元的激活函數:Sigmoid函數。
【文檔編號】G06Q50/20GK105976098SQ201610280987
【公開日】2016年9月28日
【申請日】2016年4月28日
【發明人】于權, 王宇新, 王磊, 柳德義, 左利忠, 薛立群
【申請人】大連理工大學