高校教学质量评价的BP神经网络模型

1、总第247期2010年第5期计算机与数字工程Computer&Digital Engineering16高校教学质量评价的BP神经网络模型3袁莺楹刘红梅(南通大学建筑工程学院南通226019摘要高校教学质量的评价是一个多因素、多变量、模糊的非线性过程。文章运用BP神经网络建立了教学质量评价的数学模型,通过matlab神经网络工具箱学习训练网络,并经测试数据验证。结果表明,基于BP神经网络建立的教学质量评价模型,克服了评价中主观因素的影响,得到了较满意的评价结果,具有广泛的应用前景。关键词教学质量评价;模型;BP神经网络中图分类号TP183Model of BP Neural Network f

2、or Evaluation of College T eaching QualityYua n YingyingL iu Hongmei(School of Civil Engineering,Nantong University,Nantong226019Abs t rac tTeaching quality evaluation in college teaching is a multi2factor,multi2variable f uzzy nonlinear process.By applying BP neural network principle,the mathematic

3、al model of teaching quality evaluation was established in this paper. And then authenticated with testing data after trained by means of Neural Network Toolbox in matlab.The result shows that it overcomes the infection of subjective evaluation factors in the modeling of teaching quality evaluation

4、based on BP neural network,which obtained more satisfied evaluation results.It has a wide applications prospect.Ke y Wordsteaching quality evaluation,model,BP neural networkClass Nu m berTP1831引言教学质量是高校的生命线,提高教学质量,培养社会需要的高素质人才是高等教育的根本任务。对高校教师的教学质量进行科学、公正、客观的综合评价已成为高校教学管理的一个重要内容,也是全面了解教学情况、促进教学质量提高的科

5、学而有效的手段之一。高校教师的教学质量评价是一个多因素、多变量、模糊的非线性问题,影响因素众多,很难用恰当的数学解析式来表达。很多传统方法如模糊数学法1、层次分析法2、多元统计分析法3等在教学质量评价中被使用过,且在不同程度上取得了一定成效,但这些方法仍然存在很多不足,如在确定二级指标的权重上通常凭借专家经验估计,导致评价具有主观性。另外用传统方法评价时计算求解繁琐很难做出精确的评价,也缺乏自学习能力,不能很好的解决问题。人工神经网络作为一种多领域广泛应用的新技术,以其强大的自组织、自学习和容错能力等特性,为非线性问题开辟了新的途径。本文采用人工神经网络中的BP算法(前馈式神经网络方法建立教学

6、质量的评价模型,对教师的教学质量进行全面评价,克服了评价中主观因素的影响,得到了较满意的评价结果。2高校教学质量评价指标的构建南通大学高度重视提高学校的教学质量,将学生网上评教信息、教师同行听课评议以及学院教学3收稿日期:2009年12月13日,修回日期:2010年1月10日基金项目:南通大学教学研究课题重点项目(编号:2007A47资助。作者简介:袁莺楹,女,硕士研究生,研究方向:医学信息学。刘红梅,女,博士研究生,副教授,研究方向:工程管理。2010年第5期计算机与数字工程17督导的听课评分等相结合,对教师的教学质量进行总体的评价,从而引导教师更好的反思和改进教学工作。本文以南通大学学生评

7、教的指标体系为依据,在学院进行教学质量评价的基础上,建立了基于BP 神经网络的教学质量评价模型,旨在克服人为评价的主观随意性,使评价更加准确、公平、客观。这里选取建筑工程学院学生的评教数据,将学生对任课教师的8项评教指标的评分进行归一化处理,作为网络的输入数据,这8项评教指标分别为:1教师师德、教学态度;2课程教学质量与效果;3任课教师掌握学科知识、驾驭课堂教学水平和能力的评价;4对任课教师课堂教学表达能力;5任课教师教学方式、方法选择运用情况;6任课教师布置、批阅作业、课后答疑情况;7任课教师维护课堂纪律、严格管理情况;8任课教师选择使用多媒体手段辅助教学情况;将教师间互相听课评议以及学院领

8、导督导听课评分的综合评价作为教学质量的评价值,即网络的输出指标。 3BP 神经网络的算法及基本步骤BP (Back Propagation 反向传播网络是一种按误差反向传播算法训练的多层前馈网络,具有非线性映射能力、泛化能力、容错能力,是目前应用最广泛的人工神经网络模型之一4。BP 网络的学习规则是使用最速下降法,通过反向传播来不断调整网络权值,使网络误差平方和最小5。建立教学质量评价模型时,首先我们选取具有代表性的教学质量评价指标作为输入信息由输入层传入,经隐含层处理后,传向输出层。若输出层的实际输出与期望输出不符,则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐含层向输入层逐

9、层反传,将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程是周而复始地进行的,一直进行到找到最佳权值使网络输出的误差减少到预定的最小误差为止。然后将新样本输入到已经训练好的网络,就可以得到相应的输出值。3.1初始化对权值矩阵V 、W 赋随机值,学习率设为01间的小数,并设定一个网络训练后达到的精度E min 。3.2正向输入传播输入训练样本X p =(x 1,x 2,x n ,p 为样本队的序号,x 1,x 2,x n 表示教学质量评价的n 个指标。隐含层输出向量Y =(y 1,y 2,y m ,输出层

10、输出向量O 即为最终评价,期望输出评价设为d p 。对于隐含层:y j =f 1(net j ,net j =ni =0vij x i,j =1,2,m ,其中f 1为输入层传递函数,v ij 表示输入层第i 个神经元到隐含层第j 个神经元的权值。对于输出层:O =f 2(net ,net =mj =0wjy j ,其中f 2为隐含层传递函数,w j 表示隐含层第j 个神经元到输出层神经元的权值。3.3反向传播误差选取均方误差(E mse =1ppp =1(op-d p 2来计算网络的输出误差,通过更新权值使输出误差不断减小。分别定义输出层和隐含层的误差信号0、y j 来调整权值:0=(d -

11、O f 2(net ,y j =0w j f 1(net j 4w j =-5E 5w j =0y jv ij =-5E 5v ij=yj x i其中表示学习率。3.4反复训练,直至训练停止对所有样本进行训练,并检查总误差,若总误差达到精度要求即停止训练,否则重复训练直至E ;E min 。4基于B P 神经网络的教学质量评价模型的设计4.1输入层的设计输入层仅设一层,输入神经元的个数与输入变量个数一致,这里将学生评教8项指标的评分进行归一化处理后作为网络的输入,输入层神经元个数n =8。4.2输出层的设计输入层也设一层,输出层的神经元个数与希望得到的控制变量数目相等,这里输出层是教学质量的总

12、评价值,输出层神经元个数为l =1。4.3隐含层的设计理论证明,单隐含层的BP 神经网络可以映射所有的连续函数5,因此这里我们选用1个隐含层的3层BP 神经网络。由于隐含层节点数太多或太少都会影响网络获取信息的能力和泛化能力以及网络的训练时间,因此对隐含层神经元个数的确定,我们结合实际采用试凑法来确定网络的最佳隐18袁莺楹等:高校教学质量评价的BP 神经网络模型第38卷节点数,公式如下:m =n +l +m =log 2nm =nl6其中m 为隐节点数;n 为输入节点数;l 为输出节点数;为110间的常数。经过多次反复训练,发现当隐含层神经元个数为7时,网络的训练速度最快,振荡较小,网络性能较

13、好,因此本设计将隐含层神经元个数定为7。4.4B P 神经网络采用的传递函数及训练方法BP神经网络的传递函数通常采用log 2sigmoid图1BP 神经网络的拓扑结构型函数logsig (、tan 2sigmoid 型双曲正切S 形函数tansig (,有时输出层也采用线性函数p urelin7。本设计的输入层采用tansig 函数,隐含层采用logsig 函数,采用Levenberg 2Mar 2quardt 训练算法,网络拓扑结构如图1所示。5模型的Matlab 仿真和结果基于以上分析建立的学习算法和网络模型,我们用Matlab7.1中的神经网络工具箱(Neural Net 2work

14、Toolbox ,建立三层B P 神经网络(网络结构83731,学习率为0.01,目标误差为0.0001。采 用建筑工程学院教学质量评价中的40组样本数据,选取其中的27组数据作为神经网络训练学习样本,另外13组数据用于对网络模型进行测试。为了使输入指标在整个系统中具有可比性,必须对各指标进行归一化处理,将数据转化到0,1之间,采用的归一化公式为X =I -I min I max -I min8其中,X 为归一化处理的神经网络输入值;I 为未经处理的神经网络输入值;I max 为神经网络输入量的最大值;I min 为神经网络输入量的最小值。具体仿真程序如下:clear all ;P =xlsr

15、ead (aa.xls ,P ;T =xlsread (aa.xls ,T ;%从excel 文件aa 中读取训练集数据P_test =xlsread (aa.xls ,P_test ;%网络测试数据T_test =xlsread (aa.xls ,T_test ;%实际的专家评价threshold =01;01;01;01;01;01;01;01;net =newff (threshold ,7,1,tansig ,logsig ,trainlm ,le 2arngdm ;%新建BP 神经网络y =1:1:13;figure ;plot (y ,Y 2T_test ,k ;%画误差图hold

16、 off ;xlabel (样本序号;ylabel (误差;TRAINL M ,Epoch 0/1000,MSE 0.0809618/0.0001,Gradient 5.3559/1e 2010TRAINL M ,Epoch 25/1000,MSE 0.000512644/0.0001,Gradient 0.0391721/1e 2010TRAINL M ,Epoch 30/1000,MSE 5.41902e 2005/0.0001,Gradient 0.208529/1e 2010TRAINL M,Performance goal met.图2测试样本的误差曲线网络经过30次循环,达到训练精

17、度,然后用后13个样本的测试数据来测试网络的预测性能,预测误差曲线如图2所示,结果比较满意。最后将神经网络系统的预测数据和专家评价的数据反归一化处理后列出相比较(如表1,可看出测试结果与专家评价的误差绝对值范围在0.06%3%之间,仿真评价的结果与专家评价的结果非常接近,说明模型具有良好的容错性和泛化能力。表1网络预测值与专家评价值的比较测试样本10.560.430.280.570.06结语高校教学质量评价是一个复杂的非线性问题,输入与输出之间具有很多的不确定因素。BP 神经网络模型能克服各种人为主观因素影响,以其高度(下转第63页2010年第5期计算机

18、与数字工程635结语本文完成了多频段无线传感器网络实验平台的构建。实验结果表明,各子网均能顺利地将采集的数据传输给PC端,PC端能对各子网下达指令使其完成相关操作。最后还在PC端对接收到的网络数据包进行分析处理。经过实际使用,证明了该实验平台完全能够胜任一般无线传感器网络实验的要求,对于验证各种无线传感器网络理论算法和模拟实际应用都具有十分重要的实用价值。参考文献1孙利民,李建中,陈渝,等.无线传感器网络M.北京:清华大学出版社,20052I. F.Akyildiz,W.Su,Y.Sankarasubramaniam,etal.Wireless sensor networks:a survey

19、J.Communi2 cations Magazine,IEEE,20023Tian He,et al.VigilNet:An Integrated Sensor Net2work System for Energy2Efficient Surveillance.ACM Trans.Sensor Networks,20064李哓维,徐勇军,任丰原.无线传感器网络技术M.北京:北京理工大学出版社,20075Phil Levis.TinyOS ProgrammingEB/OL.www.tin26David Patnode,Joseph Dunne,Aleksander Mahowski,et al

20、.WISEN ET2TinyOS Based Wireless Network of SensorsR.Department of Electrical and Computer Engineering Bradley University,Peoria,Illinois61625, USA7David G ay,Phil Levis,David Culler.Soft ware designPatten for Tiny OS,Process dings of the2005ACM SIGPL AN/SIG B ED conference on Languages,compil2 ers,a

21、nd tools for embedded systems8Phil Levis,Nelson Lee.TOSSIM:A Simulator for Ti2nyOS NetworksC/In proceedings of the First ACM Conference on Embedded Networked Sensor Systems (SenSys,20039Gay,Levis,et al.The nesC Language:A Holistic Ap2proach to Network Embedded SystemsC/To appear in Proceedings of Programming Language Design and Implemen