神經網絡在中職教師綜合考評中的應用

人工神經網絡是信息科學與技術研究領域中一門令人矚目的新興學科，它的理論是近年來得到迅速發展的一個國際前沿研究領域。人工神經網絡借鑒了神經科學的基本成果，它是基于模仿人類大腦的結構和功能而構成的一種信息處理系統，具有廣泛的應用前景。人工神經網絡的基本特征為非線性映射、學習分類和實時優化，因此它為模式識別、非線性分類等研究開辟了新的途徑。我國教師的教學水平問題一直以來都是人們關注的熱點，每個學校每個學期都要對教師進行教育教學水平評估，因此對教師教育教學質量的正確評價也是近年來各個中職學校研究的重要課題。

BP神經網絡的綜合考評模型

1.原理BP(Back Propagation)神經網絡又稱為多層前饋神經網絡。它的主要特點：各層神經元僅與相鄰層神經元之間有連接，各層內神經元之間無任何連接，各層神經元之間無反饋連接，其輸入與輸出關系是一個高度非線性映射關系。因此，我們將用于綜合考評的各指標屬性值進行歸一化處理后作為BP網絡模型的輸入向量，將評價結果作為BP網絡模型的輸出，用足夠多的樣本訓練這個網絡，使其獲取評價專家的經驗、知識、主觀判斷及其對指標重要性的傾向，這樣BP網絡模型所具有的那組權系數值便是網絡經過自適應學習所得到的正確知識內部表示，訓練好的BP網絡模型根據教師綜合考評各指標的屬性值，就可得到綜合考評的評價結果，再現專家的經驗、知識、主觀判斷及其對指標重要性的傾向，實現定性與定量的有效結合，保證評價的客觀性和一致性[1]。

2.綜合考評指標體系的確立。綜合考評就是通過分析影響綜合考評的因素及各因素的影響程度而得出結論和等級，因而從教師教育、教學工作總體角度出發，可以確立以下指標體系（如右圖1）:

根據中職學校教學工作的特點，將教師綜合考評指標體系分為教學質量、學歷職稱、教研教改及學術水平、教書育人等四大板塊共11個指標，分別由：學生測評、教師測評、學校考評委會測評、專業科測評、教師最終學歷、職稱、雙師型教師、教研教改活動、學術水平、教師參與學生課外活動、教師擔任班主任情況組成。每個部分都有嚴格的操作步驟，包含有豐富的內涵，這對促進教師不斷提高自身素質，不斷探索新的、好的教育教學方法，積極參加學校各項教育、教學工作都起到了很好的推動作用。

3.BP神經網絡的綜合考評模型的確立網絡模型結構的選擇是一項十分重要的工作，選擇得好可以減少網絡訓練次數，提高網絡學習精度。

(1)輸入層神經元個數的確定。根據綜合考評指標體系，影響考評結果的主要指標有11項指標，因此取輸入層個數=11；(2)輸出層神經元個數的確定。評價結果作網絡的輸出，因此取輸出層個數=1；(3)網絡隱含層數的確定。隱含層數越多，神經網絡學習速度就越慢，根據Kosmogorov定理，在合理的結構和恰當的權值條件下，3層BP網絡可以逼近任意的連續函數，因此，我們選取結構相對簡單的3層BP網絡；(4)隱含層神經元個數的確定。隱含層神經元個數是根據網絡收斂性能的好壞來確定的，在總結大量網絡結構的基礎上，得出經驗公式:根據以上公式，可以得出隱含層神經元個數=7[2]。(5)神經元轉換函數的確定。BP神經網絡神經元轉換函數，一般均采用型，函數形式為:(6)模型結構的確定。由上述結果可以確定BP神經網絡模型結構如上圖2所示。

BP神經網絡學習算法

BP神經網絡學習算法可歸納描述為:⑴設置變量和參量：=[，，…，]，(=1，2，…，)，為輸入向量，或稱為訓練樣本，為訓練樣本的個數。

，為第n次迭代時輸入層與隱含層之間的權值向量。

，為第次迭代時隱含層與隱含層之間的權值向量。

為第次迭代時隱含層與輸出層之間的權值向量。

為第n次迭代時網絡的實際輸出。

為期望輸出。為學習速率。為迭代次數。

⑵初始化網絡及學習參數，賦給各一個較小的隨機非零值，=0。

⑶隨機輸入樣本。

⑷對輸入樣本，前向計算BP網絡每層神經元的輸入信號和輸出信號。其中。

⑸由期望輸出和上一步求得的實際輸出計算誤差，判斷其是否滿足要求，若滿足轉至8）；不滿足轉至第6）。

⑹判斷是否大于最大迭代次數，若大于轉至8），若不大于，對輸入樣本對樣本，反向計算每層神經元的局部梯度。其中=

⑺按下列計算權值修正量w，并修正權值；n=n+1，轉至4）。

=…，;=1，2，…，

=1，2，…，；

=1，2，…，；

⑻通過迭代計算，達到誤差的允許值。重復以上算法，判斷是否學完所有樣本，直至所有樣本全部訓練結束，神經網絡評價模型建立。

綜合考評神經網絡模型的實現

模型的實現，我們選用高性能的數值計算可視化軟件MATLAB7.0系統，建立三層BP神經網絡，輸入層神經元11

個，輸出層神經元1個，隱含層神經元7個，學習次數為2000次，迭代次數為1000次，初始步長選取0.9，M取值400，動量系數為0.9，允許誤差0.0001[3]，選取20對樣本數據及20對測試數據，采用MATLAB7.0神經網絡工具箱學習訓練網絡，得到神經網絡評價模型。通過對測試數據的驗證，結果比較滿意，符合學校制訂的綜合考核目標，其結果如表1所示。

表1測試結果與評委專家評價結果表

將神經網絡應用于綜合考評中，克服了專家在評價過程中的主觀因素，具有廣泛的適用前景。通過采用變步長算法，大大改善了網絡的收斂速度，提高了學習訓練效率，從而給出較滿意的評價結果。

[1]高雋.人工神經元網絡原理及仿真實例[M].北京:機械工業出版社出版社，2007.

[2]葛哲學，孫志強.神經網絡理論與MATLABR2007實現[M].北京:電子工業出版社，2007.

[3]周開利，康耀紅.神經網絡模型及其MATLAB仿真程序設計[M].2005.

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。