基于BP神經網絡的教學評價模型構建

摘 要：通過對BP神經網絡模型的構建和算法進行詳細闡述，系統地介紹了BP神經網絡理論在教學評價中的應用現狀，并給出基于BP神經網絡的教學評價模型的構建方法。

關鍵詞：BP 神經網絡 教學評價 模型構建 評價方法

中圖分類號：TP183 文獻標識碼：A 文章編號：1672-3791（2013）06（c）-0200-01

BP神經網絡是一種單向多層前饋人工神經網絡模型，可以實現任何復雜的、多因素、不確定和非線性的映射關系，是目前應用最廣泛的人工神經網絡模型之一。通過這種梯度下降算法不斷地修正網絡各層之間的連接權值和閾值，從而實現期望輸出值與實際輸出值之間的誤差達到最小或者小于某一個閾值[1～2]。

本文的研究目標是通過對現有評價指標、評價方法的分析，建立有效的教學評價模型，并實現相應的網上教學評價系統設計。結合BP神經網絡，給出了一種非線性的教學評價模型，訓練好的BP網絡模型根據測評數據，就可得到對評價對象的評價結果，實現定性與定量的有效結合。

1 BP神經網絡模型

（1）輸入/輸出節點。輸入/輸出節點是與樣本直接相關的。根據沈陽工業大學教學質量評估指標體系，將二級評價指標作為模型的輸入神經元，因此系統的輸入層神經元的個數為二級指標的個數。將評價結果作網絡的輸出，輸出層神經元個數為1。

（2）層數。由于BP網絡的功能實際上是通過網絡輸入到網絡輸出的計算來完成的，因此隱含層數越多，神經網絡學習速度就越慢。但是只含有一個隱含層的BP網絡就可以逼近任意的非線性函數。因此，本文選取結構相對簡單的3層BP網絡，即隱含層只有一個。

（3）隱含層神經元個數。隱含層單元個數與問題的要求以及輸入輸出單元個數有直接的關系。隱層單元過多將會導致神經網絡訓練時間過長、誤差不易控制及容錯性差等問題。本文采用公式2.1計算得出隱含層神經元個數。

4）激活函數 BP網絡的非線性逼近能力是通過S型的激活函數來體現出來的，所以隱含層中一般采用S型的激活函數，輸出層的激活函數可以采用線性或S型[3]。S型激活函數為

該函數值在[-1，1]范圍內變化很劇烈，而超出這個范圍即處于不靈敏區，變化則相當平緩。因此為使得進入不靈敏區的誤差函數有所改變，迅速退出不靈敏區，保證訓練網絡的快速性，盡可能使所有輸入值都在靈敏變化段中，一般需在該公式中引進參數。本文的神經網絡算法即在此部分進行改進。

2 基于BP神經網絡的教學評價模型構建

本文由公式2.1計算得出隱含層節點數為4（這里考慮了下述16個指標可以分為4組）。（見表1）

3 改進的BP神經網絡算法描述

網絡的拓撲結構和訓練數據確定之后，總誤差函數E的性質特征就完全由激活函數f決定了。改進激活函數，可以改變誤差曲面，盡量減少局部極小值的可能性。BP算法的激活函數一般為sigmoid型函數，即。

改進的BP算法是對標準的S型函數引入新的參數，則函數變為，其中系數決定著S型函數的壓縮程度。該非線性函數滿足如下兩個條件：一是連續光滑且具有單調性；二是定義域為，值域為，故符合激活函數要求。而且它使得激活函數曲線變得平坦，方便在或時，避開局部極小，因此該函數具有更好的函數逼近能力以及容錯能力。

4 仿真計算與分析

以學生評教數據為輸入值，專家評教數據為期望輸出值，采用上述算法在Matlab下設計仿真程序對BP模型進行辨識，輸入層、隱含層和輸出層的結點數分別為16×4×1，激活函數采用變化的S型，學習率=0.99。

通過沈陽某大學教務處所提供的數據進行實驗，采用10組樣本進行網絡訓練，并對10位教師進行測評。10樣本的評價目標和神經網絡辨識分別為差（21.93），及格（44.64），及格（46.94），中（59.87），中（59.11），中（62.35），中（59.83），良（78.93），良（79.56），優（99.12）。結果顯示，BP模型對評估的模擬結果比較精確，對整個考核的排序十分有用。因此該模型能較為準確地根據各評價指標來確定教學效果。

5 結論

結合國家高等教育的政策導向以及學校實際，建立了一個基于BP神經網絡建立了教學評價模型，引用具有更好函數逼近以及容錯能力的改進的BP學習算法，確定指標體系的權重，使評價結果科學合理。

參考文獻

[1]王智鋼.基于ASP.NET技術的網絡教學評價系統的開發[J].金陵科技學院學報，2006，22（1）：27-30.

[2]孫曉玲，王寧，梁艷.應用BP神經網絡的教學評價模型及仿真[J].計算機仿真，2010，27（11）：314-318.