基于BP神經網絡的軍校課堂教學質量評價模型

宋端超+聞傳花+王行自

摘 要：本文以軍校課堂教學質量評價為研究對象，在建立軍校課堂教學質量評價指標體系的基礎上，構建了一種基于BP神經網絡的軍校課堂教學質量評價模型。運用Matlab神經網絡工具箱進行實例驗證，并利用采集的樣本數據對網絡進行訓練、優化和測試分析。實例證明該模型可用于軍校課堂教學質量評價活動，依據給定的各評價指標可較科學、合理地確定課堂教學質量。

關鍵詞：BP神經網絡；課堂教學質量；評價模型；Matlab

中圖分類號：G712 文獻標識碼：A

軍隊院校是培養軍事人才的主陣地。課堂教學是人才培養的重要方式，課堂教學質量是人才培養質量的關鍵所在，建立科學的軍校課堂教學質量評價系統是加強軍校課堂教學質量管理和提高軍校課堂教學質量的重要舉措。由于課堂教學質量評價結果與教員職稱評定、課酬獎勵和成長進步等工作掛鉤，所以亟需解決課堂教學質量評價的客觀性、公平性問題。但是影響課堂教學質量的因素非常多，且各因素影響的程度各不相同，所以課堂教學質量評價是一個多因素、多變量、復雜的、模糊的非線性過程。目前，從各院校課堂教學質量評價方法上看，很多院校采用了絕對評估法、相對評估法、評等法、評語法、寫實法和綜合評分法等定性評價方法。這些方法不可避免地受到評價專家主觀因素的影響，同時難以實現各評價指標和課堂教學質量之間的非線性關系，所以評價結果難以真實地反映課堂教學質量狀況。如何構建一套科學有效的、可操作性強的課堂教學質量評價系統成為教學管理部門亟需解決的難題。

近年來，許多專家嘗試將BP神經網絡應用于教學質量評價中。BP神經網絡（BPN，Back-Propagation Network）即誤差反向傳播神經網絡，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡之一。BP神經網絡能學習和存貯大量的輸入——輸出模式映射關系，且無需事前揭示描述這種映射關系的數學方程。它的學習過程是從已有數據中自動地歸納規則，獲得這些數據的內在規律，同時運用梯度下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差達到可接受范圍。BP神經網絡具有很強的非線性映射能力，非常適用于因果關系復雜的非線性映射問題，主要用于函數逼近、模式識別、分類和數據壓縮。

本文首先根據某軍校教學督導的內容，結合影響教學質量的諸多因素，經梳理后建立了教學質量評價指標體系；然后構建了基于BP神經網絡的軍校課堂教學質量評價模型，著重描述了運用Matlab神經網絡工具箱對模型網絡進行訓練的過程；樣本數據測試的滿意結果表明，此模型可以作為確定課堂教學質量評價結果的科學方法。

一、軍校課堂教學質量評價指標體系

（一）科學建立軍校課堂教學質量評價指標體系

確定一套科學合理、客觀公正的教學評價指標體系是進行軍校課堂教學質量評價的第一步。根據某軍校教學督導組督導教學的內容，結合梳理分析調查問卷中影響教學質量的諸多因素，構建了教學質量評價指標體系（見表1），體系包括教學理念、教學設計、教學內容、教學方法和教學手段5個一級評價指標，每個一級指標下設有3個二級指標。

（二）軍校課堂教學質量評價指標

為了評價課堂教學質量，教學督導專家通常對教學理念、教學設計、教學內容、教學方法和教學手段下設的15個二級指標進行評價，分別標記為x1至x15。隨機選取教學督導專家對12名教員的課堂教學質量評價結果，通過整理得到評價結果（見表2），其中前10組數據作為樣本集，第11、12組數據作為測試實例。分析評價結果可知課堂教學質量與各評價指標之間為非線性關系。

二、基于BP神經網絡的軍校課堂教學質量評價模型

（一）課堂教學質量評價模型的構建

BP神經網絡一般由輸入層、隱層和輸出層組成，各層間實行全連接。根據實際需要，隱層可以是一層也可以是多層。在本文的課堂教學質量評價模型中，選擇隱層為1層。

根據建立的教學質量評價指標體系可知，一共有15個二級評價指標，可將這15個指標作為模型的輸入，所以輸入層神經元個數l= 15。

網絡的輸出只有教學質量評價結果1個指標，所以輸出層神經元個數n=1。

隱層神經元個數的確定方法一直是眾多學者研究的問題，隱層神經元個數過少，網絡容錯性差，很難識別出樣本，可能訓練不出網絡；隱層神經元個數過多，網絡的訓練時間過長，同時網絡泛化能力會隨之降低。對于如何確定隱層神經元個數，目前還沒有一個公認的解決方案，在總結大量BP神經網絡結構設計的基礎上，并經過自己的實驗驗證，得出隱層神經元個數m的一種估算方法為：

式1中l代表輸入層的神經元個數，n表示輸出層的神經元個數，q代表訓練樣本個數。此網絡中l=15，n=1，q=10，最后可求得隱層神經元個數m=9。

由以上分析可知，課堂教學質量評價模型的結構見圖1。

（二）課堂教學質量評價模型的學習

BP神經網絡的學習過程由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，根據信息變換能力的需求，中間層可以設計為單隱層或者多隱層結構；最后一個隱層傳遞到輸出層各神經元的信息，經進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播過程和誤差反向傳播過程，是各層權值不斷調整的過程，也是BP神經網絡學習訓練的過程，此過程一直進行到網絡輸出的誤差減小到可以接受的程度或者預先設定的學習次數為止，此時可認為BP神經網絡獲得了一組最佳權值。endprint

用Matlab中的newff函數建立BP神經網絡結構。在訓練之前，需要設置神經網絡的參數，隱層神經元的傳遞函數調用logsig函數，輸出層神經元的傳遞函數調用purelin函數，調用traingdx函數對神經網絡進行訓練。經過多次的嘗試，設定學習步長為100，學習率為0.9，最大學習迭代次數為50000次，目標誤差為1×e-5。運用Matlab軟件進行仿真和學習，學習流程見圖2。

由圖3可知，網絡學習迭代3741次達到了目標誤差，此時訓練結束。經過訓練的BP神經網絡，其函數具有了非常好的逼近效果。

（三）課堂教學質量評價模型的測試

基于完成訓練的BP神經網絡，采用測試集中的后2組數據對神經網絡進行測試，檢查網絡輸出評價結果與實際樣本評價結果的誤差。模型輸出結果與督導組的實際數據對比分析如表3所示數據分析可知：最大的相對誤差僅為1.38%，誤差在可接受范圍內，即該模型能夠較為準確地根據各項二級評價指標來確定教學質量評價結果。

三、結論

利用神經網絡的結構特性，提出了基于BP神經網絡的軍校課堂教學質量評價模型，不僅解決了評價的非線性問題，而且不需要建立復雜的數學模型；該模型能有效地克服傳統評價方法的缺陷，可降低指標權重評價中人為因素的影響，實現高精度預測，具有科學、準確、可靠、快速的特點；另外，網絡的訓練樣本越多，輸出精度就會越高。

總之，基于BP神經網絡構建的軍校課堂教學質量評價模型具有很高的應用推廣價值。能科學準確地評價教學質量水平；模型應用方便，在以后的應用中只要對二級指標進行評分，并將評分值輸入訓練好的BP神經網絡，就可得到客觀、合理的評價結果，為軍校課堂教學質量評價系統的研究提供了有益參考。

參考文獻

[1]王尚順，盧玲.軍校教學質量評估系統的設計與實現[J].武警工程大學學報，2015（2）.

[2]徐玉志，胡永生.軍隊初級任職教育教學質量BP神經網絡管理評價模型[J].軍事交通學院學報，2015（2）.

[3]汪旭暉，黃飛華.基于BP神經網絡的教學質量評價模型及應用[J].高等工程教育研究，2007（5）.

[4]王彥群，張樹艷.基于BP神經網絡的優質課評價模型研究[J].電子測試，2016（4）.

[5]蔡會娟.基于AHP和BP神經網絡的高校研究生綜合素質評價研究[D].河南師范大學，2014.

[6]鄂媛媛，霍天強.基于BP神經網絡的實踐教學質量評價模型研究[J].實驗室科學，2009（5）.

[7]桂現才.BP神經網絡在MATLAB上的實現與應用[J].湛江師范學院學報，2004（3）.

[8]左國平，謝紅艷，邱小平，于濤，宋碧英.基于神經網絡的高校教師課堂教學質量評價[J].中國現代教育裝備，2011（3）.

[9]蘇義鑫，魏毅然.基于BP神經網絡的教學質量評估系統研究[J].電子元器件應用，2009（5）.

[10]王春媛.BP神經網絡在高職實踐教學質量評價中的應用[J].科技信息，2009（17）.

[11]余文利.基于遺傳算法的BP神經網絡在高職教學質量評估中的應用[J].計算機系統應用，2008（12）.

[12]劉彩紅，唐萬梅.基于組合神經網絡的教師評價模型研究[J].重慶師范大學學報（自然科學版），2008（4）.

[13]易少軍，李學遷，鄒玲.基于BP神經網絡的高職教育教學質量評價[J].中國教育信息化，2007（7）.endprint