基于深度信念網(wǎng)絡的高校教育管理模式評價研究

劉靜

(西安工程大學， 高等教育研究所， 陜西， 西安 710048)

0 引言

高校教育管理模式是高校教學管理的核心，國家對教育事業(yè)的重視程度顯著提高，因此對高校教育管理模式評價具有實際意義。當前有許多學者對高校教育管理模式評價進行了研究，取得了不錯的研究成果。但當前評價方法經(jīng)常存在局限性，有學者提出了研究基于大數(shù)據(jù)的評價方法[1]，該方法通過大數(shù)據(jù)技術收集信息作為評價依據(jù)，結合構建全過程評價體系實現(xiàn)評價，但該方法技術要求較高，導致評價效率低，還需要進一步深入研究；有學者提出了基于AHP層次分析法的評價方法[2]，通過該方法構建評價指標體系實現(xiàn)評價，由于該方法計算過程復雜，導致評價效果不佳。

深度信念網(wǎng)絡(DBN)，可提高訓練的效率，在評價方面具有顯著的優(yōu)勢。因此為彌補以往方法的劣勢，本文提出了基于深度信念網(wǎng)絡的高校教育管理模式評價方法，提升高校教育管理模式評價效果，為今后高校教育改革提供新的發(fā)展思路。

1 深度信念網(wǎng)絡的高校教育管理模式評價

1.1 深度信念網(wǎng)絡

受限玻爾茲曼機模型(RBM)包括隱性與顯性神經(jīng)元，受限玻爾茲曼機模型需定義能量函數(shù)后導進相關的概率分布函數(shù)。設在狀態(tài)不變的條件下，能量函數(shù)定義為

(1)

其中，b表示偏置系數(shù)，c表示自身權重，W表示權值，n表示神經(jīng)元數(shù)量。

隱層神經(jīng)元hj被激活的概率為

(2)

隱層神經(jīng)元可激活顯層神經(jīng)元vi，則有

(3)

其中，σ(x)=x·sigmoid(x)。

受限玻爾茲曼機模型各層神經(jīng)元相互獨立，則概率密度為

(4)

隨機數(shù)μ的閾值為0～1，顯層中存在1條數(shù)據(jù)后，為求解各隱層神經(jīng)元被發(fā)現(xiàn)的概率，需通過顯層神經(jīng)元激活，具體如下：

hj=1,P(hj|x)≥μ

hj=0,P(hj|x)<μ

(5)

通過上式得出隱層各神經(jīng)元是否被激活。顯層和隱層求解過程一樣。

由多個RBM堆疊生成DBN模型結構，其模型結構見圖1。

圖1 深度信念網(wǎng)絡模型結構

1.2 深度信念網(wǎng)絡及訓練算法

因高校教育管理模式評價實質(zhì)上是判別分類問題，故可以將深度信念網(wǎng)絡用于高校教育管理模式評價過程中，并主要負責分類[3]。DBN權值參數(shù)訓練學習過程包括：通過RMB實施分層預訓練[4]，再通過BP算法實施調(diào)優(yōu)，詳細過程如下。

Step 1 預處理網(wǎng)絡權值和參數(shù)。利用分歧算法訓練RBM1并保存偏置、權值，RBM2的輸入為RBM1隱含層的輸出，以同樣方式訓練RBM，預處理模型權值。為得出權值參數(shù)的最優(yōu)值，通過無監(jiān)督的貪心逐層訓練算法實現(xiàn)預處理，通過預訓練階段可減少采樣噪聲，但為減小誤差有時需微調(diào)[5]。

Step 2 參數(shù)調(diào)優(yōu)階段。網(wǎng)絡參數(shù)的調(diào)整通過反向傳播算法實現(xiàn)，反向傳播網(wǎng)絡的輸入是預訓練最后RBM的輸出，此時網(wǎng)絡參數(shù)已確定，總體DBN網(wǎng)絡權值參數(shù)調(diào)整，再通過帶標簽的訓練樣本實施調(diào)整至符合條件。反向傳播算法運算過程，設置反向傳播網(wǎng)絡各層處理單元為n個，作用函數(shù)用式(6)描述：

(6)

假設有m個樣本模式(xs,ys)學習集，訓練樣本用s=(1,2,…,m)描述，osj表示單元j的輸出，asj表示輸入綜合，具體為

(7)

假設網(wǎng)絡初始值的取值范圍為0～1，各輸入模式s，此時期望輸出和網(wǎng)絡輸出會存在誤差，網(wǎng)絡誤差如式(8)：

(8)

其中dsj表示第s個輸入模式輸出單元j的期望輸出。

權值w的修正具體如下：

wji(t+1)=wji(t)+ηδsjosj

(9)

為了提升網(wǎng)絡收斂速度，在式(9)中導入學習速率，添加姿態(tài)項到權值修正公式，即：

wji(t+1)=wji(t)+ηδsjosj+a(wji(t)-wji(t-1))

(10)

其中勢態(tài)因子用常數(shù)a描述。

權值更新隨姿態(tài)因子的權值變化，各層權值利用誤差反向傳播實施優(yōu)化[6]。

1.3 基于深度信念網(wǎng)絡的高校教育管理模式評價

按照評價指標構建原則，構建高校教育管理模式評價指標，見圖2。由圖2可知，按照評價指標構建原則，構建高校教育管理模式一二級評價指標，一級指標包括教學管理效果、教學管理隊伍、教學計劃管理、教學基礎建設管理、教學環(huán)節(jié)管理。

圖2 高校教育管理模式評價指標

高校教育管理模式評價可體現(xiàn)高校教學水平的能力，由此構建深度信念網(wǎng)絡的高校教育管理模式評價模型，見圖3。

圖3 深度信念網(wǎng)絡的高校教育管理模式評價模型

為提高深度信念網(wǎng)絡模型泛化和學習能力，通過上面兩步實施參數(shù)分組，先找出各自的相對局部位置[7-8]，依據(jù)局部結果實施全局尋優(yōu)，提升其評價的效果。由圖3可知，將圖2中高校教育管理模式評價指標作為原始指標，輸入深度信念網(wǎng)絡模型中，分別采用基于分歧算法和反向傳播算法對深度信念網(wǎng)絡模型實施預處理和參數(shù)調(diào)優(yōu)處理后，深度信念網(wǎng)絡輸出結果就是高校教育管理模式評價結果。

2 實驗結果與分析

選取某所高校作為實驗對象，對該高校的教育管理模式進行評價，驗證本文方法評價效果。設置高校教育管理模式評價結果分為優(yōu)秀、一般、較差三個級別；評價指標的評分總分為100分，優(yōu)秀為80～100，一般為50～79，較差為0～49。實驗對比方法為文獻[1]的大數(shù)據(jù)評價方法、文獻[2]的AHP評價方法。

本文方法以深度信念網(wǎng)絡作為基礎，構建評價模型，勢態(tài)因子會影響權值更新，在開展實驗之前先要確定在何種勢態(tài)因子之下模型具有較高評價精度，假設勢態(tài)因子取值范圍為4～7，驗證在不同迭代次數(shù)之下，勢態(tài)因子對于模型精度影響，結果見圖4。從圖4能夠看出，隨著迭代次數(shù)增加，各態(tài)勢因子下模型精度不斷提升，當態(tài)勢因子為7時，模型精度最高，由此可以看出，后續(xù)實驗開展時選取態(tài)勢因子為7，能夠保證評價結果具有較高準確性。

圖4 勢態(tài)因子對于模型精度影響

使用本文方法對實驗對象各指標進行評分，結果見圖5。從圖5中能夠直觀看出使用本文方法評價實驗對象后各指標的得分，大多數(shù)指標得分都在80分以上,也就是評價結果為優(yōu)秀，僅有教研室管理與課程標準制定兩個指標在80分以上，也就是評價結果為一般，出現(xiàn)這種評價結果的原因可能是高校對這兩個評價指標存在忽視的問題，按照該評價結果高校可適當調(diào)整現(xiàn)有教育模式。

(a) 二級指標評分結果

通過專家評價等形式獲得各高校評價指標實際教育管理模式的得分，分別使用三種評價方法對高校教育管理模式一級指標實行評價，評價結果與實際評價結果進行對比，結果見圖6。從圖6中能夠看出，使用本文方法對研究對象實行評價，與專家評價的實際結果最為接近，說明針對一級評價指標使用本文評價方法進行評價的結果最為準確。兩種對比方法由于各種因素限制，導致與實際評價結果差別較大。

圖6 評價結果對比

統(tǒng)計三種方法的評價方差，結果見圖7。從圖7中能夠看出，使用本方法評價教育管理模式能夠獲得較小的方差，由此可以進一步看出使用本文方法評價教育管理模式更加具有準確性，兩種對比方法的方差較大，說明運用這兩種對比評價方法無法獲得良好的評價結果。

圖7 評價方差結果對比

分析以往評價研究經(jīng)驗，各類評價方法均存在誤評價的可能性，因此本文研究也需要驗證評價過程中是否出現(xiàn)誤評價情況，結果見圖8。分析圖8可知，使用本文方法評價實驗對象出現(xiàn)較低誤評價率，誤評率不超過1%，從側面證明使用本文方法評價高校教育管理模式時，具有較高的評價準確性。

圖8 高校教育管理模式誤評價結果對比

3 總結

針對高校教育管理模式評價方法比較片面的問題，本文研究基于深度信念網(wǎng)絡的高校教育管理模式評價方法，提升高校教育管理模式評價全面性及效率。通過構建基于受限玻爾茲曼機模型堆疊的深度信念網(wǎng)絡模型，對高校教育管理模式評價指標進行訓練調(diào)優(yōu)后，得出高校教育管理模式評價結果。實驗結果表明，本文方法的高校教育管理模式評價準確性高，可較好實現(xiàn)高校教育管理模式評價。