人工神經(jīng)網(wǎng)絡在課堂教學質(zhì)量評價體系中的應用

張保文 沈榮

寧夏大學數(shù)學系，寧夏 銀川 750021

人工神經(jīng)網(wǎng)絡在課堂教學質(zhì)量評價體系中的應用

張保文 沈榮

寧夏大學數(shù)學系，寧夏 銀川 750021

利用人工神經(jīng)網(wǎng)絡方法建立高等學校教師課堂教學質(zhì)量評價模型，并在Matlab系統(tǒng)內(nèi)得以實現(xiàn)。實驗表明，人工神經(jīng)網(wǎng)絡用于教師課堂教學質(zhì)量評價中完全可行。

BP人工神經(jīng)網(wǎng)絡；Matlab；評價

人工神經(jīng)網(wǎng)絡已被用于航空、國防、交通等多種領域 。作為一種強有力的解決工程問題的非經(jīng)典數(shù)學方法，人工神經(jīng)網(wǎng)絡在教師課堂教學質(zhì)量評價中也得到了廣泛的應用 。

1 課堂教學質(zhì)量評價指標體系的確立

表1 任課教師詳細評價表寧夏大學數(shù)學計算機學院

2 基于BP神經(jīng)網(wǎng)絡的課堂教學質(zhì)量評價模型

用三層誤差反向傳播神經(jīng)網(wǎng)絡模型來實現(xiàn)教師課堂教學質(zhì)量評價問題，第一層是輸入層，中間層是隱含層，第三層是輸出層。各層次的神經(jīng)元之間形成全互聯(lián)連接，各層次內(nèi)的神經(jīng)元之間沒有連接。

2.1 輸入層結點個數(shù)的確定：在寧大高校教師本科教學課堂教學質(zhì)量評價中，有三個一級評價指標，14項二級評價指標，針對于每個項目均給出了具體的評價標準。所以這里取輸入層的結點數(shù)等于二級指標的個數(shù)，即輸入層有14個結點（n=14）。

2.2 隱含層結點個數(shù)的確定：

(n其中為輸入結點數(shù)，l為輸出結點數(shù))。

文獻[4]中，當用三層神經(jīng)網(wǎng)絡時，其隱含層神經(jīng)元數(shù)為。在這里，綜合上面兩種文獻確定神經(jīng)元數(shù)的方法，取隱含層神經(jīng)元數(shù)為

這樣，m為[[4，7]間的整數(shù)，再取最大值，所以隱含層節(jié)點數(shù)m=7。

2.3 輸出層結點數(shù)的確定：對于每個學校的最終評價結果，只能為優(yōu)秀、良好、合格、不合格四種結果中的某一種。所以這里取輸出層的結點數(shù)為1，即為評價結果值。整個教師課堂教學質(zhì)量神經(jīng)網(wǎng)絡模型的結構如圖1所示。

圖1 教師課堂教學質(zhì)量神經(jīng)網(wǎng)絡評價模型

3 教師課堂教學質(zhì)量評價在神經(jīng)網(wǎng)絡模型中的實現(xiàn)

BP神經(jīng)網(wǎng)絡評價在MATLAB中的代碼如下：

hold off； %訓練后圖形與誤差曲線如圖2：

圖2

圖3

采用高性能的數(shù)值計算可視化軟件MATLAB，運用其神經(jīng)網(wǎng)絡工具箱學習訓練網(wǎng)絡[5]，其中輸入層神經(jīng)元14個，輸出層神經(jīng)元1個，隱含層7個，允許誤差為0.001經(jīng)過44254次訓練，總誤差函數(shù)精度達到0.000999986＜0.001，即10-3次數(shù)量級，說明精度較高。選取20個樣本數(shù)據(jù)及14個測試數(shù)據(jù)，最后得到神經(jīng)網(wǎng)絡評價模型，效果理想，如圖3所示。

表2 測試樣本結果

從表2中可以看出，結果與實際情況相符，誤差較小，說明構建的神經(jīng)網(wǎng)絡模型效果較好。

因此，輸入學校的各項指標的評價值，根據(jù)上面構造的神經(jīng)網(wǎng)絡模型，計算出的值即為評價結果值。最終評價結果根據(jù)就近度原則來確定屬于哪個檔次。例如神經(jīng)網(wǎng)絡的實際輸出值為0.781412，在四個結果值0.1，0.4， 0.7， 1中，離0.7最近，則認為評價結果為“良好”。

4 結論

本文采用BP人工神經(jīng)網(wǎng)絡模型，并用Matlab仿真系統(tǒng)實現(xiàn)了該模型的運作過程，較好地保證了評價的客觀性。

[1] MartinT.Hagan,Howard V.Demuth,MarkH.Beale.神經(jīng)網(wǎng)絡設計.北京:機械工業(yè)出版社，2002：197～255.

[2] Chunling Fan,Zhihua Jin,Jin Zhang,Weifeng Tian.Application of multisensor data fusion based on RBF neural networks for fault diagnosis of SAMS. Control,Automation,Robotics and Vision,2002. ICARCV 2002.7 International Conference on 2～5 Dec.2002,1557～1562.

[3] Daqi Gan,The optimal number of hide nodes in multilayed feedforward neural network,IEEE,SMC CECA,France,july,1996.

[4] 張立明.人工神經(jīng)網(wǎng)絡模型及其應用.復旦大學出版社，1993.

[5] 葛哲學.神經(jīng)網(wǎng)絡理論與MATLAB2007實現(xiàn).電子工業(yè)出版社，2007.

10.3969/j.issn.1001-8972.2012.08.145

編號：NDZR09-7，NDZR10—72