基于BP神经网络的高校教师科研能力评价模型

基于Ｂ　Ｐ神经网络的教学评价模型构建　

王超　（沈阳体育学院体育信息技术系　辽宁沈阳　１１　０１　Ｏ２）　学术论坛　

摘要：通过对ＢＰ神经网络模型的掏建和算法进行详细阐述，系统地介绍了ＢＰ神经网络理论在教学评价中的应用现状，并给出基于ＢＰ神　经网络的教学评价模型的构建方法。　关键词：ＢＰ　神经网络　教学评价　模型构建　评价方法　中图分类号：ＴＰＩ８３　文献标识码：Ａ　文章编号：１６７２—３７９１（２０１３）０６（ｃ）一０２００—０ｌ　

ＢＰ神经网络是一种单向多层前馈人工　

神经网络模型，可以实现任何复杂的、多因　

素、不确定和非线性的映射关系，是目前应　用最广泛的人工神经网络模型之一。通过　

这种梯度下降算法不断地修正网络各层之　间的连接权值和阎值，从而实现期望输出　

值与实际输出值之间的误差达到最小或者　

小于某一个闽值【－一　。　

本文的研究目标是通过对现有评价指　

标、评价方法的分析，建立有效的教学评价　

模型，并实现相应的网上教学评价系统设　

计。结合ＢＰ神经网络，给出了一种非线性的　教学评价模型，训练好的ＢＰ网络模型根据　

测评数据，就可得到对评价对象的评价结　

果，实现定性与定量的有效结合。　

１　ＢＰ神经网络模型　

（１）输入／输出节点。输入／输出节点是　

与样本直接相关的。根据沈阳工业大学教　学质量评估指标体系，将二级评价指标作　

为模型的输入神经元，因此系统的输入层　

神经元的个数为二级指标的个数。将评价　结果作网络的输出，输出层神经元个数为　

１。　（２）层数。由于ＢＰ网络的功能实际上是　

通过网络输入到网络输出的计算来完成　的，因此隐含层数越多，神经网络学习速度　

就越慢。但是只含有一个隐含层的ＢＰ网络　

就可以逼近任意的非线性函数。因此，本文　

选取结构相对简单的３层ＢＰ网络，即隐含层　只有一个。　

（３）隐含层神经元个数。隐含层单元个　

表１　数与问题的要求以及输入输出单元个数有　

直接的关系。隐层单元过多将会导致神经　

网络训练时间过长、误差不易控制及容错　

第２７卷第１１期　计算机仿真　２０１０年１１月　文章编号：１００６—９３４８（２０１０）１１—０３１４—０５　应用ＢＰ神经网络的教学评价模型及仿真　孙晓玲，王宁，梁艳　（合肥师范学院数学系，安徽合肥２３００６１）　摘要：在教学管理问题的研究中，针对教学质量评价的非线性特征以及教学质量评估体系中存在的诸多非定量的因素，建立　教学质量评价的ＢＰ神经网络模型。评价模型可以根据专家打分对已有评价体系中的主观性因素进行量化，并利用神经网　络的自学习，自适应及非线性逼近能力进行量化评价的计算，较已有的评价体系具有更高的计算效率。利用专家提供的数　据在Ｍａｔｌａｂ软件中对三层ＢＰ神经网络模型进行仿真训练，得到用于评判的神经网络模型。利用ＢＰ神经网络进行教学质　量评价的方法可操作性强，可以克服传统评价方法主观性过强的缺点，同时避免了传统教学质量评价的复杂过程，具有较广　泛的实用性，并为教学质量提供了依据。　关键词：神经网络；模糊综合评判；教学质量评价　中图分类号：ＴＰ２７３＋．４　文献标识码：Ａ　Ａ　Ｍｅｔｈｏｄ　ｏｆ　Ｔｅａｃｈｉｎｇ　Ｑｕａｌｉｔｙ　Ｅｖａｌｕａｔｉｏｎ　Ｍａｋｉｎｇ　Ｕｓｅ　０ｆ　ＢＰ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ　ＳＵＮ　Ｘｉａｏ—ｌｉｎｇ，ＷＡＮＧ　Ｎｉｎｇ，ＬＩＡＮＧ　Ｙａｎ　（Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ｍａｔｈｅｍａｔｉｃｓ，Ｈｅｆｅｉ　Ｎｏｒｍａｌ　Ｕｎｉｖｅｒｓｉｔｙ，Ｈｅｆｅｉ　Ａｎｈｕｉ　２３００６１，Ｃｈｉｎａ）　ＡＢＳＴＲＡＣＴ：Ｃｏｎｓｉｄｅｒｉｎｇ　ｔｈｅ　ｎｏｎｌｉｎｅａｒ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　ｔｅａｃｈｉｎｇ　ｑｕａｌｉｔｙ　ａｎｄ　ｔｈｅ　ｅｘｉｓｔｅｎｃｅ　ｏｆ　ｍａｎｙ　ｎｏｎ—ｑｕａｎｔｉｔａ－　ｔｉｖｅ　ｆａｃｔｏｒｓ　ｉｎ　ｔｈｅ　ｅｖａｌｕａｔｉｏｎ　ｓｙｓｔｅｍ，ａ　ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ｏｆ　ｔｅａｃｈｉｎｇ　ｑｕａｌｉｔｙ　ｅｖａｌｕａｔｉｏｎ　ｈａｓ　ｂｅｅｎ　ｂｕｉｌｔ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ．Ｔｈｅ　ｍｏｄｅｌ　ｃａｎ　ｑｕａｎｔｉ￣ｔｈｅ　ｓｕｂｊｅｃｔｉｖｉｔｙ　ｆａｃｔｏｒ　ｉｎ　ｔｈｅ　ｅｘｉｓｔｉｎｇ　ｅｖａｌｕａｔｉｏｎ　ｓｙｓｔｅｍ　ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅ　ｅｘｐｅａ　ｅｖａｌｕａ—　ｔｉｏｎ．Ｂｙ　ｕｔｉｌｉｚｉｎｇ　ｔｈｅ　ｐｒｏｐｅｒｔｉｅｓ　ｏｆ　ｓｅｌｆ—ｓｔｕｄｙ　ａｎｄ　ｓｅｌｆ—ａｄａｐｔａｔｉｏｎ　ｏｆ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｔｈａｔ　ｃａｎ　ａｐｐｒｏｘｉｍａｔｅ　ａｎｙ　ｎｏｎ—　ｌｉｎｅａｒ　ｃｏｎｔｉｎｕｏｕｓ　ｆｕｎｃｔｉｏｎ，ｔｈｅ　ｍｏｄｅｌ　ｈａｓ　ｃａｌｃｕｌａｔｅｄ　ｑｕａｎｔｉｆｉｅｄ　ｅｖａｌｕａｔｉｏｎ　ａｎｄ　ｈａｓ？ｈｉｇｈｅｒ　ｅｆｆｉｃｉｅｎｃｙ　ｔｈａｎ　ｔｈａｔ　ｏｆ　ｅｘ—　ｉｓｔｉｎｇ　ｅｖａｌｕａｔｉｏｎ　ｓｙｓｔｅｍ．Ｔｈｅ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ｕｓｅｄ　ｔｏ　ｅｖａｌｕａｔｉｏｎ　ｃａｎ　ｂｅ　ｏｂｔａｉｎｅｄ　ｂｙ　ｕｔｉｌｉｚｉｎｇ　ｔｈｅ　ｄａｔａ　ｐｒｏｖｉｄｅｄ　ｂｙ　ｅｘｐｅｒｔｓ．Ｔｈｅ　ｔｈｒｅｅ—ｌａｙｅｒ　ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ｉｓ　ｔｒａｉｎｉｎｇ　ｗｉｔｈ　ｔｈｅ　Ｍａｔｌａｂ　ｓｏｆｔｗａｒｅ．Ｔｈｅ　ｍｅｔｈｏｄ　ｏｆ　ａｐｐｌｙｉｎｇ　ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｔｏ　ｔｅａｃｈｉｎｇ　ｑｕａｌｉｔｙ　ｅｖａｌｕａｔｉｏｎ　ｃａｎ　ｏｖｅｒｃｏｍｅ　ｓｕｂｊｅｃｔｉｖｅ　ｆａｃｔｏｒｓ　ｉｎ　ｔｈｅ　ｐｒｏｃｅｓｓ　ｏｆ　ｅｘｐｅｒｔ　ａｓｓｅｓｓｍｅｎｔ，　ａｖｏｉｄ　ｃｏｍｐｌｅｘ　ｐｒｏｃｅｓｓ　ｏｆ　ｔｒａｄｉｔｉｏｎａｌ　ｔｅａｃｈｉｎｇ　ｑｕａｌｉｔｙ　ｅｖａｌｕａｔｉｏｎ　ａｎｄ　ａｌｓｏ　ｈａｖｅ　ｂｒｏａｄ　ａｐｐｌｉｃａｂｉｌｉｔｙ．Ｍｏｒｅｏｖｅｒ，ｔｈｅ　ｏｐｅｒ—　ａｂｉｌｉｔｙ　ｏｆ　ｔｈｅ　ｍｅｔｈｏｄ　ｉｓ　ｓｔｒｏｎｇ．　ＫＥＹＷＯＲＤＳ：Ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ；Ｆｕｚｚｙ　ｃｏｍｐｌｅｘ　ｊｕｄｇｍｅｎｔ；Ｔｅａｃｈｉｎｇ　ｑｕａｌｉｔｙ　ｅｖａｌｕａｔｉｏｎ　１　引言　教学质量评估是高等学校教学管理中的重要环节，其根　本目的是掌握高校教师的实际教学能力和教学水平，促进教　师自我提高和自我完善，激励和促进教师按照培养目标的要　求，遵循教学规律和教学原则，提高教学质量，培养合格人　才，优化师资队伍。　教学质量评估的成败在于如何科学地、真实地、公正全　基金项目：安徽省高等学校省级自然科学研究项目（ＫＪ２００９Ｂ１４８Ｚ，　ＫＪ２００８Ｂ１０９ＺＣ）；安徽省高校青年教师资助计划项目基金　（２００８ＪＱＷ１１２４）；安徽省高等学校优秀青年人才基金项目　（２００９ＳＱＲＺ１５７，２００９ＳＱＲＺ１５６）　收稿日期：２００９—０７—２１修回日期２００９—１０—１９　—３１４一　面地评估高校授课教师教学工作的实际水平。影响教学质　量的因素很多，各因素的影响程度也不尽相同，因此，评价结　果很难用一个数学解析式来表示。它是属于非线性的分类　问题，这就给综合评价带来了较大的困难。传统的评价方法　多是采用直接建立评价系统的数学模型，如层次分析法、聚　类分析、灰色系统、模糊综合评判法等，但这些方法在评估　过程中难以排除各种随机性和主观性，易造成评价结果失真　和偏差。为了克服人为的主观随意性，使得评估结果更加　准确有效。通过寻找合适的评价体系中的输入和输出的数　学关系，建立一个合理的、科学的数学模型，将对教学质量的　评估有着重要的意义。　

中国科教创新导刊I科教研究中国科教创新导刊2008NO.29ChinaEducationInnovationHerald所谓教学质量评价,就是利用教育评价的理论和技术对教学过程及其结果是否达到一定质量要求所做出的价值判断。目的是促进教学质量不断提高和对被评价对象作出某种资格的证明[1,2]。由于教学是综合了教与学的动态过程,影响教学质量的因素很多,加上这些因素的影响程度也不尽相同,因此,评价的结果很难用一个精确的数学解析式来表示,它是属于非线性的分类问题,这就给综合评价带来了很大的困难。在以往的评价体系中,多是采用直接建立评价系统的数学模型,如层次分析法、聚类分析、灰色系统、模糊综合评判法等,但这些方法在评估过程中难以排除各种随机性和主观性,易造成评价结果失真和偏差。基于教学质量评价的非线性特征,为了克服人为的主观随意性,使得评估结果更加准确有效,本文利用神经网络理论建立教学质量评价模型,由于BP神经网络自学习、自适应能力非常强大,能充分利用样本信息和数据,通过高度的非线性映射,能从根本上克服教学质量评价过程中建模与求解的困难,具有时间短、速度快、准确度高等优点,是进行教学质量评价的有效方法[3]。１院系教学质量评价指标体系的建立根据院系教学质量评价自身的特点,遵循目的性、全面性、可行性、稳定性等评价原则构建了如下的院系教学质量评价指标体系,其中包括5个一级指标,15个二级指标和31个三级指标[4]。该指标体系较全面的反映了院系教学质量的影响因素,且各影响因素都能进行量化处理,其中各指标权重通过专家调查法和AHP法得到。２基于BP神经网络的院系教学质量评价２.1BP神经网络方法介绍BP网络是一种单向传播的多层前向网络,是一种具有三层或三层以上的神经网络,包括输入层、中间层(隐层)、输出层。上下层之间实现全连接,而每层神经元之间无连接。BP网络的传递函数要求必须是可微的,常用的有Sigmoid型的对数、正切函数或线性函数。由于传递函数是处处可微的,所以对于BP网络来说,一方面,所划分的区域不再是一个线性划分,而是由一个非线性超平面组成的区域,它是比较光滑的曲面,因而它的分类比线性划分更加精确,容错性也比线性划分更好;另一方面,网络可以严格采用梯度下降法进行学习,权值修正的解析式十分明确。２.2BP神经网络综合评价模型２.2.1BP神经网络结构设计BP网络的结构设计包括指定神经网络的层数、每层的神经元个数及所使用的传递函数。根据上述的院系教学质量评价指标体系的构成,BP网络设计为:①输入层,将院系教学质量评价指标体系的二级指标数作为输入层神经元数,即15个。②隐含层,隐含层神经元数目的选取关系到整个BP网络的精确度和学习效率,要两者兼顾,但目

思政教育　

浅谈基于ＢＰ神经网络的高校　

网络思想政治教育实效性评价　

马海艳　

（上海医疗器械高等专科学校　上海２Ｏ００９３）　

中图分类号：Ｇ６４１　文献标识码：Ａ　文章编号：１６７２—７８９４（２０１３）３１—００１２—０２　

摘要　网络思想政治教育的实效性评价是一个多因素多　变量的问题，因此对其实效性进行评估至今仍是一个难题。　本研究首次尝试运用ＢＰ神经网络建模来进行高校网络思　

想政治教育实效性评价研究，希望为将来开展更多网络思　想政治教育实效性评价提供借鉴思路。　关键词网络思想政治教育ＢＰ神经网络实效性评价　

Ａ　Ｂ—ｅｔ　Ｄｉｓｃｕｓｓｉｏｎ　ｏｎ　ｔｈｅ　Ｅ仃ｅｃｔｉｖｅｎｅｓｓ　Ｅｖａｌｕａｔｉｏｎ　ｏｆ　Ｃｏｌｌｅｇｅ　Ｎｅｔｗｏｒｋ　Ｉｄｅｏｌｏｇｉｃａｌ　ａｎｄ　Ｐｏｌｉｔｉｃａｌ　Ｅｄｕｃａｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　ｔｈｅ　ＢＰ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ／／ＭａＨａ　ａｎ　

Ａｂｓｔｒａｃｔ　Ｔｈｅ　ｅｆｆｅｃｔｉｖｅｎｅｓｓ　ｅｖａｌｕａｔｉｏｎ　ｏｆ　ｎｅｔｗｏｒｋ　ｉｄｅｏｌｏｇｉｃａｌ　ａｎｄ　

ｐｏｌｉｔｉｃａｌ　ｅｄｕｃａｔｉｏｎ　ｉｓ　ａ　ｍｕｈｉｆａｃｔｏｒｉａｌ　ａｎｄ　ｍｕｌｔｉｖａｒｉａｔｅ　ｉｓｓｕｅ，　ｍａｋｉｎｇ　ｉｔ　ｓｔｉｌｌ　ａ　ｄ瑚ｃｕｌｔ　ｐｒｏｂｌｅｍ．Ｔｈｉｓ　ｓｔｕｄｙ　ｉｓ　ｔｈｅ　ｆｉｒｓｔ　ａｔｔｅｍｐｔ　ｔｏ　ｕｓｅ　ｔｈｅ　ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ｆｏｒ　ｓｔｕｄｙｉｎｇ　ｔｌｌｅ　ｅｆｆｅｃｔｉｖｅｎｅｓｓ　ｅ—　ｖａｌｕａｔｉｏｎ　ｏｆ　ｃｏｌｌｅｇｅ　ｎｅｔｗｏｒｋ　ｉｄｅｏｌｏｇｉｃａｌ　ａｎｄ　ｐｏｌｉｔｉｃａｌ　ｅｄｕｃａｔｉｏｎ，　ｈｏｐｉｎｇ　ｔｏ　ｐｒｏｖｉｄｅ　ｒｅｆｅｒｅｎｃｅｓ　ｆｏｒ　ｍｏｒｅ　ｅｆｆｅｃｔｉｖａｎｅｓａ　ａｖｎｔ￣ａｔｉｏｎｓ　ｏｆ　ｎｅｔｗｏｒｋ　ｉｄｅｏｌｏｇｉｃａｌ　ａｎｄ　ｐｏｌｉｔｉｃａｌ　ｅｄｕｃａｔｉｏｎ　ｉｎ　ｔｈｅ　ｆｕｔｕｒｅ，　Ｋｅｙ　ｗｏｒｄｓ　ｎｅｔｗｏｒｋ　ｉｄｅｏｌｏｇｉｃａｌ　ａｎｄ　ｐｏｌｉｔｉｃａｌ　ｅｄｕｃａｔｉｏｎｌｔｈｔ￣ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ；ｅｆｆｅｃｔｉｖｅｎｅｓｓ　ｅｖａｌｕａｔｉｏｎ