BP神经网络评价

学 术 论 坛
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 １ １ ０ １ Ｏ ２ ） 摘 要： 通过对Ｂ Ｐ 神经 网络 模型的掏建 和算法进行 详细 阐述 ， 系统地介 绍 了Ｂ Ｐ 神 经网络理论 在教 学评价 中的应 用现状 ， 并给 出基 于Ｂ Ｐ 神 经 网络 的教 学评价 模 型的 构建方 法 。 关键词 ： Ｂ Ｐ 神 经 网络 教 学 评 价 模 型 构 建 评 价 方 法 中 图分 类 号 ： Ｔ Ｐ Ｉ ８ ３ 文献 标 识 码 ： Ａ 文 章编 号 ： １ ６ ７ ２ —３ ７ ９ １ （ ２ ０ １ ３ ） ０ ６ （ ｃ ） 一 ０ ２ ０ ０ — ０ ｌ
相当平缓 。 因 此为 使 得 进 入 不 灵敏 区 的 误
数据 为期望输 出值 ， 采 用 上 述 算 法 在
１ Ｂ Ｐ 神经 网络模 型
与样本直 接相关的 。 根 据 沈 阳 工 业 大 学 教
差 函数 有 所 改 变 ， 迅速退出不灵敏区， 保 证 Ｍａ ｔ ｌ ａ ｂ 下 设 计 仿 真 程 序 对Ｂ Ｐ模 型 进 行 辨
（ １ ） 输 入／ 输 出节 点 。 输入／ 输 出节 点是 训 练 网络 的快 速 性 ， 尽 可 能 使 所 有 输 入 值 识 ， 输入层、 隐含 层和 输 出层 的结 点数 分 别 都 在 灵敏 变化 段 中 ， 一 般 需 在 该 公 式 中 引 为 １ ６ Ｘ ４ Ｘ １， 激 活 函 数 采 用 变化 的Ｓ型 ， 学 学质量评 估指标体 系， 将 二级 评 价 指 标 作 进 参 数 。 本 文 的神 经 网 络 算 法 即在 此部 分 习率 叩＝ ０ ． ９ ９ 。 为模型的输 入神经 元， 因 此 系 统 的 输 入 层 进 行 改 进 。 通过 沈 阳某 大 学 教 务 处 所 提 供 的 数 据 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 ２ 基 于 Ｂ Ｐ 神经网络 的教学评价模型构建 １。 本 文 由 公 式２． １ 计 算 得 出 隐 含 层 节 点 （ ２ ） 层数 。 由于 Ｂ Ｐ网络 的 功 能 实 际 上是 数 为４ （ 这 里 考虑 了下 述 １ ６ ４ － 指 标 可 以 分 为 通 过 网 络 输 入 到 网 络 输 出 的 计 算 来 完 成 ４ 组） 。 （ 见表 １ ） 的， 因 此 隐含 层数 越 多 ， 神 经 网络单 向多 层 前 馈 人工 数 与 问题 的 要 求 以及 输 入 输 出单 元 个数 有 Ｂ Ｐ 算法 的激 活 函数一 般 为ｓ ｉ ｇ ｍｏ ｉ ｄ 型 函数 ， 神 经 网络 模 型 ， 可 以 实现 任 何 复 杂 的 、 多因 直 接的关系。 隐 层 单 元 过 多 将 会 导 致 神 经 即 ｆ （ ｘ ） ＝ １ ／ （ １ ＋ｅ ） 。 素、 不 确 定 和 非 线 性 的映 射 关 系 ， 是 目前 应 网 络 训 练 时 间 过 长 、 误 差 不 易 控 制 及 容 错 改进的Ｂ Ｐ 算法是对标准的ｓ 型 函数 引 用 最 广 泛 的 人 工 神 经 网络 模 型 之 一 。 通 过 性 差等 问题 。 本 文 采 用 公式 ２ ． １ 计算 得 出 隐 入 新 的参 数 ， 则 函数 变 为 ＿ 厂 （ ） ＝ １ ／ （ ｉ ＋ Ａ ｅ ） ， 这种 梯 度 下 降算 法 不 断地 修 正 网络 各 层 之 含 层 神 经 元 个 数 。 其 中 系数 决 定 着Ｓ 型 函数 的压 缩 程 度 。 该 间的连接权值 和阎值 ， 从 而 实 现 期 望 输 出 Ｓ ＝、 ／ ０ ． ４ ３ ｉ ｒ ｍ ＋０ ． １ ２ ｍ ＋２． ５ ４ ｎ＋０． ７ ７ ｍ＋０ ． ３ ５＋０ ． ５ １ 非 线 性 函数 满 足 如 下 两 个 条 件 ： 一 是 连 续 值 与实 际输 出值 之 间的误 差 达 到最 小 或 者 （ １ ） 光 滑 且 具 有 单 调 性 ；二 是 定 义 域 为 小 于某 一 个 闽 值 【 － 一 。 ４ ） 激 活 函数 Ｂ Ｐ网络 的非 线 性逼近 能 力 （ 一 ∞， ＋ ∞） ， 值域为 （ ０ ， １ ） ， 故符合激活函数要 本 文 的 研 究 目标 是 通 过 对 现 有 评 价 指 是 通过 Ｓ型 的激 活 函数 来 体 现 出 来 的 ， 而且 它 使 得 激 活 函数 曲线 变得 平 坦 ， 方 所 以 求 。 标、 评价方法的分析 ， 建立 有 效 的 教 学评 价 隐 含 层 中一 般 采用 ｓ 型的激活函数， 输 出 层 便 在 Ｙ ， ０ 或Ｉ — Ｙ ， ０ 时， 避开局部极 小， 模型 ， 并 实 现 相 应 的 网上 教 学 评价 系 统 设 的激 活 函数 可 以采 用 线 性或 ｓ 型［ ３ 】 。 Ｓ 型激 活 因 此该 函数具 有 更好 的 函数 逼 近 能 力 以 及 计。 结 合Ｂ Ｐ 神经网络， 给 出了 一种 非 线性 的 函 数 为 容错能力。 教 学评 价 模 型 ， 训 练好 的 ＢＰ网络 模 型 根 据 厂 （ ） ＝ １ ／ （ １ ＋ Ｐ ） （ ２ ） 测评数据 ， 就 可 得 到 对 评 价 对 象 的 评 价 结 该 函数 值 在［ 一１ ， １ 】 范 围 内变 化 很剧 烈 ， ４ 仿真计 算与分析 果， 实现 定 性 与 定 量 的 有 效 结 合 。 而 超 出 这 个范 围 即 处 于 不 灵 敏 区 ， 变 化 则 以学 生 评 教 数 据 为输 入 值 ， 专 家 评 教

ｔｏ ｉ ｎ． Ｂｙ ｕｉｉｉ ｈ ｏ ｒｉｓｏ ｅｆ— ｓｕ ｙ ａ ｄ ｓ ｌ ａ ａ ｔｔｏ ｆｎ ｕ ａ ｅｗｏ ｋ ｔ ｔｃ ｎ ａ ｐｒｘ ｍａｅ ａ ｏ — ｔｌｚｎｇ ｔｅ ｐｒｐｅ ｅ ｆｓ ｌ ｔ ｔ ｄ ｎ ｅｆ— ｄ ｐ ａｉｎ ｏ ｅ ｒ ｌｎ ｔ ｒ ｈａ ａ ｐ ｏ ｉ ｔ ｎｙ ｎ ｎ
量 评 价 的 方法 可操 作 性 强 ， 以克 服 传 统 评 价方 法 主 观 性 过强 的缺 点 ， 时避 免 了传 统教 学 质 量 评 价 的 复 杂 过 程 ， 有 较 广 可 同 具 泛 的 实 用 性 ， 为 教 学 质 量提 供 了依 据 。 并 关 键 词 ： 经 网络 ； 糊 综合 评 判 ； 学 质 量评 价 神 模 教
ａ ｏｄ ｃ ｍｐ ｅ ｒｃ ｓ ｆ ｒｄ ｔ ｎ ｌ ｅ ｃ ｉ ｇｑ ａｉ ｖ ｌ ａｉｎ ａ ｄ ａｓ ａ ｅ ｂ ｏ ｄ ａ ｐｉ ａ ｉ ｔ ．Ｍｏ ｅ ｖ ｒ ｈ ｐ ｒ ｖ ｉ ｏ ｌｘｐ ｏ ｅ ｓｏ ａ ｉ ｏ ａ ａ ｈ ｎ ｕ ｔ ｅ ａｕ ｔ ｎ ｌｏｈ ｖ ｒ ａ ｐ ｌ ｂｌ ｙ ｔ ｉ ｔ ｌ ｙ ｏ ｃ ｉ ｒ ｏ ｅ ，ｔ ｅｏ ｅ —
Ｂ ｅ ｒ ｅ ｏｋｔ ｔａｈｎ ｕ ｌｙｅａ ａ ｏ ａ ｖ ｒ ｍ ｕ ｊｃ ｖ ｃ ｒ ｉ ｅｐ ｏｅ ｓ ｆ ｘ ｅ ｓ ｓｍ ｎ ， Ｐ ｎ ｕ ａ ｎ ｔ ｒ ｃ ｉｇｑ ａ ｔ ｖ ｌ ｔ ｎｃ ｎｏ ｅｃ ｅｓｂｅｔ ｅｆ ｔ ｓ ｎｔ ｒ ｓ ｏ ｅ ｐ ｒ ａｓ ｓ ｅ ｔ ｌ ｗ ｏｅ ｉ ｕ ｉ ｏ ｉ ａｏ ｈ ｃ ｔ ｅ
ｌ ｅ ｒｃ ｎｉ ｕ ｕ ｕ ｃｉｎ，ｔ ｅ ｍｏ ｅ ａ ａｃ ｌｔ ｄ ｑ ａ ｔ ｅ ｖ ｌａ ｉｎ ａ ｄ ｈ ｓ ｈ ｇ ｅ ｆ ｃｅ ｃ ｈ ｎ ｔ ａ ｆｅ — ｉ ａ ｏ ｔ ｏ ｓｆｎ ｔ ｎ ｎ ｏ ｈ ｄ ｌｈ ｓｃ ｌ ｕ ａｅ ｕ ｎ ｉ ｄ ｅ ａｕ ｔ ｎ ａ ？ ｉ ｈ ｒｅ ｉ ｎ ｙ ｔａ ｈ ｔ ｘ ｉ ｆ ｏ ｉ ｏ ｉｔ ｇ ｅ ａ ｕ ｔ ｎ ｓ ｓｅ ｓｉ ｖ ａｉ ｙ ｔ ｍ．Ｔ ｅ ｎ ｕ ａ ｅ ｗ ｒ ｄ ｌｕ ｅ ｏ ｅ ａｕ ｔ ｎ ｃ ｎ ｂ ｂａ ｎ ｄ ｂ ｔ ｉｉｇ ｔ ｅ ｄ ｔ ｒ ｖｄ ｄ ｎ ｌ ｏ ｈ ｅ ｒ ｌ ｔ ｏ ｋ ｍｏ ｅ ｓ ｄ ｔ ｖ ｌａ ｉ ａ ｅ ｏ ｔｉ ｅ ｙ ｕ ｉ ｚｎ ｈ ａａ ｐ ｏ ｉｅ ｎ ｏ ｌ

（ ｈ ａＵ ｉｒｔ Ｃ／ ｎｖｓｙｏ ｎ ｇａｄＴｃｎｌ ｇ Ｘ ｚｏ ，Ｊ ￣ｓ ２ １６ ｎ ｅ ｉ ｆＭｉｎ ｅ ｏ ｙ ｕｈｕ ｉ ｇｕ２ １１） ｉ ｎ ｈ ｏ ａ
Ａｂ ｔ ａ ｔ Ｔ ｏ ｖ ｈ ｉ ｉｕ ｔ ｓｏ ｒｉ ｃａ ａ ｔｒ ｎ ｕａ ｔ ｌ ｇｗ ｅ ｒ ｄｔ ｎ ｌ ｘ ｅ ｉｎ ｅ—ｂ ｓ ｄ ｍｅ ｏ ｒ ｓ ｄ ｉ ｓ ｓ ｅ ｓ ｎ ・ ｓ ｒ ｃ ｏ ｓ ｌｅ ｔ ｅ ｄｆ ｃ ｌ ｅ ｆ ｔ ｉ ｆｃｏ ｓａ ｄ ｑ ｎｉ ｎ ｈ ｎ ｔ ｉ ｏ ａ ｐ ｒｅ ｃ ｉ ａ ｆ ｌ ｉ ｚ ａ ｉ ｅ ａ ｅ ｔ ｄ ａ ｅｕ ｅ ｎｒ ｋａ ｓ ｓ ｍｅ ｔ ｈ ｉ ｎ ｕ ａ ｅｗｏｋ ｓｉ ｔ ｄ ｃ ｄ，ｗ ｉｈ ｒ ｄ ｃ ｓｔ ｅｅ ｅ ｔ ｆ ｒｉ ｃａ ａ ｔｒ ｎ ｋ ｅｑ ａ ｔｚｔ ｎ ｔ ｅｐ ｓ ｉｌ ｅ ｒ ｌｎ ｔ ｒ ｓｉ ｎ ｒ ｕ ｅ ｏ ｈ ｃ ｅ ｕ ｅ ｆ ｃｓｏ ｔ ｉ ｆｃｏ ｓａ ｄ ｍａ ｅ ｔ ｕ ｎ ｉ ｉ ｏｂ ｏ ｓ ｅ．Ｂ ｔｄ ｉｇ ｔｅ ｏｉｉ ａ ｈ ａ ｆ ｌ ｉ ｓｈ ａｏ ｂ ｙ ｓ ｙｎ ｒ ｎ ｕ ｈ ｇ ｌ
ｓ ｔ ｏｉｉ ｓ ｄｅｙ ｐ ｌ ｅ ． ｃ
Ｋｅ ｗｏ ｄ ｎ ｕ ａ ｅ ｏ ｓ ｓ ｆ ｔ ｓｓ ｍｅ ｔ ｑ ａ ｔ ｉｇ ａ ａｙ ｉ ｙ ｒｓ ｅ ｒ ｌｎ ｔ ｒ ａｅ ｙ ａ ｅ ｓ ｎ ｕ ｎ ｉ ｎ ｎ ｌｓｓ ｗ ｋ ｓ ｚ
安全 性 评 价 是 促 进 生 产 一 线 班 组 安 全 生 产 的一 种 有 效
性 。Ｂ Ｐ网 络 是 一 种 多 层 前 向 反 馈 神 经 网 络 ， 网 络 拓 卜结 其
网络 来 评 价 企 业 的安 全 状 况 。 ２ Ｂ Ｐ网 络在 安 全 评 价 中 应 用

值
，
使误差信 号变小 。
表 １ 评 估指 标 表 一来自级指标 二级指标
对应输入
Ｘ１
备课充分， 上课认真 ， 精心组织教学 ， 耐心辅导答疑
教学
态 度
为人师表 ， 教书育人 ， 严格 要求学 生 ， 意与 注 学生的沟通和交流， 认真批改作业
无迟 到
Ｘ２ Ｘ３ Ｘ ４ Ｘ５
习， 一直到 输 出值 和期 待值 的误差减 小到 规定 范围 内， 统 系 便 停止学 习。此 时将新样 本输入到 已经训练好 的网络 ， 可 就
如下方 式学 习： 首先 ， 把输入 模式 从输 入层传 输到 隐含层 单
元， 经隐含 层单元逐 层处理 后 ， 生一个 输入模 式传 送到输 产 出层 ， 这一过 程称 为 正 向传 播 ； 然后 ， 将输 出结果 和期 待值
Ｘｌ ５
对待学生公正 、 客观 ， 学责任 心强 教
学生对课程基础知识掌握得较好
Ｘ１ ６
Ｘ１ ７
学生分析 问题和解决 问题 的能力有显 著提 高 重视学生创新能力的培养和素质的提 高 拓宽了学生的知识面 ， 阔了学生 的思路 开
Ｘ１ ８ Ｘｌ ９ Ｘ２ ０
典 型 的 Ｂ （ ａｋＰｏ ａａｉｎ 神 经 网络 是 一 个 由 输 入 Ｐ Ｂ ｃ ｒｐ ｇｔ ） ｏ
说 明模 型 具 有 良好 的容 错 性 和 泛 化 能 力 。
～
—
—
～
～
， 、
— ～
图 ２ 测 试 样本 的 误 差 曲线
指标作为模 型 的输 入神经 元 ，即输入层 神经 元个数 ｎ＝ ０ ２。
根 据 Ｋｏ ｇｏ ｌ ｒｖ理 论 已 经 证 明 ： 任 意 给 定 的 连 续 函数 （ ｍｏ ｐ：

基于BP神经网络的计算机实验室管理评价指标分析摘要：基于bp神经网络的计算机实验室管理评价指标体系与模型，通过bp网络，采用确定的数据，量化评价指标，大大提升了实验室管理水平。

关键词：bp神经网络；计算机实验室管理；评价指标分析中图分类号：tp183 文献标识码：a 文章编号：1674-7712 （2013）04-0088-01一、bp神经网络从本质上讲，bp神经网络算法是以网络误差平方和为目标函数，运用梯度法求目标函数达到最小值的算法。

纠错原则是bp算法最为基本的一个原理，将网络输出的误差进行反向传播，运用梯度下降法，对网络的连接权值进行调整和修改，使其误差最小。

在学习过程中，bp算法可以划分为两个阶段，一是前向计算，一是误差反向传播。

在这里我们主要通过具体的来分析，假设一个两层的 bp 神经网络，其输入为p，输入神经元有r个，隐含层内神经元有s1个，激活函数为f1，输出层内有神经元s2个，对应的激活函数为f2，输出为a，目标矢量为t，那么信息在进行正向传递时，具体的情况如下：二、模型设计其次是模型设计。

bp神经网络的建立，在确定了相关指标体系以后，就需要将确定相关的结点数，如输入结点数、隐含结点数、输出结点数、每一层的结点数等，在起初建立时，需要根据初始网络参数，适当地调整网络结构，通过网络训练，使得整个学习过程更加稳定，与此同时，对于指定的误差进行调整，并且规定最大值，并且利用相关的测试数据来进行bp神经网络的优化处理，确定其达到设计的准确性与规范性，那么一个bp神经网络模型就建立起来了。

第三是模型确立。

对于模型的确立主要体现在三个方面，这里作简单分析，一是输入输出神经元个数确立，通常情况下，实验室管理指标主要有13个二级指标和4个一级指标，其中，这13个指标就是输入神经元的个数，同时将输出的神经元作业评价的结果，由于评价的结果只有一个，那么输出神经元的个数也只有1个。

二是隐含神经元个数确立。

相应 的分值分 别 为 ５４３ ２ １ 、 、、 、。
表 １ 学 生 电子 档 案 袋评 价 量 规
我指导， 达到最佳学习效果， 笔者设计了一种具有 自 学
习、 自适 应 能力 的人 工神 经 网络 模 型， 现 学生 电子 以实 档案 袋环 境下对 学 生学 习行 为 的评 价 。
第 １ ８卷 第 ６期
电
脑 与
信 息 技 术
Ｖ０ ．８ Ｎｏ６ １１ ． Ｄｅ ．２ ０ ｃ ０１
＝ ： ＝ ＝＝ ＝＝ ＝ ＝＝ ＝ ＝ ＝ ＝ ＝＝ ：＝ ＝＝＝ ＝；＝ ＝＝ ； ； ＝＝ ＝ ＝＝ ＝＝＝＝ ＝ ＝ ＝＝ ： ＝一： ：＝ ＝；； ＝＝ ： ＝ ； ；＝ ＝ ＝＝ ＝＝ ： ＝ ＝ ＝ ＝＝ ：！呈 ＝ ＝＝ ＝；： ＝＝ ； ＝ ＝＝ ＝＝ ： ＝ ＝＝一 ： ＝ ：＝ ＝：＝ ＝ ＝； ＝ ＝一 ＝ ＝
情况， 而用实际数据结果研 究了人工神经 学生电子档案袋的应用特点。 进
关 键 词 ： 生 电子 档 案 ； Ｐ神 经 网络 ； 学评 价 学 Ｂ 教 中 图分 类 号 ： ４ ４ Ｇ ３ 文 献 标 识 码 ： Ｂ
Ｂａ ｅ ｎ ＢＰ ｕ ａ ｔ ｒ ｓｄｏ Ｎｅ ｒ ｌＮｅ ｗｏ ｋ Ｅｄｕ ａ ｉ ｎ Ａｓ ｅ ｓ ｅ ｃ ｔｏ ｓ ｓ ｍ ｎｔＡｐｐ ｉａ ｉ ｎ ｓ ａｒ ｈ ｌｃ ｔｏ Ｒｅ ｅ ｃ
１ 学生电子档案袋评价量规的确定
美 国学 者 Ｂ ｒ ｔ， ｌｎ２０ ） ａ ｅ Ｈｅ （０ ０ 将学 生 电子 档 案袋 ｒｔ ｅ
（—ｅｒｉｇ ｏｔ ｌ ）定 义 为基 于 多媒 体 和 网络 技 术 ， ｅ ｌａ ｎ ｒｏｉ ｎ ｐ ｆ ｏ
学 习者有 目的 、有 意识 地收集 和展 示 学 习成 果 和其它 材料 ， 对学 习过程 和结果 进 行反思 的数 字化 档案 。 并 目 前学 生 电子档 案袋 没有 规定 的 内容 和格 式 。笔者 在参 考 国 内外 有 关研 究 ， 合本 校 教育 技术 学 专业 数字 结 电子 技术 Ｅ （ ｌｃｏ ｉ ｒｂｎｈ 实 验 课 设 计 了 ＷＢ Ｅｅｔ ｎｃ Ｗｏｋｅｃ ） ｒ ｓ 学生 电子 档案袋 评 价量规 ， 见表 １ 。因素集 ｕ的评 判矩 阵 ｕ ｛１１， Ｉ）评价 指标 ｘ （ｌ ２ ｘ， ｘ，７ ＝ｕ，２…Ｉ７， １ ２ ＝ ｘ， ， ４ ｘ ６ｘ表 ） 示对 每个 学生 的学 习行 为评 价 的 ７ 指标 ， 个 权重集 ｗ： ｛ ｍ： ｍ ， ，…ｍ ） ，指标 评 价 等 级 与标 准 Ｖ ｆＩ 。 ， ＝ｖ， ｖ， Ｖ ｖ， 等级 划分 为 “ ” “ 、 中”“ ” “ ” ｝ 优 、 良” “ 、及 、差 ５种标 准 ，

ｐ ｒ ｉ ｎ ｃ ｉ ｐ ｌ ａ ｃ ｏ ｍｐ ｏ ｎ ｅ ｎ ｔ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ，ｔ ｈ ｅ ｎ ａ ｔ ｅ ａ ｃ ｈ ｉ ｎ ｇ ｑ ｕ ｌｉ ａ ｔ ｙ ｅ ｖ ｌｕ ａ ａ ｔ ｉ ｎ ｇ ｍｏ ｄ ｅ ｌ ｂ ａ ｓ ｅ ｄ ｏ ｎ Ｂ Ｐ ｎ ｅ ｕ ｒ ｌ ａ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｉ ｓ ｂ ｕ ｉ ｌ ｔ ｕ ｐ ，ｆ ｉ ｎ ａ ｌ ｌ ｙ ，ｔ ｈ ｅ ｍｏ ｄ — ｅ ｌ ’ Ｓ ｒ ｅ ｌ ｉ ａ ｂ ｉ ｌ ｉ ｔ ｙ ａ ｎ ｄ ｅ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｎ ｅ ｓ ｓ ｉ ｓ ｖ ｌｉ ａ ｄ ａ ｔ ｅ ｄ ｂ ｙ ｕ ｓ ｉ ｎ ｇ ａ ｇ ｒ ｏ ｕ ｐ ｏ ｆ ｄ ａ ｔ ａ ．
客观上需要构建一套阵作为神经网络的输入量时在训练样本数并未减少既在实践上行得通又能在理论上得到论证的既使用的基础上消除了网络输入间的相关性同时减少了网于定量指标评价又适合于定性指标评价的科学评价络的输入数简化了网络结构从整体上提高了网络方法引
２ 化 Ｊ Ｉ Ｓ Ｕ Ａ Ｎ Ｊ Ｉ Ｙ Ｕ Ｘ Ｉ Ａ Ｎ Ｄ Ａ １ Ｈ Ｕ Ａ
既在 实践 上行得 通 又能在 理论 上得 到论证 的 ， 既 使用 于定 量指标 评 价又 适 合 于定 性 指 标 评 价 的科 学评 价 方法 ¨ 。由于学 生评 教 和专 家 、 同行 评 教 的 方式 具
神经 网络模 型 的输入 分量 ， 必然 会导致 网络 的规 模 过 大， 影 响神 经 网络 的收敛 速度 ， 降低预 报 的准确 率 ， 甚 至 出现无法 收敛 的情 况 。 因此 ， 应对 此类样 本 和众 多
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｆ ｉ ｒ ｓ ｔ ，ｔ ｈ ｅ ｉ ｎ ｄ ｉ ｃ ａ ｔ ｏ ｒ ｓ ｏ ｆ ｔ ｈ ｅ ｃ ｕ ｒ ｒ ｅ ｎ ｔ ｔ ｅ ａ ｃ ｈ ｉ ｎ ｇ ｅ ｖ ａ ｌ ｕ ａ ｔ ｉ ｎ ｇ ｓ ｙ ｓ ｔ ｅ ｍ ｉ ｓ ｓ ｉ ｍｐ ｌ ｉ ｉ ｆ ｅ ｄ ｂ ｙ ｔ ｈ ｅ ｍｅ ａ ｎ ｓ ｏ ｆ ｑ ｕ ｅ ｓ ｔ ｉ ｏ ｎ ｎ ａ ｉ ｒ ｅ ｓ ｕ ｒ ｖ ｅ ｙ ａ ｎ ｄ

BP神经网络的优缺点介绍人工神经网络（Artificial Neural Network）又称连接机模型，是在现代神经学、生物学、心理学等学科研究的基础上产生的，它反映了生物神经系统处理外界事物的基本过程，是在模拟人脑神经组织的基础上发展起来的计算系统，是由大量处理单元通过广泛互联而构成的网络体系，它具有生物神经系统的基本特征，在一定程度上反映了人脑功能的若干反映，是对生物系统的某种模拟，具有大规模并行、分布式处理、自组织、自学习等优点，被广泛应用于语音分析、图像识别、数字水印、计算机视觉等很多领域，取得了许多突出的成果。

最近由于人工神经网络的快速发展，它已经成为模式识别的强有力的工具。

神经网络的运用展开了新的领域，解决其它模式识别不能解决的问题，其分类功能特别适合于模式识别与分类的应用。

多层前向BP网络是目前应用最多的一种神经网络形式, 它具备神经网络的普遍优点，但它也不是非常完美的, 为了更好的理解应用神经网络进行问题求解, 这里对它的优缺点展开一些讨论。

首先BP神经网络具有以下优点：1) 非线性映射能力：BP神经网络实质上实现了一个从输入到输出的映射功能，数学理论证明三层的神经网络就能够以任意精度逼近任何非线性连续函数。

这使得其特别适合于求解内部机制复杂的问题，即BP神经网络具有较强的非线性映射能力。

2) 自学习和自适应能力：BP神经网络在训练时，能够通过学习自动提取输出、输出数据间的“合理规则”，并自适应的将学习内容记忆于网络的权值中。

即BP神经网络具有高度自学习和自适应的能力。

3) 泛化能力：所谓泛化能力是指在设计模式分类器时，即要考虑网络在保证对所需分类对象进行正确分类，还要关心网络在经过训练后，能否对未见过的模式或有噪声污染的模式，进行正确的分类。

也即BP神经网络具有将学习成果应用于新知识的能力。

4) 容错能力：BP神经网络在其局部的或者部分的神经元受到破坏后对全局的训练结果不会造成很大的影响，也就是说即使系统在受到局部损伤时还是可以正常工作的。

BP神经⽹络综合评价法
BP神经⽹络综合评价法是⼀种交互式的评价⽅法，⼀种既能避免⼈为计取权重的不精确性, ⼜能避免相关系数求解的复杂性,还能对数量较⼤且指标更多的实例进⾏综合评价的⽅法,它可以根据⽤户期望的输出不断修改指标的权值，直到⽤户满意为⽌。

因此，⼀般来说，⼈⼯神经⽹络评价⽅法得到的结果会更符合实际情况。

BP神经⽹络是⼀种典型的多层前向神经⽹络，由输⼊层、隐,层和输出层组成，层与层之间采⽤全部连接⽅式，同层节点之间不存在相互连接，其中输⼊层节点仅在信号输⼊作⽤，输出层节点起线性加权作⽤，隐层节点负责对信息进⾏最主要的数学处理。

不失⼀般性，设输
⼊层有 M 个节点，隐层有L个节点，输出层有P个节点，样本数为N，输⼊向量为，为隐层节点与输⼊层节点的连接权值，则隐层节点的输⼊和输出分别为：
隐层节点的激励函数⼀般选取双曲正切函数或型函数等⾮线性函数，⽽输⼊层节点的激励函数⼀般选取等⽐喻出的线性函数。

⽽输
出层节点与隐层节点的连接权值为，则输⼊层节点的输出为：
采⽤算法对⽹络进⾏训练。

算法是⾮线性最⼩⼆乘⽆约束优化算法，其本质是⾼斯-⽜顿法的改进⽅式，具有⼆阶收敛速度，既具有⾼斯-⽜顿法的局部收敛⽅式，⼜具有梯度下降法的全局收敛特性。

BP神经网络优缺点的讨论BP神经网络是一种常见的人工神经网络，因其具有训练速度快、分类精度高等优点而被广泛应用在各种领域。

然而，BP神经网络也存在着一些缺点。

优点：1. 易于训练：BP神经网络采用误差反向传递算法，可以较快地完成模型的训练过程，同时能够对训练数据进行自适应调整，从而提高分类精度。

2. 适用性广泛：BP神经网络可以用于各种分类、回归等问题，包括图像处理、语音识别、自然语言处理等领域，同时可以适用于多种数据类型，如数值型、文本型等。

3. 鲁棒性强：BP神经网络能够自适应地处理噪声和错误信息，并且能够较好地处理数据中的缺失值。

4. 结构简单易实现：BP神经网络的结构相对简单，易于理解和实现，同时也便于对模型的拓展和改进。

1. 容易陷入局部最优解：BP神经网络的优化目标为最小化误差，但是其参数优化过程可能会出现陷入局部最优解的情况，而无法达到全局最优解。

2. 学习速度较慢：BP神经网络的训练过程需要大量的数据和时间来完成，而且需要通过多次迭代来优化网络参数，因此其学习速度相对较慢。

3. 对初始值敏感：BP神经网络的初始权重和偏置值会影响到模型最终的精度，因此需要进行较为精细的调整，而且有时需要多次随机初始化来选择较好的参数。

4. 难以解释：BP神经网络的内部结构过于复杂，难以解释为什么模型能够取得一定的分类精度，这会使得BP神经网络的应用和推广受到一定的限制。

总之，BP神经网络具有许多优点，如易于训练、适用性广泛、鲁棒性强和结构简单易实现等，但是它也存在着一些缺点，如容易陷入局部最优解、学习速度较慢、对初始值敏感和难以解释等。

这些缺点一方面会导致BP神经网络在某些情境下表现不佳，另一方面也为BP神经网络的拓展和改进提供了一定的思路和方向。

BP神经网络的优缺点BP神经网络，也称为“反向传播神经网络”，是一种常见的人工神经网络模型。

它是基于误差反向传播算法的一种机器学习方法，广泛应用于分类、回归、预测等场景中。

优点1. 非线性逼近能力强BP神经网络的非线性逼近能力优秀，可以逼近任何非线性的函数。

它的输入层、隐层和输出层之间的结构可以实现对高维非线性数据的拟合。

2. 适用 range 广泛BP神经网络可以应用于许多不同领域，如医药、自然语言处理、图像识别等。

它可以对各种形式的数据进行分类、回归、预测等。

3. 学习能力强BP神经网络可以通过大量的样本数据进行训练，并能够自动学习和自我适应。

可以对训练数据进行高效的学习和泛化，从而适应未知数据。

4. 适应动态环境BP神经网络可以适应不断变化的环境。

当模型和所需输出之间的关系发生变化时，网络可以自适应，自动调整权重和阈值，以适应新的情况。

缺点1. 学习速度慢BP神经网络的学习速度相对较慢。

它需要大量的时间和数据来调整权重和阈值，以达到稳定的状态。

2. 容易陷入局部极小值BP神经网络很容易陷入局部极小值，而无法达到全局最优解。

这可能会导致网络的准确度降低，并影响到后续的预测、分类和回归任务。

3. 需要大量的数据BP神经网络需要大量的数据进行训练，以使网络达到优秀的效果。

如果训练数据不充分，可能会导致网络过度拟合或欠拟合。

4. 对初始参数敏感BP神经网络对初始参数非常敏感。

如果初始参数不好，那么网络可能会无法进行训练，或者陷入局部最小值。

综合来看，BP神经网络具有良好的非线性逼近能力和学习能力，但也存在一些缺点，比如学习速度慢、容易陷入局部极小值等。

因此，在具体应用场景中，我们需要权衡BP神经网络的优点和缺点，选择合适的机器学习模型进行训练和预测。

总第254期2010年第12期计算机与数字工程C om pu t er＆D i g i t al Engi nee r i ngV01．38N o．1244B P神经网络在声乐评价中的应用。

袁剑(西安音乐学院计算机教研室西安710061)摘要评价表演者的演唱是受多个因素综合影响。

评价者在打分中受主观因素影响较大。

B P神经网络可模拟由各因素构成的非线性映射。

建立声乐评价体系，将各个评价指标客观化，使用成绩向量作为输入，经由B P神经网络输出得到合理的分数。

实验仿真表明，通过训练的B P网络可模拟一个稳定的评分系统。

关键词B P神经网络；声乐；评价模型中图分类号TP l83A ppl i cat i on ofB ac k Pr opa gat i on N eur a l N et w or ki n t he V ocal A ss es sm ent Syst emY ua n Ji an(C om put er St af f r oom，X i’a n C onser vat or y of M usi c，X i’a n710061)A bst怕ct T o gi v i ng a cor r ect as s ess m ent of a s inger’S per form ance i s af f e ct ed by m ul t i p l e f a ct or s．BP neu r al net w ork c a n si m ul at e a non l i ne ar s ys t e m．T hi s art i cle est abl i sh es t he eva l uat i on m odel．T he m o de l use sc o r e vec t or as a n i n put．B P ne ur a l ne t w or k w i U ou t pu t a n r e asonabl e s core．The r es ul t of si m ul at e s how s t hat a t r a i ned B P neur al ne t w or k c a n si m ul at e a st ead y sc or i ng s ys t em．K eyW or ds B P neu r al ne t w or k，voca l，eval uat i on m odeIC l a ss N t m■ae t T Pl831引言在声乐教学与艺术人才的选拔比赛中，对演唱者的演唱做出客观公正的评价至关重要，通常以打分求平均值的方法来量化评价的结果。

定 法 、 准 等 级 评 定 法 、 糊 评 定 法 ， 是 这 些 方 法 标 模 但
秀的德 育评价 体 系将有 效地 起到 学生 思想 及行 动 的 指 挥棒 作用 ， 为学 生 在 大学 生活 中树 立 起新 的 目标
与 方 向 ， 立 起 正 确 的人 生 观 、 值 观 及 世 界 观 。 特 树 价
面 ： １ 主 观 因 素 在 发 挥 作 用 ， 还 未 对 参 评 者 进 行 （） 在 全 面 的 了解 与 考 查 情 况 下 ， 么 凭 个 人 感 情 很 主 观 要 随 意 地 评 价 打 分 ， 么 采 取 好 人 主 义 的 态 度 ，千 篇 要
一
在《 普通 高等 学校德 育 大 纲 》 明确 指 出 ： 学 中 大
别 是在 当前经 济形 势 和 就 业 状 况 比较 严 峻 情 况 下 ，
大 部 分 企 业 与 单 位 都 希 望 能 够 招 到 德 才 兼 备 的 优 秀 人 才 ， 善 的 德 育 评 价 体 系 将 指 引 着 学 生 提 高 自身 完 竞 争力 。
都 存 在着 各 自的 缺 陷Ｈ ， 主要 表 现 在 以下 几 个 方
构建基 于 Ｂ Ｐ神 经 网络 的高 校德 育评 价 体 系
黄 碧钗 ，李 高 明
（ ． 建 师 范 大 学 公 共 管 理 学 院 福 建 福 州 ３ ０ ０ ： Ｉ福 ５ ０ ７
２ 福建 师范 大学 物理 与光 电信息 科技 学 院 ．
摘
福建 福 州 ３ ０ ０ ） ５ ０ ７
以此来 反映 大学 生个 体 思 想 政 治 、 德 素 质 的水 平 品
与 现 状 。 然 而 由 于 德 育 评 价 指 标 数 量 较 多 ， 都 是 又 些 定 性 指 标 ， 此 ， 价 结 果 难 以 用 恰 当 的 数 学 表 达 因 评 式 表示 ， 于复杂 的非线 性 分类 问题 。Ｂ 属 Ｐ神 经 网 络 对 非线 性映射 具 有万 能 逼 近 能 力 ， 强 的 自主学 习 较

基于BP神经网络对学生学习专业课程效果的评价摘要本文从学习一门专业课程效果的评价现状，分析得到采用BP神经网络的原理用于课程效果评价是理想的。

通过建立BP神经网络的课程效果评价模型结构，并在MATLAB系统上对样本数据进行仿真实现，最后进行数据验证。

结果表明，应用人工神经网络对课程效果进行评价，排除了专家主观因素对在评价效果的影响，能够获得客观满意的评价结果，具有广泛的适用性。

关键词专业课程 BP 神经网络效果评价随着我国高等教育的迅猛发展，学校办学质量也日益被重视，作为检验学生掌握知识的一个因素，学习效果也被人们关注，它反应出学生对知识的掌握程度以及教师教学成果和管理的优劣。

当然，有许多因素同时影响着教学效果，并且各自占有的影响比重是不同的，因此，我们在评估度量学生学习效果时，很难用数学解析表达式来对其进行表示，显然，这是一个典型的非线性的几何问题[1]。

目前，还没有一个公认的、理想的学习效果评价体系，因此，寻找一个简单、优化、客观的学习效果评价方法是相当必要的。

从现有的研究状况来看，学习效果评价主要集中在两个方面，一是对学习效果评价体系中的内容的研究，二是对体系中各个指标确定后，如何最终评定学习效果等级方法的研究.1．学生学习某一门课程效果评价体系的研究现状1.1学习效果评价内容的研究我们知道，学生的学习和其自身的发展是一个没有丝毫中断的过程，并且学生学习和其成长生活环境不拘一格，所以将评价指标置于学生学习过程中，从过程管理的层面分析，多因素相互作用和多环节的综合体现于整个教学过程，因此，我们若要对来自不同学科分类，不同性质课程、不同学习环节、不同学习对象的学习效果进行对比，将会非常困难。

基于以上原因，我们必须要从最能直接反映学习效果并有共性的基本因素等方面去设计评价体系，这样才具有一定的实际可操作性。

以下几类要素常应用于现有的学习效果评价体系中：（1）学习态度：学习是否认真投入，预习是否及时，作业完成是否认真。

匿名性 、统计性和反 馈性的基础上 ，加 强收敛性 ］ ，则把德 尔菲法渗透到模糊评价的过程 之中 ，使模糊评价 ②③④三个 环节多次往复。 在多指标模糊综合评 价过程 中，包含指标权 重确定 、评 价指标属性值的标准化处理 、评价 指标 专家意见 汇聚和对象 评价指数计算等四个方面 的数 量化处理 问题 ，其 中对 象评价
问题 。
效数 ；Ｅ 为熟悉程 度的最大 值。特别地对 象指标属 性等级 一
数与专家熟悉程度 等级数相 同， 同等级 的值相等 。一般取 且 五个等级 ，各 等级 的值通 常分别取 １ 、８ 、４ ，即 Ｅ ０ 、６ 、２ 一
＝
１ ０。
１ ２ 评 价指 标属 性 值 的 标 准化 处理 ．
评 价结 果 进 行评 估 检 验 ，做 出 决 策 Ｊ 为 在 等 同实 现 评 价 的 。
指标属性值 无量纲 化的方 法很多 ，最常用 的是隶 属 函数法 。 隶属函数法根据指标特性 ，把指标分为效益 型、制约型和区 间型三种 ，指标 特性不 同，属性值标准化 的处理方法也不 同。 但对于非统计性定性 指标 ，在 调查 问卷 中可把制 约型和区间
多指标模糊综合评价 问题 。在 分析 多指标模糊综合评价基本含义和过程 的基础上 ，提 出了多指标模糊综合评 价涉及 的定量处理方法；依据 Ｂ Ｐ神经 网络模 型的基本结构与原理 ，建立 了评 价指数计算 Ｂ Ｐ神 经网络模 型，阐明 了模 型 应 用 与训 练 样本 的构 造 方 法 ，并 对 应 用 效果 进 行 了检 验 分 析 。 关键词 ：Ｂ Ｐ神 经网络 ；技 术预见 ；综合评价 ；信息产 业；模糊评判 中图 分 类号 ：Ｇ ０ ： ９４ ３４ Ｃ ３ 文 献 标 识 码 ：Ａ
２１ ０ ０年第 ５期

3. 激活函数
激活函数是神经网络中用于非线性转换的函数。常用的激活函数包括sigmoid函数、ReLU函数等。不同的激活函数具有不 同的特性和适用场景，需要根据具体情况选择合适的激活函数。
4. 正则化参数
正则化参数是用于防止过拟合的参数。通过增加正则化项，可以惩罚过于复杂的神经网络模型，从而避免过拟合现象的发 生。需要根据具体情况选择合适的正则化参数，并进行适当的调整。
04
实证分析与验证
数据收集与处理
数据来源
收集高校学生宿舍安全管理相关的数据，包 括学生违纪、宿舍卫生、安全设施、管理效 果等方面的信息。
数据清洗
对收集到的数据进行清洗和处理，去除异常值、缺 失值和重复值，确保数据的质量和准确性。
数据标准化
将数据进行标准化处理，将不同量纲的数据 统一到一个标准范围内，以便于模型训练和 测试。
基于bp神经网络的高校学 生宿舍安全管理评价体系
2023-11-04
contents
目录
• 引言 • 相关理论概述 • 基于BP神经网络的高校学生宿舍安全管理
评价模型构建 • 实证分析与验证 • 关联度分析在安全管理评价中的应用 • 结论与展望 • 参考文献
01
引言
研究背景与意义
01
高校学生宿舍安全管理的重要性
算法，具有自学习、自组织和适应性强的特点，可以处理复杂的非线
性问题。
研究目的和方法
研究目的
本研究旨在构建一个基于BP神经网络的高校学生宿舍安全管理评价体系，以期提 高学生宿舍安全管理的科学性和有效性。
研究方法
本研究采用理论研究和实证研究相结合的方法，首先通过文献综述和市场调研了 解现行学生宿舍安全管理方式的优缺点，然后利用BP神经网络构建一个安全管理 评价体系，最后通过实地考察和数据验证评价体系的可行性和有效性。

基于溯B P凇聪的址肋羹潮黼价随着现代科技的发展，知识资本、智力资本已成为企业与社会经济发展的关键因素。

企业的竞争日益表现为人力资源的竞争，企业的竞争力日益表现为人的竞争力。

企业对人才的依赖性越来越强，尤其高新技术企业，入力资源已经成为了～种战略性资源，这也意味着企业的人力资源管理存在的风险将导致企业的整个经营风险。

在规避和防范风险方面，要么企业常常把注意力集中在对付经营风险和财务风险上，而对人力资源风险并未给予足够的重视。

因此，我们有必要建立企业人力资源管理过程中的风险评价指标体系，以便企业对人力资源管理风险进行早期识别和诊断，开展预警预控管理，防患于未然，确保人力资源运行的良性和管理的常态。

而现行的人力资源评价方法多为一些带有主观色彩的评价方法，例如：专家评分法、模糊数学评判方法、层次分析法等。

而B P神经网络方法是一种非线性映射方法，不带有明显的主观成分和人为因素，因此具有更高的可靠性，评价结果也更加的真实、有效。

一、B P神经网络模型(一)基本原理基于三层B P神经网络的企业人力资口何维达何丹源风险评价模型的原理是，把用来描述企业人力资源风险评价的信息作为神经网络的输入向量，将代表相应综合评价的量值作为神经网络的输出；然后用一定数量的经过风险评估的企业人力资源指标来训f练网络，使不同的输入向量得到相应的期望输出向量。

这样，神经网络所持有的那些连接权重、阈值，便是网络经过自适应学习所得到的正确的内部表示，训I练后的连接权、阈值及准则经过网络储存后便可用来作为对同类型企业人力资源风险进行评估的判别准则。

这其中涉及到两个过程：一个是前向过程，将输入网络通过各个单元的传递，直至输出单元得到网络的输出结果为止；另一个是反向过程：把实际输出值和期望输出值之间的误差通过输出层逐步返回到输入层，并调整连接权值和偏置权值，直至样本的实际输出值和期望输出值之间的误差小于预先给定的值为止。

(三)实现过程B P网络学习过程的算法步骤包括：①用随机数(一般01之间)初始化权值和阀值，确定各层节点个数；②输入经预处理的样本和相应的输出，对其进行学习；③计算实际的输出及隐含层神经元的输出；④计算实际输出与期望输出的差值，求输出层及隐含层的误差；⑤根据误差进行反向传播，修正权值；⑥求误差函数，当误差值小于给定拟合误差时，网络学习结束，否则，转向步骤③继续学习。