基于PSO的RBF神经网络在教学质量评价中的应用-教育文档

基于ＲＢＦ网络的高职高专教学质量评价模型研究作者：徐高欢来源：《中国校外教育·理论》2008年第19期[摘要]利用某高专院校历年专家评教的数据训练RBF网络，建立适合学校的评价模型，使其具有专家的评价能力，输入每学期学生网络评教数据评定任课教师的教学质量。

本方法可以克服人为设置指标权重，评价结果更加符合实际，经过数据实证，该方法可靠方便。

[关键词]RBF网络教学质量评价模型一、引言目前，国内外高校普遍把学生作为评价课堂教学质量的主体，通过这一评价途径，帮助教师了解教学效果，改进和完善教学过程，进而提高教育教学质量。

同时，学生评价教学的结果，作为对教师教学质量的评定，还被学校用作教师职称评聘、年度考核、津贴发放以及其他人事决策的重要依据。

但是，一般的人为设定评价指标权重评教方法有一定的局限性，虽然评教指标权重是根据教学理论与实践归纳得出的反映课堂教学的评价模型，但要反映不同教师给不同学生上的不同性质的课程,反映特定的课堂教学环境等影响教学的多种因素，还是有困难的。

在实际的评价过程中,学科不同、感情因素、学生对待评教的态度等许多因素直接或间接影响了学生对教师教学质量和教学效果的判断，我们很难合理地用人为的方式设置各个指标的权重，导致教师对评价结果意见比较大。

为了弥补指标权重人为设置的局限性，通常学校聘请相当数量的退休教授，对全校教师进行全面听课，提出量化的评价分数，再由教学委员会投票表决，工作量非常大；还有学校只对评价排名靠后的教师，组织同行、教学督导听课，提出量化评价权重修改等等。

不管用哪种方式，指标的制定和修正很难做出合理的解释，受主观因素影响太大。

实际上，历年专家评价结果与学生评教指标分值和教师教学水平之间存在某种关系。

本研究项目即尝试将这些数据训练RBF神经网络，自动建立适合我校的评价模型，使评价程序根据学生评教指标分值自动评价教学质量，克服一般学生评教人为设置权重的局限性，改善学生评教的合理性。

基于RBF神经网络的科研绩效评价建模研究迟睿;苏翔;滕瑜【摘要】Objective, fair and accurate scientific research performance evaluation is an important measure to enhance personal work enthusiasm of scientific research in universities and scientific research institutions.In this paper, a model based on RBF neural network is employed to fine evaluate scientific research performance.The weighted normalized statistical data is taken as network input, and five rating levels, such as excellent, good, medium, pass and fail is the network output.The particle swarm optimization (PSO) was performed to optimize the parameter of RBF network based on cross validation.After analyzing the structure and the input-output characteristics of RBF network, it is found that weights of trained RBF network and five rating levels are highly correlated, and network weights provide more detailed information than five rating levels in personal scientific research evaluation.Trained weights of RBF network can be directly used for the fine evaluation of scientific research performance.In this paper, the RBF network is generalized in the application of the performance evaluation of scientific research, which presents a new method for similar evaluation or assessment works.%客观、公正、准确的科研绩效评价是调动和提高高校及科研机构科研人员工作积极性和科技创新能力的重要措施.文中提出了一种基于RBF神经网络的科研绩效精细评价模型,以归一化后的科研指标数据乘以相应权系数作为网络输入,利用优、良、中、及格和不及格5级评价作为输出,采用粒子群优化算法通过交叉验证对RBF网络结构参数进行了优化.通过RBF网络结构和输入输出特性分析发现,训练后的RBF网络权值与5级评价结果高度相关,并较5级评价结果更能精细区别科研绩效差异.该权值可直接用来进行科研绩效精细评价.文中推广了RBF网络在科研绩效评价中的应用,并为进行类似评价或评估工作提供了一种新思路.【期刊名称】《江苏科技大学学报（自然科学版）》【年(卷),期】2017(031)004【总页数】6页(P525-530)【关键词】绩效评价;粒子群优化;参数优化;神经网络权值【作者】迟睿;苏翔;滕瑜【作者单位】江苏科技大学经济管理学院,镇江 212003;江苏科技大学经济管理学院,镇江 212003;江苏科技大学经济管理学院,镇江 212003【正文语种】中文【中图分类】G316科研绩效评价的准确性影响人事管理的公平和公正,是建立有效的激励机制、调动和提高高校和科研机构科研人员工作积极性和科技创新能力的重要措施,是推动深入实施科教兴国和人才强国战略的重要一环．目前常用的科研绩效评价方法通常是采用多指标评价方法,如层次分析法、平衡计分卡、德尔菲法、主成分分析法、模糊综合评判法、灰色综合评价法、数据包络分析法等．文献[1-2]中运用平衡计分卡、关键业绩指标和战略地图构建了高校绩效评价体系；文献[3-4]中综合运用层次分析法、灰色模糊理论构建了高校绩效评价体系；文献[5-6]中提出一种基于数据包络分析的科研绩效评价模型．人工神经网络(artificical neural networds,ANN)模拟人脑神经网络工作原理,建立能够“学习”的模型,并将经验性知识积累并充分利用,从而使求出的最佳解释与实际值之间的误差最小化．人工神经网络已经发展了几十种类型,其中BP网络在绩效评价中得到了广泛的应用[7-8]．BP网络简单方便,但易限于局部极小值点．径向基神经网络(radical basis function neural networks,RBF)因其优秀的函数逼近能力，在经济预测、模式识别、非线性系统建模与控制等领域有着较为广泛的应用[9-12]．文中利用RBF神经网络建立了高校教师科研绩效评价模型,并采用粒子群优化算法对RBF神经网络结构进行优化．RBF网络通过数据训练，可以完成科研指标和考核结果间的统计分析,训练的权值能较好反映科研指标和考核结果间的统计规律．与主观评价法相比能更为精确实现绩效考核．文中同时根据RBF神经网络的结构和输入输出特性对隐含层到输出层的权值给出了合理解释,推广了RBF网络在科研绩效评价中的应用,并为通过指标进行类似评价或评估的工作提供了一种新的思路．RBF网络是一种前馈神经网络,一般为3层,假设是单输出网络,则输出层只有1个节点，如图1．输入层由输入信号节点构成,节点个数为输入向量维数；第2层为隐含层,节点数为训练样本个数；第3层为输出层,网络的输出是隐节点输出的线性加权和,权系数为网络参数ω1,ω2,…,ωi，通过训练确定．从输入空间到隐含层空间的变换是非线性的,隐含层空间到输出层空间的变换是线性的,所以RBF网络能够逼近任意的非线性函数,并具有较快的收敛速度[13-15]．隐层通过径向基函数，即高斯函数，完成非线性变换：式中：c和σ分别是样本中心和径向基宽度．两者对输入输出影响较大,中心c不变,宽度σ分别为5和12时,对输出的影响见图2．样本中心由训练确定,径向基宽度则需要进行优化选择．粒子群优化(particle swarm optimization,PSO)算法最早是由Eberhart和Kennedy于1995年提出,它的基本概念源于对鸟群觅食行为的研究．待优化参数的取值定为粒子的位置,优化准则为适应度函数取值的大小．设共有m个粒子,在D 维空间作参数寻优．基本PSO首先随机初始化粒子的初始速度和初始位置．第i个粒子第d维参数的初始位置和速度分别由下式确定：式中:i=1,2,…,m;d=1,2,…,D;r0x和r0v为服从[0,1]上的均匀分布随机数;xmax d和xmin d分别为第d维参数的位置最大值和最小值，即寻优区间；vmax d为第d维参数的速度最大值．设定初始的速度和位移后,然后开始迭代．第i个粒子速度(即步长)迭代公式为：式中:加速常数c1和c2为非负常数;r1和r2为服从[0,1]上的均匀分布随机数．第i个粒子位置迭代公式为：在每次迭代中根据适应度函数的取值不断更新两个最优解,一个是粒子本身当前找到的最优解,一个是种群中m个粒子当前找到的最好解．另有粒子速度限制条件,即：当vid>Vmax时,取vid=Vmax以及当vid<-Vmax时,取vid=-Vmax．同样有相应的粒子位置限定条件[xmin d，xmax d]．基本PSO算法存在后期全局搜索能力不足,不易找到最优解的缺陷．算法的改进过程中在速度项中引入了惯性权重ω．即第i个粒子速度更新公式变为：vid(t+1)=ωvid(t)+c1r1(pid-xid(t))+c2r2(pgd-xid(t))惯性权重ω反映了上一个速度对当前速度的影响,数值动态线性递减,公式为：式中:ωmax,ωmin分别是ω的最大值和最小值;t,Tmax分别是当前迭代步数和最大迭代步数．通常称带惯性权重的PSO为标准PSO[16-18].根据对科学发展规律,科研工作的特点和过程的分析,结合教育部科技统计指标,文中构建了能够体现科研投入、产出与效益的绩效评价指标体系[19-20],见表1．3.1 评价指标体系设计文中以某高校经济管理学院的科研绩效评价建立验证算例,根据表1的科研绩效评价指标、管理学门类及该院学科特点,设计了相应的详细指标体系,见表2．3.2 RBF神经网络建模文中以某高校经济管理学院59名专职教师的科研数据指标作为RBF神经网络输入．同时根据年终科研奖励额度以及在学科评估和学科建设上贡献大小将上述59名教师划分为了优、良、中、及格、不及格5个档次,分别标记为5、4、3、2、1，作为神经网络输出．首先为了消除不同特征数值大小不一的影响,将原始数据进行归一化,同一维特征中最大值定为1,最小值为0,其他数值按照线性计算得到．将归一化后的科研指标乘以权系数(由指标的信息熵以及指标考核结果的相关系数得到,另文刊出),评价指标的权系数见表3．然后从59个样本中选取8个样本作为测试样本,剩余的用于训练．使用matlab中的newrbe()设计并训练径向基神经网络,得到绩效评价模型net,使用sim()函数,利用net模型实现对测试样本的评价测试．3.3 PSO算法对RBF神经网络模型的优化RBF网络的径向基函数的宽度的大小对net的性能影响很大．为此采用PSO优化算法进行优化．采用8个测试样本的仿真测试结果与实际评价结果的误差和作为衡量径向基宽度优劣的标准．根据训练和测试样本选择的不同,共选择5个不同的样本组合作交叉验证,用5次测试结果的误差和的均值作PSO优化算法的目标函数(适应度函数)值．粒子个数定为10个,最大迭代设为50．借助粒子群算法寻找最优粒子位置为0.970 8,即为径向基函数的最佳宽度数值．径向基函数宽度取0.970 8时,5次交叉验证中的某次仿真测试结果和实际结果见表4．表中等级5、4、3、2分别代表考核等级为优、良、中和及格．仿真结果的正确率为87.5%,仿真等级和实际等级的误差和为1．错误样本通过原始数据发现,该教师获得国家自然科学基金项目1项,但论文等其他内容几乎没有,专家定为良,而测试结果为中,导致了测试错误．3.4 对RBF网络隐层到输出层权值的分析为了探寻RBF模型的原理并验证其合理性,对隐含层到输出层权系数ωi,i=1，…,l 对输出的影响进行了深入分析．将59个样本的特征作为输入,将59个考核结果作为输出,取径向基宽度为0.970 8,对神经网络进行训练．训练后权值和样本对应的考核等级对比见图4．从上图可以看出,权系数跟训练用样本的实际考核结果高度相关．根据RBF神经网络的结构可知,隐含层节点是训练样本,隐含层输出可看作是测试样本跟该节点样本的相似度,该隐含层输出值受节点样本位置(径向基函数中心)和径向基函数宽度影响(图2)．RBF网络输出是各隐层输出乘以各相应权系数的线性加权和,故该权系数就可视为该中心样本在整个绩效评价中的比重或贡献,所以该比重与该样本的考核结果密切相关(5级:优、良、中、及格、不及格)．同一考核结果(如:良),考核结果相同,但训练后的权值可能有少许差异,该权值的差异能帮助深入区分相近样本的科研水平的高低,实现绩效考核的精细区分．同时经过对样本的分析，结合神经网络学习的原理发现,在多数样本实际考核结果合理的情况下,通过训练学习后的权值系数的大小分级能够修正个别样本在实际考核结果中的误评．因而训练后的RBF网络的权值可直接用来进行科研绩效的精细评价,从而推广了RBF网络在科研绩效评价中的应用,并为通过指标进行类似评价或评估的工作提供了一种新思路．3.5 方法比较分析在绩效考核中评分法因为简单曾被广泛使用,评分法通常是给评价指标设定相应分值,然后给各个考核对象进行打分,将各个指标的分值累加作为考核对象的考核总分,再按分数段划分确定考核对象的优、良、中、及格、不及格．文中的绩效评价方法是直接根据评价指标确定考核结果,结果的确定依赖于神经网络的学习,也就是从以往全体考核对象的绩效考核结果中分析统计得出规律,然后确定考核结果．在评分法中评价指标分值的给定基本是主观确定的,指标的分值无法做到精确,比如核心期刊评分为10分,B刊/EI检索评分为40分,但实际核心期刊最优分值或许为9.8或10.1,B刊/EI检索跟核心期刊的比例最佳或许是41或39．根据神经网络,文中利用RBF神经网络训练后得出的神经网络的权值和结构对以往考核结果来说，全体训练考核对象的考核误差和最小,权值(相当于评分法的分值)在数值上可以精确到小数数值,因而可以实现精细化考核,在评分法中无法做到如此精确．根据科研绩效精确确定考核结果之后,就可以建立调动和提高高校教师和科研机构科研工作人员工作积极性和科技创新能力的激励措施．如建立高职低聘和低职高聘的人事聘任制度和其他科研奖惩措施等．文中以某高校经济管理学院教师的科研成果为例,利用RBF神经网络建立了能够实现对科研工作绩效进行精细评价的模型．得出了如下结论:(1) 采用PSO优化算法对RBF网络的径向基宽度进行了优化．当径向基宽度为0.970 8时,正确识别率最高,可达87.5%．(2) 根据RBF神经网络的结构可知,隐层的输出是以训练样本为中心的径向基函数输出,所以,隐层输出可视为测试样本与训练样本的相似度度量．(3) 考察RBF神经网络隐含层到输出层的权值,发现该权值可视为对应训练样本在绩效考核模型输出中的贡献．该权值既跟考核结果高度相关,又与考核结果稍有差异．利用该权值能深入区分相近样本的科研水平高低．(4) 在多数样本实际考核结果合理的情况下,通过RBF网络的训练学习,按照隐层到输出层权值系数的大小分级能够修正个别样本在实际考核结果中的误评．(5) 文中推广了RBF网络在科研绩效评价中的应用,并为通过指标进行类似评价或评估的工作提供了一种新思路．【相关文献】[ 1 ] 唐莉. 基于战略的高校教师绩效评价体系实证研究[J]. 教育学术月刊,2012(6):55-57.[ 2 ] 杜永红,高虹,任涛,等. 基于动态平衡计分卡的民族高校精细化绩效测评体系研究[J]. 中国管理信息化,2014,17(13):132-137.[ 3 ] 李锋,尹洁. 基于层次分析法的复合型人才综合素质评价体系研究[J]. 江苏科技大学学报(自然科学版),2012,26(3):300-304. LI Feng,YIN Jie. Research on comprehensive quality evaluation system of compound talents by analytic hierarchy process[J]. Journal of Jiangsu University of Science and Technology(Natural Science Edition),2012,26(3):300-304.(in Chinese)[ 4 ] 朱永跃,马志强,陈永清. 基于BSC和灰色模糊理论的高校科技创新团队绩效评价[J]. 科技管理研究,2009(12):431-433.[ 5 ] 戚湧,李千目,王艳.一种基于DEA的高校科研绩效评价方法[J]. 科学学与科学技术管理,2008(12):178-186. QI Yong,LI Qianmu,WANG Yan. The university scientific research performance appraisal method based on DEA[J]. Science of Science and Management of S & T,2008(12):178-186.(in Chinese)[ 6 ] 陈钰. 普通高校教师教学绩效评价研究[D]. 天津:天津大学,2014:1-10.[ 7 ] 郑培,黎建强. 基于BP神经网络的供应链绩效评价方法[J]. 运筹与管理,2010,19(2):26-32. ZHENG Pei,LI Jianqiang. back propagation neural network approach on supply chain dynamic performance measurement[J]. Operations Research and Management Science,2010,19(2):26-32.(in Chinese)[ 8 ] 任秋阳,朱健,卢秉亮.基于PCA-BP的绩效综合评价研究[J]. 微处理机,2015(3):34-37. REN Qiuyang,ZHU Jian,LU Bingliang. Research of performance comprehensive evaluation based on PCA-BP[J]. Microprocessors,2015(3):34-37.(in Chinese)[ 9 ] YU L,LAI K K. Multistage RBF neural network ensemble learning for exchange rates forecasting[J]. Neurocomputing,2008,71(16/18):3295-3302.[10] 张瀛,洪珍玉,江巍. 基于RBF网络的中国信贷规模稳健预测[J]. 系统工程理论与实践,2014,34(12):3022-3033. ZHANG Ying,HONG Zhenyu,JIANG Wei. Chinese credit scale prediction using m-estimator based robust radial basis function neural networks[J]. Systems Engineering-Theory & Practice,2014,34(12):3022-3033.(in Chinese)[11] LI M,TIAN J,CHEN F. Improving multiclass pattern recognition with a co-evolutionary RBFNN[J]. Pattern Recognition Letters,2008,29(4):392-406.[12] LUENGO J,GARCIA S, HERRERA F. A study on the use of imputation methods for experimentation with radial basis function network classifiers handing missing attribute values: the good synergy between RBFNs and event covering method [J]. Neural Networks, 2010,23(3):406-418.[13] 张冬青,宁宣熙,刘雪妮. 基于RBF-HMM模型的时间序列在线预测[J]. 系统工程学报,2010,25(1):17-23. ZHANG Dongqing,NING Xuanxi,LIU Xueni. Time a series on-linepredfiction based on RBF-HMM model[J]. Journal of Systems Engineering,2010,25(1):17-23.(in Chinese)[14] 卫敏,余安乐. 具有最优学习率的RBF神经网络及其应用[J]. 管理科学学报,2012,15(4):50-57. WEI Min,YU Anle. A RBF neural network with optimum learning rates and its application[J]. Journal of Management Sciences in China,2012,15(4):50-57.(in Chinese)[15] 杨一,高社生,胡高歌. 基于敏感度方差重要性的RBF神经网络结构优化算法[J]. 控制与决策,2015,30(8):1393-1398. YANG Yi,GAO Shesheng,HU Gaoge. Optimal algorithm for RBF neural network structure based on variance significance in output sensitivity[J]. Control and Decision,2015,30(8):1393-1398.(in Chinese)[16] 黄继. 灰色多变量GM(1,N|τ,γ)及其粒子群优化算法[J]. 系统工程理论与实践,2009,29(10):145-151. HUANG Ji. Grey GM(1,N|τ,γ) model and its particle swarm optimization algorithm[J]. Systems Engineering-Theory & Practice,2009,29(10):145-151.(in Chinese)[17] 章杰宽. 智能组合预测方法及其应用[J]. 中国管理科学,2014,22(3):26-33. ZHANG Jiekuan. Intelligent integration forecasting method and its application [J]. Chinese Journal of Management Science,2014,22(3):26-33.(in Chinese)[18] FENG H M. Self-generation RBFNs using evolutional PSO learning [J]. Neurocomputing, 2006,70(1/3):241-251.[19] 戚湧,李千目,孙海华. 基于主成分神经网络和聚类分析的高校创新能力评价[J]. 科学学与科学技术管理,2009(10):112-117. QI Yong,LI Qianmu,SUN Haihua. The university innovation ability appraisal based on PCA-BP and cluster method [J]. Science of Science and Management of S & T,2009(10):112-117.(in Chinese)[20] 丁敬达,邱均平.科研评价指标体系优化方法研究:以中国高校科技创新竞争力评价为例[J]. 科研管理,2010,31(4):111-118. DING Jingda,QIU Junping. Study on the approach to optimize the indicator system of science research evaluation:a case study of the scientific and technological innovation competitiveness evaluation of Chinese universities[J]. Science Research Management,2010,31(4):111-118.(in Chinese)。

基于rbf神经网络的高校教师教学质量评价模型本文旨在探究基于RBF神经网络的高校教师评价模型，以改善教学质量，促进教育发展。

RBF神经网络（Radial Basis Function Neural Networks）是一种以非线性核函数为基础的机器学习技术，能够自动提取数据中的特征，从而有效地进行教师评价。

本文将分析RBF神经网络的基本理论、原理以及应用现状，并结合高校教师评价实践，探讨基于RBF神经网络的高校教师评价模型的构建过程和优势。

第一部分介绍了基于RBF神经网络的教师评价模型的基本原理。

RBF神经网络是一种旨在基于样本学习的统计模型，通过对数据自动提取特征的方式来构建线性或非线性模型，并通过网络的训练过程来调整参数，使模型能够更好地表示真实世界。

其核心原理涉及RBF神经网络的架构、核函数、训练算法以及网络的调参。

另外，该模型的构建过程也需要考虑特征提取、特征选择和特征表达方面的问题。

第二部分论述了基于RBF神经网络的高校教师教学质量评价模型的构建过程。

基于RBF神经网络的构建过程首先要明确教师评价的价值标准，结合实际情况，建立起教师教学质量的评价体系。

然后，根据教师在教学过程中的表现，采集有效的历史数据，将其作为训练样本，调整RBF神经网络参数，使其尽可能准确地反应教师表现，并最终形成一套系统的、可实施的评价模型。

第三部分论述了基于RBF神经网络的高校教师教学质量评价模型的优势。

RBF神经网络具有良好的数据处理能力，可以有效地提取数据中的特征，进而构建准确的评价模型。

此外，RBF神经网络的训练算法具有较高的效率，可以更快地收敛，从而提高评价的准确度和可靠性。

综上所述，基于RBF神经网络的教师评价模型具有较高的准确性和可靠性，可以很好地改善教学质量，促进教育发展。

本文总结了基于RBF神经网络的高校教师教学质量评价模型的基本原理、构建过程以及优势，为提高教师教学质量，推动教育进步提供了有效的参考。

专利名称：基于PSO优化的RBF模型教学质量评价预测方法专利类型：发明专利
发明人：廉颖霏
申请号：CN201810393823.3
申请日：20180427
公开号：CN108416483A
公开日：
20180817
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于PSO优化的RBF模型教学质量评价预测方法，基于PSO优化的RBF 神经网络模型的教师教学质量评价模型克服了传统的教师教学质量评价工作过程的复杂性,与其他评价方法相比，对评价的模拟结果和精度更符合实际,有效地弱化了指标权重确定中人为因素的影响，从而调动教师积极性；本发明所述的基于粒子群优化算法改进的神经网络模型的教学质量预测方法能够动态优化RBF神经网络模型隐含层的中心点位置和权值矩阵，从而改善了RBF神经网络性能，提高了数据预测的精确度，同时，利用最小二乘法求权值矩阵，需要优化的点少，收敛速度快。

申请人：无锡南洋职业技术学院
地址：214081 江苏省无锡市山水西路88号
国籍：CN
代理机构：南京经纬专利商标代理有限公司
代理人：朱小兵
更多信息请下载全文后查看。

PSO优化神经网络的高职教学质量评价体系设计摘要：目前，高职院校教育教学质量保障体系与教学质量评估问题已成为世界各国关注的问题之一。

但教学质量评价过程中，存在数据收集量大、繁、杂；数据不完备、不确定；评价方法和手段；后期数据分析与应用等问题。

故针对目前现状及存在问题，本文提出利用pso优化的人工神经网络技术处理教学质量评估系统出现的问题，既克服了人为因素对评价结果的直接影响，又可建立全面合理的综合评价指标体系。

关键词：pso优化神经网络高职教学质量评价体系1 高职院校教学质量评价综合指标体系的确立目前，各大高职院校广泛采用学生网上测评系统、教学质量管理委员会专家听课制度及教师互相听课评分制度，高度重视教学质量。

故本文采用以下16项评价指标，分别用x1、x2…x16表示。

其中，x1代表工作热情、精神饱满；x2代表课堂组织情况；x3代表讲课认真程度；x4代表课后辅导答疑及时耐心；x5代表教学内容正确、容量、速度适当；x6代表授课内容注重科学性、逻辑性和系统性；x7代表能够明确重点和难点，处理得当；x8代表理论联系实际情况；x9代表启发创新思维；x10代表作业布置与批改情况；x11代表根据教学需要，采用不同方法；x12代表多媒体教学手段运用情况；x13代表教学语言规范、生动，板书清晰、合理；x14代表能够结合教学内容和课堂纪律等对学生进行教育；x15代表教师遵守纪律情况；x16代表对授课教师总体印象。

2 系统功能模块设计教学质量评价系统分两部分，一是利用网络技术对教师教学工作进行评价与查询。

学生可通过网络随时在该系统平台上对任课教师进行评价；教师可通过该系统随时了解学生和督导专家的评价；学校各级教学管理部门可在一定权限内通过系统随时了解课堂教学反映。

二是测评数据处理系统，用于分析教学质量评价过程。

系统分为如下几个模块，具体见图1：3 教学质量神经网络评价系统设计学生测评数据获得后，如何公正、有效地得到教师的最终测评结构，是高职院校教学质量评价体系的核心部分，由样本库维护、神经网络训练、神经网络评价和报表输出四个模块组成。

基于rbf神经网络的高校教师教学质量评价模型今天，高校教师教学质量的评价受到了越来越多的重视，因此，开发一种能够准确评价教师教学质量并具有较强实用价值的新型模型显得尤为重要。

本文以基于RBF神经网络的高校教师教学质量评价模型为研究对象，展开研究。

首先，对RBF神经网络进行简单介绍，它是一种根据输入和输出结果之间的关联来自动学习的广义网络。

它可以用来识别和分类不同的模式，还可以用来识别和分析人类行为模式。

与其他神经网络不同，它的特点是可以自动识别概念，通过设定特定门限值，可以把概念变成输入数据，便于机器学习。

其次，对本文所提出的高校教师教学质量评价模型进行简单介绍，它是基于最近所提出的RBF神经网络的高校教师教学质量评价模型，主要用于评估高校教师教学质量。

它可以基于教师的授课计划、教学实施情况、学生反馈及评价结果等特定指标来对教师的教学质量进行评价。

本研究采用RBF神经网络结合多元统计的方法实现了评价模型的建立。

然后，本研究分析了通过RBF神经网络建立的高校教师教学质量评价模型的有效性，利用实际高校的课堂教学资料，运用RBF神经网络结合多元统计的方法建立了高校教师教学质量评价模型。

通过与传统评价模型的比较，验证了所建立的评价模型具有较强的准确性和可靠性，且能够有效识别教师教学质量的优劣。

最后，本研究讨论了通过RBF神经网络建立的高校教师教学质量评价模型的实用价值，由于本模型可以有效准确地评价教师教学质量的优劣，因此能够为高校教师的教学管理提供有效支持。

该模型还为高校教师的教学评估提供有效方法，为教学提高和教学改进提供有效借鉴。

综上所述，本文以基于RBF神经网络的高校教师教学质量评价模型为研究对象，详细介绍了RBF神经网络的原理，提出了一种基于RBF神经网络的高校教师教学质量评价模型，并分析了其有效性和实用价值，为评价高校教师教学质量提供了新的思路和借鉴。