吴 蕾, 吴 婷

(1. 安徽警官职业学院, 合肥 230031; 2. 上海电机学院 机械学院, 上海 200245)

BP神经网络在教学质量评价中的应用观察

吴 蕾1, 吴 婷2

(1. 安徽警官职业学院, 合肥 230031; 2. 上海电机学院 机械学院, 上海 200245)

人工神经网络是一种新技术, 具有非线性处理、适应学习能力强等优势, BP神经网络是人工神经网络中的一种, 具有极强的非线性处理能力. 本文就人工神经网络和BP神经网络的相关概念进行分析, 研究基于BP神经网络的教学质量评价体系, 并对BP神经网络在教学质量评价中的应用进行探讨, 以便建立完善的质量评价体系, 促进教学质量的提高,推动高职院校的发展.

BP神经网络; 教学质量; 评价; 应用观察

引言

随着社会经济的飞速发展, 科学技术不断的提高, 使得信息技术在各个领域中的运用越来越广阔. 近年来, 我国教育发生了重大的改革, 主要强调素质教育的发展, 在此前提基础下, 我国高职院校的主要职责是培养高技能、高素质、全面性、实用型人才. 因此, 高职院校就需要改变以往的教学方式, 尽最大可能提高教学质量. 课堂教学仍然是实施教育的主要途径, 教学质量的好坏直接影响到高职院校的教育质量, 对高职院校的发展具有重大的影响[1]. 教学质量的好坏需要建立一种特有的评价体系进行评价, 因此,学校教学质量评价体系的建立是十分有必要的. 随着信息技术的应用范围不断扩大, 在教学质量评价体系中也得到一定的应用, 在教学质量评价体系中逐渐引入了BP神经网络技术, 为高职院校教学质量评价提供了一种科学的、合理的、有效的评价方式.

1 人工神经网络的概念

人工神经网络主要是通过对生物大脑从结构到功能方面进行模拟, 建立一种信息处理系统, 简称为神经网络. 神经网络主要是由多种简单的神经元联系组成的, 神经网络的整体运动形态比较复杂, 可以组成高度的非线性动力学系统, 具有一般复杂的非线性系统的特征. 人工神经网络是一个并行的分布式的信息处理网络结构, 其中每一个神经元有一个单一的输出口, 可以与其他多种神经元相连接. 另外, 神经网络的模型种类较多, 根据不同的角度, 对生物神经系统具有不同的模拟, 以下是几种比较典型的神经网络模型: BP神经网络、感知器、双向联想记忆等, 这些模型的建立主要是为了将模式进行分类, 对数据分类分析, 对计算方式进行优化[2]. 其中BP神经网络模型的主要功能有模式识别、函数逼近、数据压缩等.当前, 在人工神经网络的实际运用中, 大多数的网络模型是根据BP神经网络变化而来的.

2 BP神经网络的介绍

2.1 BP神经网络的基本原理

BP神经网络(Back Propagation)是一种多层前馈神经网络, 主要由多种神经元构成, 主要分为输入层、输出层和隐含层. 其具有每个神经元只和相邻层神经元相连接、各层神经元之间没有连接性、各层神经元之间没有反馈连接性的特点[3]. 其中BP神经网络的开拓补充结构如图1所示.

图1 BP神经网络的开拓补充结构

当给定一个网络输入模式的时候, 该输入模式会从输入层单元逐渐传入到隐含层单元中, 通过隐含单元层处理后, 被送到输出层单元, 经过处理之后, 会产生一个输出响应. 在这时, 如果输出响应和预期的输出具有一定的差距, 将会使得差距沿着连接通道回传到各个连接层进行修正, 以便减小误差[4]. 根据上图的结构分析, 其中输入信号是由xi表示, 隐含层的节点输出主要是以yh表示, 输出节点的输出主要是以Os表示. 在实际应用的过程中, BP神经网络可以根据不同的需求设置多个隐含层. 对BP神经网络中的连接权值和网络规模进行调节, 可以达到非线性分类的功能.

2.2 BP神经网络的特征和作用

其一, BP神经网络的特点. 首先, 具有非线性映照能力和并行分布处理能力. 其中非线性映照能力指的是神经网络可以任意精确的逼近非线性函数, 在建立BP神经网络模型的过程中, 诸多问题均具有较高的非线性[5]. 并行分布处理能力指的是在神经网络中, 信息分布存储和处理是同时进行的, 从而使得BP神经网络具有较强的容错性, 处理速度较快. 其次, 具有较强的数据分析能力和自学能力. 自学能力指的是在神经网络的训练过程中, 能够从输入和输出的数据中找出具有规律性的知识点, 将其存在网络的权值中. 并将这组权值使用在一般的情况下. 数据分析能力指的是神经网络可以同时处理定性和定量的信息, 利用传统的技术和人工智能技术进行数据处理. 最后, 具有多变量系统的功能. 神经网络的输出和输入的数据具有可变化的特点, 不仅可以为单变量系统提供条件, 还可以为多变量系统提供描述方式.

其二, BP神经网络的作用. 由于BP神经网络具有较高的非线性能力, 所以能够在众多领域中发挥作用, 如信息处理、自动化、工程、医学、经济等领域. BP神经网络的主要作用是实现函数逼近、数据压缩、模式识别等, 通过其较强的非线性映照能力和较好的容错性将自身的作用发挥出来, 从而在各个领域中发挥出较好的作用, 促进各个领域的发展[6].

2.3 BP神经网络的计算方式

BP神经网络的计算方式在根本上主要是以网络误差平方和为目标函数, 根据梯度法使得目标函数达到最小值. BP神经网络的基本计算方式的原理主要是根据纠错原则来进行计算的, 使用梯度下降法将网络输出误差进行反向传送, 并对网络的连接权值进行修正和更改, 将误差降到最小值. BP神经网络的学习方法分为误差反向传送和前向计算两个方面. 整个学习过程如图2所示.

3 基于BP神经网络的教学质量评价体系

3.1 在教学质量评价中BP神经网络的可行性

我国高职院校的教学质量一直是备受人们关注的一个话题. 近年来, 教育部门加大了对高职院校的教学质量监管的力度, 每年都要对教学质量进行评价, 因此, 人们越来越关注教学质量评价体系的构建,并加大了对其的研究力度. 教学是将教和学两者相结合的过程, 对教学质量产生影响的因素有很多, 另外, 这些因素的影响程度不同, 也会给教学质量的评价带来一定的影响. 这些问题属于非线性问题, 在评价的过程中, 会遇到较大的困难. 在以往的教学质量评价体系中, 无法排除事件的随机性和偶然性, 严重受到主观因素的影响, 往往会导致评价效果不够真实, 存在较大的误差. 因此, 急需要寻找一种有效的教学质量评价体系, 较好的解决以上所述的问题.

另外, 近年来, 神经网络技术是一种专门研究复杂性问题的工具, 在模式识别、自动控制、预测等方面具有较高的实效性. 人工神经网络技术的产生,为高职院校的教学质量评价体系提供了有利的依据和技术保障. 人工神经网络可以通过不断的学习和实际训练, 从未知的复杂数据的模式中, 寻找出知识的规律性, 能够及时处理多种类型的数据, 较好的弥补了传统教学质量评价方法的缺陷. 因此, 基于BP神经网络的教学质量评价系统是可行的[7], 不仅能够及时、有效的解决综合评价指标中的定性和定量的问题, 还有效的解决了传统评价方式中的表达问题, 不会受到主观因素的影响, 其评价结果更加准确. 基于BP神经网络的评价体系, 其主要原理是将课堂教学质量的评价指标组成BP神经网络中的输入量, 使用评价值组成BP神经网络中的输出量, 对网络结构和训练样本进行科学合理的设计, 并将其输入到网络中进行计算, 得出的系统误差符合标准要求后, 所获取的网络模型就是课堂教学质量评价模型.

3.2 基于BP神经网络的教学质量评价模型的设计方式

通过对基于BP神经网络的教学质量评价体系的可行性进行研究, 基于BP神经网络的教学质量评价体系的模型设计需要将系统分为子系统网络和综合网络, 各个网络均使用神经网络的方式进行设计. 将综合指标体系中的每一个一级指标视为一个子系统, 相对应的二级指标是每一个子系统的输入、输出, 从而组成综合系统的输入, 综合神经网络的输出就是教学质量评价体系中的评价结果, 主要分为优秀、良好、中等、合格、差几个等级, 每一个等级都有一个相对应的输出值范围. 另外, 还需要对网络结构模型的选择这份工作给予十分重视, 选择较好的网络模型能够有效的减少网络训练的次数, 提高网络学习的质量和准确度. 网络结构主要是由网络连接方式、各层次的节点数值和网络层次构成的.

图2 BP神经网络学习训练流程图

4 在教学质量评价中BP神经网络的应用研究

4.1 教学质量评价指标体系的确定

在建立神经网络评价模型之前, 需要确定教学质量评价指标体系. 根据科学性、综合性、准确性、可操作性等原则进行分析, 按照高职院校的评价指标确定需求考虑, 将学生评价的神经网络评价指标设计成表1的形式, 该指标体系直接关系到教学质量的评估模型的网络结构构成.

表1 评价指标体系

4.2 BP神经网络结构模型在教学质量评价中的实现

BP神经网络模型的实现, 需要选用较高性能的数值计算可视化MATLAB仿真软件, 建立三层BP神经网络, 其中输入层的神经元为12个, 输出层的神经元为1个, 隐含神经元为8个, 训练次数为1500次,允许误差为0.001, 选取5个样本数据和5个测试数据, 进行验证. 两者比较的结果比较满意, 神经网络评价结果和专家的评价结果对比分析如表2所示. 从中可以看出神经网络与专家评价的结果比较接近. 另外,为了进一步验证实验效果, 将预先准备的五组数据, 通过仿真软件得到的结果与专家评价结果相比, 如表3所示. 由表3可知仿真结果和专家给出的评价结果也比较相近. 由此可以说明, BP神经网络在教学质量评估中的应用价值比较高, 能够代替人工进行评价, 具有较好的评价效果.

表2 神经网络评价结果和专家评价结果对比情况

表3 仿真软件和专家评价的结果情况

5 总结

高职院校的教学质量评价体系是比较复杂的非线性的综合系统, 在进行评价的过程中, 具有较多的不确定选择因素, 因此, 基于BP神经网络的教学质量评价体系的输出和输入的数据也具有变化性的特点.由于BP神经网络模型具有较高的非线性映照功能, 在教学质量评价中使用BP神经网络技术, 能够确保评价的准确度, 真实的反映出教学质量的标准. 避免主观因素的干扰, 能够较好的弥补传统评价体系的缺陷. 通过实验验证表明, BP神经网络模型的输出值和专家评价的真实值之间的误差较小, 其功能完全可以满足实际评价的需求, 其应用价值较高. 随着科学技术的不断提高, 在未来的发展中, BP神经网络在教学中的应用范围将更加广阔, 应用效果也会更加显著, 能够为高职院校的教学质量的提高起到极大的促进作用.

[1] 杨新佳. 基于神经网络的教学质量评价模型研究[J]. 西安科技大学学报, 2011, 12(07): 126～128

[2] 彭志钢. 基于 BP 神经网络的教学质量评价模型[J]. 安徽建筑工业学院学报(自然科学版), 2010, 17(06): 110～113

[3] 周开利. 神经网络模型 MATLAB 仿真程序设计[M]．北京: 清华大学出版社, 2010, 112～116

[4] 胡春萍. 基于BP神经网络的高校教学质量智能评估体系的研究与实现[J]. 广东工业大学学报, 2011, 15(05): 121～123

[5] 乔维德. 基于BP 神经网络的现代远程教育教学质量评价模型的构建[J]. 中国远程教育, 2012, 17(07): 102～103

[6] 汤小凝. 模糊理论在高校教学质量评估中的应用[J]. 中国教育技术装备, 2011, 11(08): 106～108

[7] 汪旭晖. 基于BP神经网络的教学质量评价模型及应用[J]. 高等工程教育研究, 2010, 13(05): 178～181

Observation on Application of BP Neural Network in Teaching Quality Evaluation

WU Lei1WU Ting2
(1. Anhui Vocational College of Police Officers, Hefei 230031, China; 2. School of College of Mechanical Engineering, Shanghai Dianji University, Shanghai 200245, China)

With the continuous development of science and technology, a new type of teaching quality evaluation system has being generated gradually. Artificial neural network is a new technology, which has such advantages as nonlinear processing and adaptive learning capability. While BP neural network is such a kind of artificial neural network, it has strong ability of nonlinear processing. The related concepts of artificial neural network and BP neural network were analyzed in this paper. With the researching on teaching quality evaluation system based on BP neural network, it discussed the application of BP neural network in teaching quality evaluation. Thus could be helpful to establish perfect quality evaluation system and promote the development of higher vocational colleges.

the BP neural network；the quality of teaching；evaluation；application of observation

TP183

A

1672-5298(2014)03-0033-04

2014-05-15

吴 蕾(1980− ), 女, 安徽合肥人, 安徽警官职业学院讲师. 主要研究方向: 计算机应用技术