刘粉 薄祥雷

摘要：本文针对高校专业课学习效果评价体系，提出一种弹性BP神经网络（Resilient Back-Propagation Neural Network， RPROP-NN）的专业课程评价分析系统.一门课程的最终学习效果的评估受许多相关指标的影响，从而传统的人工专家评价方法不能真实客观地反映出学生对这门课程的学习效果.相对于传统的专家评价方式，RPROP-NN解决了专家因主观因素影响评价结果的问题;同时，比起传统的BP神经网络，RPROP-NN可消除对评价结果有不利影响的网络训练过程中的梯度幅度，使网络的收敛速度更快，课程评价结果更加准确.通過对实际专业课学习评价数据的仿真，RPROP-NN的有效性得到验证.

关键词：课程评价系统;RPROP神经网络;BP神经网络;专家系统

中图分类号：TP3-05  文献标识码：A  文章编号：1673-260X（2019）02-0052-04

1 引言

近年来，国家对高校的办学质量越来越重视.专业课的学习效果，成为目前检验学生对知识掌握程度的重要标志，同时也是教师教学成果和学校管理优劣的一个显著体现.然而，由于真实世界中的各种客观因素和主观因素的干扰，使得专业课程的效果评价体系的数学模型难以建立.针对如何构建一个高校课程评价体系的问题，近些年学术界和教育界的部分学者在理论上给出了一些自己的观点.同时，一些学习效果的评价方法针对具体的课程属性而提出，例如聚类法[1]，多元回归分析法以及模糊综合评价法等.不同高校本身的办学特点不同，截至目前还没有一个标准的、公认的、理想的专业课程学习效果评价体系.因此，建立一个准确、有效、易操作的课程学习效果评价模型具有重要实际意义.

BP神经网络是目前应用最为广泛的神经网络之一，本文采用的是一种弹性BP神经网络[2-3].RPROP-NN在训练过程中仅使用梯度的符号，使得权值在更新过程中，避免梯度幅度对网络性能的负面影响.RPROP-NN自提出以来，以其独有的优越性，迅速得到了广泛使用，包括故障诊断，地表水质分析以及电子系统谐波分析等.

本文首先分析了高校专业课学习效果的评价体系的影响因素和研究的主要内容，从而将其量化，将评价结果以分为若干等级.最后，以课程评价体系的研究内容和影响因素为网络输入，以课程评价效果为网络输出，建立弹性BP神经网络.该方法避免了传统评价方法中专家的主观思想因素对评价结果的影响，且给出了一个通用的专业课学习效果评价体系的模型.因此，该方法在理论和实际上均具有一定意义.为验证RPROP-NN的有效性，本文选取了某高校的某门专业课的评价效果的实际数据，构建RPROP神经网络.通过仿真结果，RPROP-NN的有效性得到验证.

2 高校专业课学习效果评价体系的描述

高校专业课学习效果的评价理论上应该做到根据政策、法规和学校的人才培养目和要求，运用教育评价和数学的理论、方法和技术，对专业课程本身，教师本身，以及学生本身进行公正、准确、全面的价值判断.它为教育决策提供有效的信息，使得效果理想的课程可以最大限度地发展.但这种效果评价体系的评价活动具有内容多，涉及面广的特点，无论从国家目前的相关教育政策、方针方面，还是从高校各自的教学管理方面来说，都具有重要的意义和作用.

高校专业课程基本都是理论与实践结合的课程，教学过程具有多因素相互作用和多环节综合的特点，因此很难把评价指标贯穿到学生的学习过程中.在实际中常应用于现有的课程学习效果评价体系的要素包括：学习态度、学习内容、学习能力、学习方法以及学习目的.将这5方面内容具体化，可得到如图1所示的x9中评价指标.本文所研究的学习效果评价体系中的各个度量指标即根据以上描述的9方面而展开研究.

3 基于弹性BP神经网络的学习效果评估模型

由第2部分的分析可知，对于一个课程的学习的最终效果，可根据由学习的过程、效果、能力等决定的x1-x9的9项指标的综合输出结果，来判断学生对课程的最终学习效果.传统的方法是由专家来根据以上指标进行人工评价，这种方法在某些特定情况下的结果会受专家的主观意愿影响，从而导致判定结果并不准确.因此，根据现有的海量数据，设计一个基于数据的课程评价系统，可以避免传统方法的缺陷，使得评价结果更为客观.

而弹性BP神经网络由于其具有可消除在网络训练过程中的梯度幅度对网络输出的不利影响等特点，在近些年来得到更为广泛的应用[4].弹性BP神经网络包含输入层和隐层一级输出层，隐层可以为一层或多层，目前已有大量的文献材料表明，当隐层神经元数目选取恰当时，可用3层前向神经网络逼近任意的非线性函数[5].本文中则采用3层神经网络，神经网络其拓扑结构如图2所示.基于图2所示的弹性BP神经网络的拓扑结构，我们将针对本文研究的专业课程学习效果评价问题进行建模，建模过程分为以下A和B两部分.

3.1 基于弹性BP神经网络的课程评价效果网络的创建

在第II-B部分，我们已经通过分析获得专业课学习效果评价的9种指标，将其记为：

记nin作为网络输入神经元个数，即nin为9.同时，针对最终的评价等级，可将其从优到劣划分为A-F共5个级别，为方便计算机仿真计算，本文采用3位二进制数来识别输出的5个等级.5种等级及其对应的3位二进制编码如下表1所示.

因此，本文令评价等级的3位二进制编码作为网络输出，记为：

4 仿真分析

本文使用某高校的某门专业课的评价效果的实际数据进行RPROP神经网络的仿真验证.在仿真过程中，为了去除数据中量纲的影响，我们将单位每个评价指标的单位一致化，将数据进行了归一化处理.本文使用12组数据样本，6组样本作为训练集样本，6组作测试集样本.用6组测试集数据来验证弹性BP神经网络预测的学习效果，测试数据样本列举如表2所示.

基于以上数据，我们创建RPROP神经网络，仿真参数如下表3所示.仿真参数设定完毕后，我们建立RPROP神经网络.本文中的网络输出值为-1到1之间的实数，对网络输出结果的绝对值进行四舍五入后，结果既为我们可以看到的二进制编码.

当RPROP网络训练完成后使用表2所示的6组测试数据，结果如表4所示.通过表4分析可知，进行仿真的6組数据对应的课程学习效果的网络输出值经过四舍五入后，与真实的二进制编码值相同.

本文使用了2种权值更新算法，本文所提的RPROP算法和传统的最速下降算法.从图3训练过程中性能函数变化曲线可知，两种算法的训练过程中，性能指标函数均逐渐变小.相比传统的最速下降法，红线代表的RPROP算法在第3次迭代后，达到了所设定的理想训练精度（表3所示的goal）.因此，RPROP算法具有比传统最速下降法更好的性能和收敛速度.

由上述仿真分析可知，对比传统的专家评价方式，RPROP神经网络，避免了专家主观思想因素对评价结果的影响.同时，相比传统最速下降BP神经网络，ROROP网络在训练过程中性能函数的收敛速度更快.从算法本身考虑，RPROP-NN可消除在网络训练过程中的梯度幅度对评价结果的不利影响，使得课程评价效果更加准确，因此，该算法具有一定的实用性.

5 结论

本文研究了针对高校专业课学习效果评价体系的建模问题，根据现有的专业课学习效果评价体系的一些特征，提出基于弹性BP神经网络的专业课程评价分析系统.相比传统的专家评价方式，该方法避免了专家主观思想因素对评价结果的影响.同时，相比传统最速下降BP神经网络，RPROP- NN可消除在网络训练过程中的梯度幅度对评价结果的不利影响，使得课程评价效果更加准确.最后，本文通过对实际数据的仿真来验证RPROP-NN的有效性.仿真结果表明RPROP-NN具有较为理想的精度，同时相比传统最速下降BPNN，其性能函数具有更快的收敛速度.

本文所建立的模型具有一般性，且所使用的算法基于数据出发，相比现有的层次分析法，模糊综合评价法，聚类法，多元回归分析法等方法，更多地依赖于数据，而非模型机理.因此，本文的工作具有一定的实际意义和应用价值.

参考文献：

〔1〕Z. Yang， L. Zhao， and S. Bao， "Research of university teachers' teaching quality " Journal of Inner Mongolia Agricultural University（vol. 12， pp. 91-96， 2010.

〔2〕B. Cai， "Teaching quality evaluation model based on revised BP neural network，" Journ al of Ji shou Universit y， vol. 32， pp. 67-70， 2011.

〔3〕翟华静.多元神经网络系统下教师教学评价系统的构建[J].电子技术与软件工程，2016（22）.

〔4〕王吉权，王福林，董志贵，等.基于改进BP神经网络的电力负荷预测[J].数学的实践与认识，2017（09）.

〔5〕C. Yang， C. Zhu， and H. Xie， "Fault diagnosis based on RPROP neural network for asynchronous motor，" Electric Power Automation Equipment， vol. 32， pp. 80-83， 2012.