[发明专利]一种基于BP神经网络的院校教学质量评价方法

摘要

本发明属于教学管理领域，涉及一种基于BP神经网络的院校教学质量评价方法。本发明是利用BP神经网络的方法进行教学质量评价，网络架构为两层三角度BP神经网络。第一层是由学员评价子系统，课程评价子系统和集训班评价子系统即三个角度的评价组成。第二层是由第一层中的各个子系统下的“子系统”组成。本发明结合院校教学工作的实际特点和教育教学质量的要求，将BP神经网络引入到院校教学质量评价中，建立相关的数学模型，综合多项复杂的指标并予以量化，科学合理可行。

主权项

一种基于BP神经网络的教学质量评价方法，其特征在于以下步骤，第一步，初始化并输入数据数据1)评价数据初始化处理为了保证输入数据范围是[0，1]之间，使用公式(1)对输入数据进行归一化处理：其中：P是BP神经网络的输入值，I是评价原始数据，Imin是BP神经网络输入的最小值，Imax是BP神经网络输入的最大值；2)初始化权值矩阵、计数器、学习速率、误差输入层节点与隐含层节点的权值矩阵为V，隐含层节点与输出层节点的权值矩阵为W；分别对V和W矩阵赋予随机值，将样本模式计数器p和训练次数计数器q置为1，误差E设置为0，学习速率η设为0.001，网络训练后达到的精度Emin设为一正的小数；3)输入训练样本对，计算各层输出；用当前样本Xp、dp对向量X、d赋值，用公式(2)和公式(3)计算Y和O中的各分量；y_j＝f(net_j) j＝1，2，…，m  (2)o_k＝f(net_k) k＝1，2，…，1  (3)第二步，计算各层误差并调整权值；1)计算网络输出误差；设共有P对训练样本，网络对应不同的样本具有不同的误差Ep，用其中最大的Emax代表网络的总误差E；或用其均方根作为网络的总误差E；2)计算各层误差信号；利用公式(3)和公式(4)计算和${\mathrm{\&delta;}}_k^o=(d_k-o_k)o_k(1-o_k)---\left(4\right)$${\mathrm{\&delta;}}_j^y=\&lsqb;{\mathrm{\&Sigma;}}_{k=1}^l(d_k-o_k)f^{\&prime;}\left({\mathrm{net}}_k\right)w_{jk}\&rsqb;f^{\&prime;}\left({\mathrm{net}}_j\right)=\left({\mathrm{\&Sigma;}}_{k=1}^l{\mathrm{\&delta;}}_k^o{w}_{jk}\right)y_j(1-y_j)---\left(5\right)$3)调整各层权值；利用公式(6)和公式(7)W和V中的各分量；${\mathrm{\&Delta;w}}_{jk}={\mathrm{\&eta;\&delta;}}_k^o{y}_j=\mathrm{\&eta;}(d_k-o_k)o_k(1-o_k)y_i---\left(6\right)$${\mathrm{\&Delta;v}}_{ij}={\mathrm{\&eta;\&delta;}}_j^y{x}_i=\mathrm{\&eta;}\left({\&Sigma;}_{k=1}^l{\mathrm{\&sigma;}}_k^o{w}_{jk}\right)y_j(1-y_j)x_i---\left(7\right)$第三步，检查是否结束本轮轮巡；1)检查计数器是否达标；若p<P(或p`<P`)，计算器p(p`)和q(q`)都加1，返回第二步，否则进行精度检查；2)检查精度是否符合要求；检查网络总误差是否达到精度要求：若E<E_min(或E`<E`_min)，训练结束，否则E(E`)置0，p(p`)置1，返回第二步继续迭代；3)检查是否进入第二层神经网络；若本次迭代为第一层神经网络则进入第二层神经网络迭代，本次的输出为第二层神经网络的输入，否则结束迭代；在该方法中，有如下参数设置：对于BP网络层数：三层；输入层单元的个数：第一层为5；第二层的成绩部分为3，评价表部分为18；其中课程成绩有平均成绩：全部学员课程的平均成绩/100；均方差成绩：全部学员课程成绩的均方差；浮动成绩：(课程平均成绩‑历史该课程平均成绩)/历史该课程平均成绩；输出层神经单元个数：1；隐含层神经元的个数，综合经验公式以及该方法结构且通过实验检验为7；训练函数通过实验：LM；学习速率是保持不变的，通过实验检验，学习速率为0.03；在隐层单元上的激活函数：tagsig双曲正切函数；在输出层单元的激活函数：Sigmoid函数。