[发明专利]基于PSO优化的RBF模型教学质量评价预测方法

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。

主权项

1.基于PSO优化的RBF模型教学质量评价预测方法，其特征在于：具体包含如下步骤：步骤1，获取RBF网络的训练样本数据，进行归一化处理；步骤2，确定RBF网络隐藏层节点的初始数目I，其中I＜L，L表示训练样本个数；步骤3，将数据中心ci和扩展常数δi组合成PSO算法中的粒子的位置向量X，设置粒子的寻优空间，后初始化PSO算法中的粒子群数目，再初始化粒子群里每个粒子的初始位置和速度；步骤4，将各个粒子的位置向量X转换成相应的RBF网络，求出隐藏层的输出矩阵其中，进而求出对应的输出权值矩阵W；步骤5，求出各个训练样本输入对应的RBF网络的实际输出并计算出每个粒子的适应度IfStop(X)，同时更新粒子的个体极值和种群的全局极值；步骤6，更新粒子的速度和粒子的位置；步骤7，若连续迭代T次后PSO算法的最优适应度IfStop(gBest)没有改变，则认为PSO寻优结束，否则，返回步骤3；步骤8，若PSO算法的最优适应度IfStop(gBest)＜Δ，即RBF网络的输出误差满足精度要求，则对网络的训练结束；否则，I＝I+1，并返回步骤3。