本站小編為你精心準(zhǔn)備了教學(xué)質(zhì)量論文：神經(jīng)網(wǎng)絡(luò)的教導(dǎo)品質(zhì)評(píng)析參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

作者：馮瑩瑩程向陽單位：阜陽師范學(xué)院信息工程學(xué)院

AHP-BPNN的教學(xué)質(zhì)量評(píng)價(jià)模型

1建立教學(xué)質(zhì)量

評(píng)價(jià)指標(biāo)體系構(gòu)建教學(xué)質(zhì)量評(píng)價(jià)模型的第一步是建立相應(yīng)的評(píng)價(jià)因素集(指標(biāo)體系)，指標(biāo)體系的設(shè)置是否科學(xué)合理，直接關(guān)系到評(píng)價(jià)模型的科學(xué)性與實(shí)用性，然而教學(xué)質(zhì)量評(píng)價(jià)是受到多種因素的影響，如教學(xué)方法，教學(xué)態(tài)度，教學(xué)內(nèi)容，課堂管理，教學(xué)效果，本文通過系統(tǒng)分析和專家評(píng)論，參照相關(guān)文獻(xiàn)和研究，然后采用層次分析建立如圖1所示的教學(xué)質(zhì)量評(píng)價(jià)指標(biāo)體系。從圖1可知，評(píng)價(jià)指標(biāo)論域V=(教學(xué)方法，教學(xué)態(tài)度，教學(xué)內(nèi)容，教學(xué)效果)，每一個(gè)評(píng)價(jià)指標(biāo)均包含多個(gè)子評(píng)價(jià)指標(biāo)。

2AHP篩選評(píng)價(jià)指標(biāo)

2.1構(gòu)建指標(biāo)判斷矩陣構(gòu)建指標(biāo)判斷矩陣是層次分析法的關(guān)鍵步驟。為了減少主觀因素的影響，對(duì)教學(xué)質(zhì)量評(píng)價(jià)指標(biāo)兩兩進(jìn)行比較，構(gòu)建判斷矩陣A，矩陣A中元素值表示評(píng)價(jià)指標(biāo)對(duì)于教學(xué)質(zhì)量評(píng)價(jià)結(jié)果相對(duì)重要性程度，本文采用教學(xué)主管部門和熟悉課堂教學(xué)質(zhì)量評(píng)價(jià)的專家共同打分確定，判斷矩陣中元素的賦值標(biāo)準(zhǔn)如表1所示。

2.2評(píng)價(jià)指標(biāo)權(quán)重計(jì)算及一致性檢驗(yàn)求得W，然后進(jìn)行歸一化處理，得到相應(yīng)指標(biāo)對(duì)于上一層次相對(duì)重要性權(quán)值，最后對(duì)判斷矩陣進(jìn)行一致性檢驗(yàn)。計(jì)算同一層次對(duì)教學(xué)質(zhì)量總評(píng)價(jià)結(jié)果的相對(duì)重要性，得到綜合權(quán)重，然后從高到低層對(duì)判斷矩陣一致性進(jìn)行檢驗(yàn)。最后根據(jù)教學(xué)質(zhì)量評(píng)價(jià)指標(biāo)的權(quán)重對(duì)評(píng)價(jià)指標(biāo)進(jìn)行排序。

3重要性指標(biāo)篩選

根據(jù)各評(píng)價(jià)指標(biāo)對(duì)教學(xué)質(zhì)量最終評(píng)價(jià)結(jié)果的影響權(quán)值順序，剔除不重要的指標(biāo)，篩選出比較重要的評(píng)價(jià)指標(biāo)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，減少神經(jīng)網(wǎng)絡(luò)的輸入維數(shù)，簡(jiǎn)化網(wǎng)絡(luò)結(jié)果，加快神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度，提高教學(xué)質(zhì)量評(píng)價(jià)精度和評(píng)價(jià)效率。

BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是一種誤差反向傳播神經(jīng)網(wǎng)，它由輸入層、隱含層和輸出層構(gòu)成，成為使用最為廣泛的一種人工神經(jīng)網(wǎng)絡(luò)，其結(jié)果如圖2所示。

AHP-BPNN的教學(xué)質(zhì)量評(píng)價(jià)步驟

Step1：依據(jù)專家系統(tǒng)、一線教師和教學(xué)質(zhì)量評(píng)價(jià)實(shí)際要求，采用層次分析建立教學(xué)質(zhì)量評(píng)價(jià)的層次性指標(biāo)體系結(jié)構(gòu)。

Step2：利用層次分析法對(duì)教學(xué)評(píng)價(jià)指標(biāo)的綜合權(quán)重進(jìn)行計(jì)算，并根據(jù)指標(biāo)權(quán)值的重要性大小進(jìn)行排序。

Step3：根據(jù)評(píng)價(jià)指標(biāo)權(quán)重采用篩選法選擇對(duì)教學(xué)質(zhì)量評(píng)價(jià)結(jié)果有重要影響的評(píng)價(jià)指標(biāo)。

Step4：根據(jù)AHP篩選的評(píng)價(jià)指標(biāo)確定BPNN輸入層的神經(jīng)元個(gè)數(shù)，將教學(xué)質(zhì)量評(píng)價(jià)的等級(jí)作為模型的輸出，隱含層神經(jīng)元個(gè)數(shù)可通過逐步增長(zhǎng)的方法確定，這樣就確定BPNN模型的拓?fù)浣Y(jié)構(gòu)。

Step5：對(duì)指標(biāo)進(jìn)行歸一化處理，消除指標(biāo)量綱差異的不利影響。

Step6：初始化BPNN參數(shù)，并選取足夠的教學(xué)質(zhì)量評(píng)價(jià)樣本，采用BPNN對(duì)其進(jìn)行訓(xùn)練和學(xué)習(xí)，從而建立教學(xué)質(zhì)量評(píng)價(jià)模型。

Step7：采用建立的評(píng)價(jià)模型對(duì)待評(píng)價(jià)教師教學(xué)質(zhì)量進(jìn)行評(píng)價(jià)，并輸出評(píng)價(jià)結(jié)果，并對(duì)其性能進(jìn)行分析。

AHP-BPNN的教學(xué)質(zhì)量評(píng)價(jià)流程如圖3所示。

仿真實(shí)驗(yàn)

1數(shù)據(jù)來源

為了檢驗(yàn)AHP-BPNN教學(xué)質(zhì)量評(píng)價(jià)模型的性能，在Matlab2007平臺(tái)下對(duì)其進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)來自安徽省高等學(xué)校教學(xué)改革立項(xiàng)項(xiàng)目《程序涉及與數(shù)據(jù)結(jié)構(gòu)融合教學(xué)模式研究》，共收集到3000個(gè)數(shù)據(jù)。每一個(gè)數(shù)據(jù)共包括14個(gè)評(píng)價(jià)指標(biāo)，部分?jǐn)?shù)據(jù)如表2所示。

2模型實(shí)現(xiàn)

樣本數(shù)據(jù)值差異過大或過小數(shù)據(jù)會(huì)對(duì)導(dǎo)致增加計(jì)算復(fù)雜度，訓(xùn)練時(shí)間過長(zhǎng)，為此，對(duì)其進(jìn)行歸一化處理縮放到閉區(qū)間，具體則歸一化公式為：采用層次分析法對(duì)教學(xué)質(zhì)量評(píng)價(jià)指標(biāo)進(jìn)行確定權(quán)重，并按權(quán)重值進(jìn)行篩選，其得到教學(xué)目的，教學(xué)工具和手段；難點(diǎn)、重點(diǎn)處理；教學(xué)計(jì)劃完成；學(xué)生對(duì)教學(xué)內(nèi)容掌握等5個(gè)指標(biāo)，然后對(duì)根據(jù)這5個(gè)指標(biāo)對(duì)數(shù)據(jù)進(jìn)行處理，得到新的數(shù)據(jù)集。將數(shù)據(jù)分成兩部分，其中選擇2500個(gè)數(shù)據(jù)作為訓(xùn)練樣本集，剩下500個(gè)數(shù)據(jù)作為測(cè)試樣本集，將訓(xùn)練樣本輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)具體訓(xùn)練過程如圖4所采用建立的最優(yōu)教學(xué)質(zhì)量評(píng)價(jià)模型對(duì)測(cè)試集進(jìn)行檢測(cè)，得到實(shí)際輸出與模型輸出如圖5所示，兩者之間的相關(guān)系數(shù)為0.9450，評(píng)價(jià)精度達(dá)到94.73%，評(píng)價(jià)結(jié)果的精度相當(dāng)高，結(jié)果表明，層次分析法和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的教學(xué)質(zhì)量評(píng)價(jià)方法是有效的，可行的。為進(jìn)一步檢測(cè)AHP-BPNN的泛化性能力，重新將3000個(gè)數(shù)據(jù)分成訓(xùn)練集、驗(yàn)證集和測(cè)試集，它們樣本個(gè)數(shù)分別為：2000，800，200。首先將訓(xùn)練集輸入到BPNN神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，然后采用驗(yàn)證集對(duì)建立模型的有效性進(jìn)行驗(yàn)證，最后選擇最優(yōu)模型對(duì)測(cè)試集進(jìn)行檢測(cè)，訓(xùn)練集的評(píng)價(jià)精度為98.73%，驗(yàn)證集評(píng)價(jià)精度達(dá)到94.15%，測(cè)試集的評(píng)價(jià)精度為92.15%，結(jié)果表明，對(duì)于測(cè)試集的評(píng)價(jià)高達(dá)92.15%，說明AHP-BPNN模型的泛化性能力，較好的避免了過擬合的難題。

3與其它教學(xué)質(zhì)量評(píng)價(jià)模型結(jié)果比較

為了評(píng)價(jià)AHP-BPNN模型的優(yōu)劣，選擇多元線性回歸(MLR)，層次分析法(AHP)，BP神經(jīng)網(wǎng)絡(luò)(BPNN)，層次分析法+多元線性回歸模型(AHP-MLR)進(jìn)行對(duì)比實(shí)驗(yàn)，采用評(píng)價(jià)精度和相關(guān)系數(shù)作為模型的衡量標(biāo)準(zhǔn)，對(duì)比結(jié)果如表3所示。MLR、AHP、BPNN、和AHP-MLR實(shí)際輸出與模型輸出相關(guān)性變化曲線如圖6~9所示。對(duì)表3和圖5~9的仿真結(jié)果進(jìn)行對(duì)比和分析，可以得到如下結(jié)論：

(1)組合模型AHP-MLR和AHP-BPNN教學(xué)質(zhì)量的評(píng)價(jià)精度比單一模型的精度要高，這主要是由于組合模型利用了單一模型的優(yōu)點(diǎn)，實(shí)現(xiàn)了優(yōu)勢(shì)互補(bǔ)，可以提供更多反映教學(xué)質(zhì)量的信息，有效提高了教學(xué)質(zhì)量的評(píng)價(jià)精度。

(2)BP神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)結(jié)果要優(yōu)于MLR和AHP的評(píng)價(jià)結(jié)果，這主要是由于神經(jīng)網(wǎng)絡(luò)是基于非線性建模的，具有智能學(xué)習(xí)能力，而MLR和AHP是基于線性建模的，不能很好反映教學(xué)質(zhì)量評(píng)價(jià)指標(biāo)和評(píng)價(jià)等級(jí)的非線性關(guān)系，因此，BP神經(jīng)網(wǎng)絡(luò)要優(yōu)于其它線性模型。

(3)AHP-BPNN的評(píng)價(jià)精度最高，說明采用AHP對(duì)評(píng)價(jià)指標(biāo)進(jìn)行分析，篩選出對(duì)評(píng)價(jià)結(jié)果最重要的指標(biāo)，然后采用非線性逼近能力強(qiáng)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行教學(xué)質(zhì)量評(píng)價(jià)，充分利用了兩者的優(yōu)勢(shì)，兩者結(jié)果提高教學(xué)質(zhì)量評(píng)價(jià)效率和評(píng)價(jià)精度，能夠?qū)虒W(xué)質(zhì)量進(jìn)行有效、準(zhǔn)確評(píng)價(jià)。

結(jié)束語

針對(duì)非線性的教學(xué)質(zhì)量評(píng)價(jià)問題，提出一種基于AHP-BPNN的教學(xué)質(zhì)量評(píng)價(jià)方法，并通過仿真實(shí)驗(yàn)進(jìn)行性能測(cè)試。仿真結(jié)果表明，AHP-BPNN采用層次分析法對(duì)重要性指標(biāo)進(jìn)行篩選法，簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，大幅度減少模型計(jì)算的時(shí)間，同時(shí)采用非線性逼近能力的BP神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)雜的教學(xué)質(zhì)量進(jìn)行評(píng)價(jià)可以提高教學(xué)質(zhì)量的評(píng)價(jià)精度和教學(xué)質(zhì)量評(píng)價(jià)系統(tǒng)的運(yùn)行效率，得到的評(píng)價(jià)結(jié)果更具科學(xué)性和準(zhǔn)確性，在教學(xué)管理中具有很好的應(yīng)用前景。