基于BP神经网络的教学质量评估系统研究.pdf

第11卷第5期电手元器件主用Vo1．11No．5
20o9年5月ElectronicComponent＆DeviceApplicationsMay．2009

基于BP神经网络的教学质量
评估系统研究

苏义鑫．魏毅然
(武汉理工大学自动化学院，湖北武汉430070)

摘要：根据高校教学质量评估指标，给出了利用BP神经网络算法建立BP三层网络结构教学
质量评估系统的数学模型，并在matlabT通过编程验证了将该模型用于高校各评价指标以确
定教学质量的评价结果。
关键词：评估指标；BP神经网络；训练样本；matlab45,-真

O引言学质量评估系统之中。

提高教学质量，培养社会需要的高素质人才1教学质量评估指标
是高等学校教育的根本任务。对教师教学质量进
行科学、公正、客观的综合评价，是促进教学质表l所列是某高校的教学质量评估指标。教
量提高，了解教学情况的科学有效且符合教育规学质量评估的等级一般可分为5类，分别为<0．6、
律的方法之一。通过评价，一方面，老师可从评O．6-0．7、0．7~0．8、0．8-0．9和>0．9f分别对应于1、
价结果寻找自身的薄弱环节．对症下药．不断解2、3、4和5)，即(001)、(010)、(O11)、(100)
剖自我，充实自我，从而达到充分调动广大教师和f101)。
积极投身教学改革，努力提高教学质量的目的；表1教学质量评估指标表
另一方面。评价也为学校管理者了解教师队伍素
质提供了依据，便于做出相应的管理对策。为保
证高校教学管理工作规范化．提高教育质量．对
教师教学质量进行科学评价是非常重要的。教学
评价就现有的研究状况来看，主要集中在两个方
面，一是对教学质量评价体系中的内容研究，二
是如何评定教学质量等级的方法研究。
由于影响教学质量的因素很多，而且各因素
影响的程度也不同，故其评价结果难以用恰当的
数学解析表达式来表示。它属于复杂的非线性分
神经网络应用中的样本是神经网络训练的必
类问题。一般情况下，传统的分类方法不能很好
要条件，样本的好坏直接影响着训练结果。根据
地解决这些问题，而人工神经网络作为一种新技
教学质量评估指标，可在学生中做出调查报告，
术，以其非线性映射、学习分类和实时优化等基
然后将得到的数据进行平均。从而得到训练样
本特性为模式识别和非线性分类等研究开辟了新
本，表2所列是经过预处理后的训练样本，其中
的途径。因此，本文以学校教学质量评估体系为
前十个数据可作为训练数据，后两个数据作为验
研究对象．将人工神经网络的理论引入到高校教
证数据，从而对经过训练生成的神经网络模型的

收稿13期：2009—02—20预测结果进行验证。期望输出指标可采用督导组

74电子元器件主用2009．5wlt)w．ecda．cn
第21010卷9年5第月5期鼹恭镱V01．1lNo．5
Mav．2009

表2数据预处理后的训练样本

对该课堂的评价结果，表3所列为期望输出。值的误差减小到规定范围内，系统便停止学习。
此时将新样本输入到已经训练好的网络，就可以
2BP神经网络简介得到相应的输出值。基于BP神经网络的教学质量
评价系统结构如图1所示。
典型的BP神经网络是一个由输入层、隐含层
和输出层构成的三层前馈阶层网络。BP网络的学xl
习过程由信息的正向传播和误差的反向传播组
x2

●
成。当给定网络一组输入模式时，BP网络将依次：
：
●
对这组输入模式按如下方式学习：
xl8
首先．把输入模式从输入层传输到隐含层单
图1BP神经网络结构图
元，经隐含层单元逐层处理后。产生一个输入模
式传送到输出层，这一过程称为正向传播；3BP神经网络在教学质量评估中的应用
然后，将输出结果和期待值进行比较，如果
3．1模型的确定
没有达到预期，则转变为误差的反向传播(Error
BackPropagation)，并将误差沿原路返回，再通过网络模型结构的选择是一项十分重要的工
修改各层神经元的连接权值，使误差信号变小。作。选择得好，可以减少网络训练次数，提高网
上面这种正向传播和反向传播相互交替的过络学习精度。网络结构主要包括连接方式、网络
程看成一个“记忆训练”的过程。系统不断地循层和各层的节点数f也就是确定输入层、隐含
环这两个过程并重复学习，一直到输出值和期待层、输出层神经元的个数1。教学质量评估问题

WlAYW．ecda．cn2009．5电手元器件主用75
电子元器件壶嗣Vo1．1lNo．5
第1l卷第5期
ElectmnicComponent＆DeviceApplicationMav．2009
2009年5fl

O．660．500．710．650．550．690．670．63；
可以看作是输入(教学质量评价指标)到输出
0．550．890．510．690．3