层个数 n 10 . 输出层神经元个数的确定。
由于本教学质量评价的等级分为 3 类,给出综合评价结论集Y 优秀,良好,一般 ,取输出层神经元个数 m 3 ,当输入为优秀样本数据时,输出为: , (0 ,(0 0 1) 输入为良好样本数据时,输出为: 1 0) 输入为一般样本数据时, (0 输出为: 1 1). 网络隐层数的确定.隐层数越多,神经网络学习速度就越慢,根据 Kolmogorov 定理,在合理的结构和恰当的权值条件下,3 层 BP 网络可以逼近任意的连续函数,因此,我们选取结构相对简单的 3 层 BP 网络. 隐层神经元个数的确定.一般情况下,隐层神经元个数是根据网络收敛性能的好坏来确定的,在总结大量网络结构的基础上,隐层神经元根据公式: r n m l (其中,r 、 m 、 n分别为隐层、输入层、输出层的神经元数目, l 为 1 10 之间的一个整数)取值 【6】 ,根据经验公式,从学习时间及次数与达到全局总误差的综合效果看,取 r 12 个隐层神经元比较合适. 4.2 数据的预处理 【7】 对选取的 20 位教师每个指标的评教数据进行归一化处理 ,这样可以大大加快网络的收敛速度,且能保证网络对样本有足够的敏感性和良好的拟合性.表 2 给出了数据预处理后的部分样本集. 表 2 数据预处理后的部分样本集序号 x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 1 0.725 1.000 0.541 0.490 0.245 0.755 0.205 0.000 0.296 0.990 2 0.966 0.926 0.698 0.611 0.00 1.000 0.336 0.349 0.416 0.993 3 0.787 1.000 0.639 0.648 0.271 0.762 0.000 0.549 0.410 0.705 18 1.000 0.720 0.398 0.258 0 0.925 0.559 0.226 0.301 0.699 19 0.932 0.985 0.432 0.462 0.303 0.932 0.076 0 0.447 1.000 20 1.000 0.733 0.622 0.533 0.244 0.889 0.144 0.111 0 0.989 4.3 网络模型的训练 用 MATLAB7.1 神经网络工具箱,建立了三层 BP 网络,并运用 15 个训练样本作为学习集进行训练.训练时,输入层到隐层的传递函数采用 tansig 函数,隐层到输出层采用 purelin 函数,目标训练误差 goal 0.0001 ,最大训练步数 epochs 1000 次,为了使网络有较好的泛化能力,训练函数采用的是 trainbr 函数,经过 53 次训练后,网络误差平方和 mse 达到了误差目标的要求.训练误差随训练次数变化的情况如图 2 所示,从图 2 中可以看出,神经网络经过 53 步迭代即可达到精度要求,而且训练时间很短.对应目标输出结果如表 3 所示.可以看出实际输出与期望值十分接近,神经网络评价结果与实际评价结果基本相符,误差在可接受的范围,对给定的训练样本学习已满足要求. 表 3 BP 神经网络模型训练结果 序号 期望输出 测试结果 测试等级 1 0 0 1 (0.0000 0.0159 0.9840) 优秀 2 0 1 0 (0.0007 0.9905 0.0066) 良好 3 0 1 0 (0.0002 0.9991 0.0001) 良好 4 0 1 0 (0 0.9962 0.0092) 良好 5 0 1 1 (0 0.9772 0.9639) 一般 6 0 1 0 (0 0.9912 0.0005) 良好 7 0 1 0 (0 0.9864 0.0117) 良好 8 0 0 1 (0 0.0134 0.9196) 优秀 9 0 1 0 (0 0.9771 0.0307) 良好 10 0 1 0 (0 0.9955 0.0103) 良好 11 0 1 1 (0 0.9767 0.9866) 一般 12 0 1 0 (0.0002 0.9987 0.0032) 良好 13 0 0 1 (0 0.0598 1.0000) 优秀 14 0 1 0 (0 0.9593 0.0392) 良好 15 0 1 1 (0 0.9823 0.9554) 一般 4.4 BP 神经网络模型的测试 神经网络训练完毕后,用未经训练的样本对已经训练好的网络系统进行检验.通过对表 2中后 5 个数据进行测试,得出测试结果如表 4 所示,测试结果输出与期望输出数据基本相同,网络测试等级与实际等级也完全吻合,说明用神经网络系统对教师教学质量指标进行评价是可行的,在实际测评中具有较好的应用推广价值.表 4 BP 神经网络模型检测结果 序号 期望输出 测试结果 实际等级 测试等级 1 0 0 1 (0.0009 0.0252 0.9509) 优秀 优秀 2 0 1 0 (0 0.9974 0.0001) 良好 良好 3 0 1 0 (0.0003 0.9918 0.0034) 良好 良好 4 0 1 1 (0.0002 0.9938 0.9753) 一般 一般 5 0 1 0 (0.0002 0.9992 0.0813) 良好 良好5 结论(1)从评价的结果来看,神经网络评价方法在最大程度上缩小了人为因素的影响,避免了传统方法人为设计权重过程中的不确定性,达到对评价对象的自动评价.从对15个样本进行评价的结果显示,该模型测定的15教师的教学效果,同实际情况相符,表明了模型的有效性.(2)BP 神经网络这种评估方法本身也有它的局限性,如网络中隐层节点个数的确定问题,学习训练过程中容易陷入局部最优的问题,在一定程度上影响了评价结果的准确性.参考文献1 彭志捌等. 模糊综合评判在教学质量评价中的应用J.高等建筑教育学报.2008 17(6) 20-23.2 赵立新等. 教学质量评估的定量比较评价模型J. 数学的实践与认识.2005Vol.1 12-17.3 张镅. 齐次马尔可夫链分析法在教学效果综合评价中的应用J.合肥工业大学学报. 1999Vol.22 162-165.4 胡守仁.神经网络导论M.长沙:国防科技大学出版社,1993:113-120.5 蒋良孝,李超群.基于BP神经网络的函数逼近方法及其MATLAB实现J.微型计算机应用, 20041:52-53.6 颜佳华等.基于BP神经网络的电子政务绩效评价研究J.中国管理科学,20056:128.7 史忠植等.人工智能M.北京:国防工业出版社,2007:387-396.
上一篇:
基于桥式整流电路稳压源设计 原创论文 课程设计
下一篇:
那些令你为之触动的好句子,感慨万分