基于BP神经网络的网络学习评价模型研究

。
函数 ，函数形 式为 数 调整包 括 参数初 始 化和参 数 训练 。
） ＝１
＋
１ ｅ 一
１ 参数初始化。 ． 用缺省的参数值对 网络进行连接权值 、 阈值初始化。 另外 目 标误差设为 ０ ０ ， ．２ 学 习效率 刀 ０ ０ ．０１ 设 定最大 训练 步骤 为 １０ 。 ００
４基 于 Ｂ 神 经 网络 的 网络 学 习评价 模型 的建 立 Ｐ
Ｂ （ ａｋＰｏ ａａｉ ，Ｂ ，误差 反 向后传 ）神 经 网络是 指基 于误 差反 向传 播算法 （ Ｐ算 法 ） Ｐ Ｂ ｃ ｒｐｇｔ ｎ Ｐ ｏ Ｂ 的多层 馈神 经 网络 ，是 １８ ９ ６年 Ｒ ｍｅ ａｔ Ｍｃ ｅｌ ｄ提 出来 的，也 是 目前 数 十种神 经 网络模 型 ｕ ｌ ｒ和 ｈ Ｃ ｌｎ ａ
ｘ，
一， 网络 学 习评价 的 ｎ个评 价指 标 ， Ｙ为 网络 学 习评 价 结果等 级 ，网络 学 习评 价 结果等 ｘ为
级与评价指标的关系可表示为 Ｙ＝ｆ（。 ２…， ，进行网络学习评价就是找出评价指标 ｘ， ， Ｘ ） Ｘ
，
Ｘ 一 与评价 等 级 Ｙ之 间的 函数关 系 。 ，
接 权值 向量 ，其 中 Ｗ１Ｗ２… ， ｗ 分 别为 第 １ 、 …、５个 隐含 结点 到输 出结 点 （ 里仅 一个输 入 ， ， ５ 、２ 这
结点）的连接权，Ｂ ＝（１ ， ｂ） １ ６， …，ｓ 为隐含层的阈值向量 Ｂ （） ２ ６ 则为输 出层神经元的阈值
，
向量，ｇ 禾 （） （） 分别为隐含层和输 出层 的激活函数 这里 ，隐含层 和输 出层 的激 活 函数选 取 Ｓ
公 式 中， Ｎ 、 Ｎ ＋１ 别表 示调 整前 与调 整后 ，ｒ是 学 习率 ，在 （ ，１ 分 ／ Ｏ ）区 间取值 。 （ ） 调 整输 入层 与 隐含层 的连 接权 值 。使用 隐含 层各 神经 元偏 导数 的 ｎ 入层 各神经 ２ ， １● ｌ 和输
元的输入 （ ） ｐ 修正输入层与隐含层的连接权值ｖ ｉ ，， ，， ＝１ ， ， 和 隐含 层 各神 ２ ， … ５权 ２ ｇ ， ＝１ … ７ ｄ
所示。
ｏ
图 ３网络 学习评价 的 Ｂ Ｐ神经网络模 型结构
４ ２网络 学 习评 价模 型 ．
根据 图 １ 的网络模型图可 以得到基于 Ｂ Ｐ算法的网络学习评价模型为：
Ｙ＝ ×［（ ｘ －Ｂ ］ ２ （ ｇ ｒ Ｘ） １一 ）
其 中 ， ＝（１ ｚ… ，７ 为 模 型 输 入 向 量 的 转 置 ， ， ）
２网络 学 习评价指 标体 系构 建
要进 行 网络学 习评价 ，首先 必 须确 定 网络 学 习评价 的 内容和评 价标 准 ，即评价 的指标体 系 。在 分析 已有 的网络学 习评价 体 系 的基 础上 ，根据 学 习评价 的基 本原 则与方 法 ，从学 习态度 、学 习过 程 和 学 习效 果 ３个方 面构 建评价 指标 （ 图 １所示 ） 如 。
，
Ｙ 是 输 出 向 量 ，
＝
（ ） ７ｆ ，， ，， ＝１ ， ，） １， ５ （ ＝１ … ７ ， × ， ２ ， … ５ 为输入层到隐含层的连接权值向 其 中 Ｖ 为输 ２ 量 “
，
入层的第 ｉ 个结点到隐含层的第 ｊ 个结点的连接权，Ｗ＝（ ｌ ２．，ｗ ） Ｗ ， ， 。 ５为隐含层到输出层的连 ｗ ．
，
２ ．参数 训练 。参 数训 练包 括 隐含层 与输 出层 的连 接权 值 和输 入层 与 隐含层 连接 权值 ，具 体训
练方 法如 下 。
（ ）调整 隐含 层 与输 出层 的连接 权值 。利用输 出层每 一个 神经 元 的偏导 数 Ｌ 以及 隐含 层 １ ｐ
每一个神经元的输 出
，
经元的阈值 ６ ， Ｊ＝１ ， ， ， … ５。 ２
１ “（ ） （ ） （ ） ｐ ， ｐ ＝Ｖ ｐ ＋ ｐ （ ）
收稿 日期 ：２ １ ２２ ０ 卜１— ２ 作者简介：李绍中 （ ９ ９ ），男 ，湖南娄底人，硕士，副教授 ，研 究方 向：智能计算和高等职业教育 。 １ ６－
２ ０
图 １ 网络 学 习评 价 指 标 体 系
３评价样 本 库 的构 建 在智 能计 算模 型 中，样本 是训 练 的对 象 ， 样本 选取 的好 坏 ， 接影 响 到模 型的训 练结 果 。因此 ， 直 样本 一 定要选 择有 代表性 的数据 ，并对 数据 进行有 效 性分析 。因为样 本数据 来源 于不 同的对象 、不 同的角色 类别 ，故 样本采 集 时存在 人主 观上 的 因素 ，评 价 结果差 异可 能非 常大 ，如果 不剔 除掉 那些 偏 离 中心 太远 的样 本 点，整 个样 本集 的数据 势 必会受 到这 些奇 异样 本 的影 响，使 得整 个样 本集 的信 息 受到弱 化 。所 以在选 取样 本 时 ，必须考 虑样 本 中奇异 点 的剔 除 ，从 而建立 有 效样本 。建 立有 效样 本 的步骤 如 图 ２所 示 。
中图分类 号 ：Ｔ １ Ｐ８ ３ 文 献标识 码 ：Ａ
随着 教育 信 息技术 的进 一步推 广和 网络 教学 资源 的不 断丰 富 ， 网络 学 习作为一 种主 要学 习方 式 已经被 越来越 多 的人所接 受 。 几年 ， 近 各级 精 品课程 、网络课程 的建设所 取得 的成 效 已是有 目共 睹 ， 但 重建 设 、轻 使用 的现 象 己成 为 困扰今 后精 品课程 、网络课 程建 设 的主要 因素 。教学 资源之 所 以建 起 来容 易用起 来难 ，原 因是 多方 面 的 ，但 网络学 习评 价机制 不健 全无 疑是 其 中的一个 重 要方 面 。… 全 面地 、科 学地评 价 网络学 习 ，对 推动 网络 教学 资源 的使用 具有 十分 重 的意义 。 而 传统评 价 法是在 评价 指标 体系 中 明确 各项 指标 的权 重 ，使用 线性模 型进 行计 算 ，这种 方法 缺 陷是权 值 的确定 具有很 强 的主观 性 ，且 评价 只 限线性 模型 。由于 影 响网络 学 习质 量 的 因素 很 多 ，且 各 因素 影 响的程 度也 不 同，很难 用 一个线 性模 型来 表达他 们之 间的函数 关系 ，属 于 复杂 的非线 性分 类 问题 。瞳 人工神 经 网络作 为一种 智 能计算 技术 ， 以其非 线性 映射 并具有 学 习能力 等基本 特 性 已 而
【 来改进隐含层与输 出层连接权值 ｗ『 ， ＝１ ， ，， ） ＇ 七 ， … ５ ｋ＝１以及 输 出层 ２
各神 经 元 的阈值 （ ｐ） 调整 公式 如下 。
哆 ） Ｎｐ＋ｌ （） ） （ ＝ （ ｒ￣ ｈ （ ｐ ） ６ｐ ｏｐ
６ “ ｐ ＝ （ ） ／￣ｐ （ ） Ｎ ｐ ＋ｒ （ ） ６
中应用最为广泛的模型。 在此 ，选用 Ｂ Ｐ神经网络来构建网络学习评价模型。 在 建模 过程 中，最重要 的 是确 定 网络 的结 构 ，而 网络 结构 关键 在于 隐含 层及 节 点数 。对 网络 学 习评 价 问题 ，可 以看 作 是输入 （ 习评价 指标 ）到输 出 （ 学 生 网络 学 习评价 的最 终 结果 ）的非线 学 对
２１
判 断 网络 学 习综合 评价 与在 线 时长 、作业平 均得 分 、作业 完成 率 、自测平 均成 绩等 ７ 评价 指标 之 个 间的关联 程度 。通 过关 联分 析 ，发 现各 指标 对综 合评 价结 果影 响都 比较 明显 ，且考 虑 到输 入维数 并
不高，所 以笔者将选择所有的指标作为神经网络系统的输入进行建模。
性映 射 。 由于 一个 ３层 网络 （ 只含 一个 隐含层 ）可 以任 意精 度去 逼近 任意 映射 关系 ， 因此采 用 ３
层Ｂ Ｐ网络结构 ，即只包含输入层、隐含层和输 出层来建立模型。下面介绍评价模型的建立 。
４ １网络 结 构 ．
１ ．确 定输 入层 节 点数 。网络 学 习评 价指 标体 系有 ７个 二级指 标 ，将 ７个评 价指 标作 为神 经 网 络 的输入 层 的输入 ，所 以 Ｂ Ｐ神经 网络 的输 入层节 点数 相应 确 定为 ７ 。 ２ ．确 定输 出层 节 点数 。由于 网络 学习评 价结 果只 有一个 ，因此 网络输 出层 只设 １ 输 出节点 ， 个 ３ ．确定 隐含 层 的节 点数 。关 于隐含 层节 点数 目的确 定也 并没 有一 个统 一 的标准 ，但 是对 隐含 层节 点数 目的确 定也有 许 多经验 上 的指导 。 这 里 ， 用经 验公 式 １ 采 ｍ 确 定隐含 层节 点数 （ ｍ
广泛应用于模式识别和非线性分类 问题。
１网络学 习评 价 问题 的提 出 网络 学 习评 价 问题实 质上 属于模 式识 别 中的一个 分类 问题 ，即根据 学生 网络 学 习的各 种数据 ，
依 据 网 络 学 习 评 价 指 标 体 系 ，对 数 据 进 行 分 析 、 处 理 ， 并 得 出 学 生 网 络 学 习 评 价 等 级 。设
第 ｌ 卷 第 １期 １ ２１ ０ ２年 ２月
广 州职业教育论坛
ＧＡＧＨＵＶＣＴＯＡ ＤＣＴＯ ＯＵ Ｕ Ｎ Ｚ ０ Ｏ Ａ Ｉ Ｎ Ｌ ＥＵ Ａ ＩＮ Ｆ Ｒ Ｍ
Ｖ １ １ ｏ １ ｏ ． １ Ｎ ． Ｆ ｂ ２ １ ｅ ． ０２
文章编号 ：２ ９ － ６ Ｘ（ ０ ２ １０ ２ — ６ ０ ５３ ４ ２ １ ）０ － ０ ０ ０
基于 Ｂ Ｐ神 经 网络 的 网络 学 习评 价 模 型 研 究
李绍 中
＜－ ｆ 州番禺职业 技术 学院 教务处，广东 广州 ５ １８ ） １４ ３
摘 要 ： 究网络学习评价问题对推动 网络教 学资源的使 用具有十分重要的意义， 研 传统的网络 学习评价方法具有很强的主观性 ， 且仅 限于线性模型， 少科学性。为克服传统网络学习评价方法 缺 的 不足 ， 实现 网络 学 习评 价 的智能化 ，提 出 了一种基 于 Ｂ Ｐ神 经 网络的 的 网络 学习评价模 型 ，并 利 用ＭＡ Ｌ Ｂ进行实验仿真 ，测试结果表明，该评价模型准确率高，能为网 ＴＡ 络学习评价提供可靠数据。 关键 词 ：神 经 网络 ；ＭＡＴ ＡＢ； 网络 学 习评 价 Ｌ