BP神经网络的网络学习评价模型
基于BP神经网络的教学评价模型构建
基于 Ｂ Ｐ神 经 网络 的教 学评 价 模 型构 建
王 超 （ 沈阳体 育学 院 体 育信息技 术 系 辽宁沈 阳 １ １ ０ １ Ｏ ２ ） 摘 要： 通过对Ｂ Ｐ 神经 网络 模型的掏建 和算法进行 详细 阐述 ， 系统地介 绍 了Ｂ Ｐ 神 经网络理论 在教 学评价 中的应 用现状 ， 并给 出基 于Ｂ Ｐ 神 经 网络 的教 学评价 模 型的 构建方 法 。 关键词 ： Ｂ Ｐ 神 经 网络 教 学 评 价 模 型 构 建 评 价 方 法 中 图分 类 号 ： Ｔ Ｐ Ｉ ８ ３ 文献 标 识 码 ： Ａ 文 章编 号 ： １ ６ ７ ２ —３ ７ ９ １ （ ２ ０ １ ３ ） ０ ６ （ ｃ ） 一 ０ ２ ０ ０ — ０ ｌ
相当平缓 。 因 此为 使 得 进 入 不 灵敏 区 的 误
数据 为期望输 出值 ， 采 用 上 述 算 法 在
１ Ｂ Ｐ 神经 网络模 型
与样本直 接相关的 。 根 据 沈 阳 工 业 大 学 教
差 函数 有 所 改 变 ， 迅速退出不灵敏区， 保 证 Ｍａ ｔ ｌ ａ ｂ 下 设 计 仿 真 程 序 对Ｂ Ｐ模 型 进 行 辨
（ １ ） 输 入／ 输 出节 点 。 输入／ 输 出节 点是 训 练 网络 的快 速 性 ， 尽 可 能 使 所 有 输 入 值 识 ， 输入层、 隐含 层和 输 出层 的结 点数 分 别 都 在 灵敏 变化 段 中 ， 一 般 需 在 该 公 式 中 引 为 １ ６ Ｘ ４ Ｘ １， 激 活 函 数 采 用 变化 的Ｓ型 ， 学 学质量评 估指标体 系， 将 二级 评 价 指 标 作 进 参 数 。 本 文 的神 经 网 络 算 法 即在 此部 分 习率 叩＝ ０ ． ９ ９ 。 为模型的输 入神经 元， 因 此 系 统 的 输 入 层 进 行 改 进 。 通过 沈 阳某 大 学 教 务 处 所 提 供 的 数 据 神经元 的个数为二级指标 的个数 。 将 评 价 结果作 网络的输 出， 输 出层 神 经 元 个 数 为 ２ 基 于 Ｂ Ｐ 神经网络 的教学评价模型构建 １。 本 文 由 公 式２． １ 计 算 得 出 隐 含 层 节 点 （ ２ ） 层数 。 由于 Ｂ Ｐ网络 的 功 能 实 际 上是 数 为４ （ 这 里 考虑 了下 述 １ ６ ４ － 指 标 可 以 分 为 通 过 网 络 输 入 到 网 络 输 出 的 计 算 来 完 成 ４ 组） 。 （ 见表 １ ） 的， 因 此 隐含 层数 越 多 ， 神 经 网络单 向多 层 前 馈 人工 数 与 问题 的 要 求 以及 输 入 输 出单 元 个数 有 Ｂ Ｐ 算法 的激 活 函数一 般 为ｓ ｉ ｇ ｍｏ ｉ ｄ 型 函数 ， 神 经 网络 模 型 ， 可 以 实现 任 何 复 杂 的 、 多因 直 接的关系。 隐 层 单 元 过 多 将 会 导 致 神 经 即 ｆ （ ｘ ） ＝ １ ／ （ １ ＋ｅ ） 。 素、 不 确 定 和 非 线 性 的映 射 关 系 ， 是 目前 应 网 络 训 练 时 间 过 长 、 误 差 不 易 控 制 及 容 错 改进的Ｂ Ｐ 算法是对标准的ｓ 型 函数 引 用 最 广 泛 的 人 工 神 经 网络 模 型 之 一 。 通 过 性 差等 问题 。 本 文 采 用 公式 ２ ． １ 计算 得 出 隐 入 新 的参 数 ， 则 函数 变 为 ＿ 厂 （ ） ＝ １ ／ （ ｉ ＋ Ａ ｅ ） ， 这种 梯 度 下 降算 法 不 断地 修 正 网络 各 层 之 含 层 神 经 元 个 数 。 其 中 系数 决 定 着Ｓ 型 函数 的压 缩 程 度 。 该 间的连接权值 和阎值 ， 从 而 实 现 期 望 输 出 Ｓ ＝、 ／ ０ ． ４ ３ ｉ ｒ ｍ ＋０ ． １ ２ ｍ ＋２． ５ ４ ｎ＋０． ７ ７ ｍ＋０ ． ３ ５＋０ ． ５ １ 非 线 性 函数 满 足 如 下 两 个 条 件 ： 一 是 连 续 值 与实 际输 出值 之 间的误 差 达 到最 小 或 者 （ １ ） 光 滑 且 具 有 单 调 性 ；二 是 定 义 域 为 小 于某 一 个 闽 值 【 － 一 。 ４ ） 激 活 函数 Ｂ Ｐ网络 的非 线 性逼近 能 力 （ 一 ∞， ＋ ∞） ， 值域为 （ ０ ， １ ） ， 故符合激活函数要 本 文 的 研 究 目标 是 通 过 对 现 有 评 价 指 是 通过 Ｓ型 的激 活 函数 来 体 现 出 来 的 ， 而且 它 使 得 激 活 函数 曲线 变得 平 坦 ， 方 所 以 求 。 标、 评价方法的分析 ， 建立 有 效 的 教 学评 价 隐 含 层 中一 般 采用 ｓ 型的激活函数， 输 出 层 便 在 Ｙ ， ０ 或Ｉ — Ｙ ， ０ 时， 避开局部极 小， 模型 ， 并 实 现 相 应 的 网上 教 学 评价 系 统 设 的激 活 函数 可 以采 用 线 性或 ｓ 型［ ３ 】 。 Ｓ 型激 活 因 此该 函数具 有 更好 的 函数 逼 近 能 力 以 及 计。 结 合Ｂ Ｐ 神经网络， 给 出了 一种 非 线性 的 函 数 为 容错能力。 教 学评 价 模 型 ， 训 练好 的 ＢＰ网络 模 型 根 据 厂 （ ） ＝ １ ／ （ １ ＋ Ｐ ） （ ２ ） 测评数据 ， 就 可 得 到 对 评 价 对 象 的 评 价 结 该 函数 值 在［ 一１ ， １ 】 范 围 内变 化 很剧 烈 ， ４ 仿真计 算与分析 果， 实现 定 性 与 定 量 的 有 效 结 合 。 而 超 出 这 个范 围 即 处 于 不 灵 敏 区 ， 变 化 则 以学 生 评 教 数 据 为输 入 值 ， 专 家 评 教
基于BP神经网络的网络安全评价方法研究
中图法分 类号 ： Ｐ ９ Ｔ ３３
文献标 识码 ： Ａ
文章 编号 ：０ ０７ ２ ２ ｏ ）ｔ ｂ ｔ ． ｉ ｈ ｅ ｌ ｓｅ ｎ ｌ ｏ ｔ ｍ ａ ｅ ｎｒ ｕ ｈ ｓ ｔ ｔ ｕ ｅ． ｇ ｔ ｄｃｕ ｔｒ ｇ ａｇ ｒ ｈ ｂ ｓ ｄｏ ｇ ｅ ｉ ｒ ｗｅ ｉ ｉ ｏ
２ ．Ｄｅａｔ ｅｔ ｆ ｏ ｕｅ ｃ ｎ ｅ ｎ ｅｈ ｏｏ，Ｔ ｉ ａ ｎｖ ｒｔ， ａａ ７ ０ １ Ｃ ｉａ ｐｒ ｎ ｏ Ｃ ｍｐ ｔ Ｓｉ ｃ ｄＴ ｃｎ ｌｙ ａ ｈｎＵ ｉ ｓ Ｔ ｉｎ２ １２ ， ｈ ） ｍ ｒ ｅ ａ ｓ ｅｉ ｙ ’ ｎ
Ａｂ ｔ ａ ｔ Ｎｅｗｏ ｋ ｓ ｃ ｒｔ ｖ ｌ ｅ ｏ ｕ ｅ， ｔ ｌ ｃ ｍｍｕ ｉａ ｉ ｎ ｐ ｙ ｉ ｓ ｍ ａｈ ｂ ｏ ｏ ｙ ｍａ ａ ｅ ｎ ， ｓ ｃ ａ ｎ ａ ｙ ｏ ｈ ｒ ｓｒ ｃ ： ｔ ｒ ｅ ｕ ｉ ｉ ｏｖ ｓｃ ｍｐ ｔ ｒ ｅｅ ｏ ｙｎ ｎ ｃ ｔｏ ， ｈ ｓｃ ， ｔ， ｉｌｇ ， ｎ ｇ ｍｅ ｔ ｏ ｉ ｌ ｄｍ ｎ ｔ ｅ ａ
ｏ ｎＡＨＰ ｗｈｃ ａ ｅ ｓ ｄｏ ｏ ｒｈ ｎ ｉｅａｓ ｓｍｅ ｔ ｆ ｅ ｏｋｓ ｃ ｒ ， ， ｉｈＣ ｂ ｅ ｎｃ ｍｐ ｅ ｅ ｓｖ ｓｅｓ ｎ ｎ ｔ ｒ ｅｕ ｉ Ｂｙｔｉ ｙ ｍｏ ｅｓｉｎ ｉ ｃａ ｄｒ ａｏ ａ ｌ ｓ ｌ ａ ｎ ｕ ｏ ｗ ｙ ｔ ｓｗａ ， ｈ ｒ ｃｅ ｔ ｓｎ ｂｅｒ ｕｔ ｃｎ ｉ ｆ ｎ ｅ ｅ ｓ ｂ ｂ ａｎ ｄ Ｔ ｅｎ ｗ ｅ ｄｍｅｈ ｄａ ｅ ｒｖ ｄ ｄｆ ｒ ｖ ｒｌａ ｓｓｉｇｓｃ ｒｔ ｔｔ ｓ ｆ ｏ ｕｅ ｅ ｏ ｋｓ ｓｅ ． Ｔｈ ｔｄ ｅｕｔ ｅｏ ｔｉ ｅ ． ｈ ｅ ｉ ａａ ｔｏ ｒ ｏ ｉｅ ｏ ｅａｌ ｓｅ ｓｎ ｅ ｕ ｉ ｓａｕ ｍｐ ｔｒ ｔ ｒ ｙ ｔｍ ｄ ｎ ｐ ｏ ｙ ｏｃ ｎｗ ｅｓ ｙｒｓ ｌ ｕ ｓ ｈ ｖ ｏ ｎ ｅ ｒｔ ａ ａｕ ｄｂ ｏ ｄａ ｐｉａｉｎｐ ｏｐ ｃｓ ｎｔ ｅｅ ａｕ ｔ ｎａ ｄｃ ｒｉｃ ｔ ｎ ｏ ｎ ｔ ｏｋｓ ｃ ｒ ． ａ ｅｉ ￣ａ ｔｈ ｏｅｉ ｌ ｌｅａ ｒ ａ ｐ ｌ ｔ ｒ ｓ ｅ ｔ ｖ ｌａｉ ｎ ｅｔ ａｉ ｆ ｅ ｒ ｅｕ ｉ ｍｐ ｔ ｃ ｖ ｎ ｃ ｏ ｏ ｈ ｏ ｉ ｆ ｏ ｗ ｙ ｔ Ｋｅ ｒ ｓ ｅ ｏｋ ｓｃ ｒｔ； ｅｕ ｉ ｓｅｓ ｎ； ｎ ａｙｉａ ｉｒ ｃ ｙｐ ｏ ｅｓ ｗｅｇ ｔ ａｔｆ ｉｌ ｅ ｒｌ ｅ ｏｋ ｙｗｏ ｄ ： ｔ ｒ ｅ ｕｉ ｓ ｃ ｒ ａｓ ｓｍｅ ｔ ｎ ｗ ｙ ｙ ｔ ａ ｌｔｃ ｌ ｅａ ｈ ｒ ｃ ｓ； ｈ ｒ ｉｈ ； ｒｉ ｃａ ｕ ａ ｔ ｒ ｉ ｎ ｎｗ
应用BP神经网络的教学评价模型及仿真
量 评 价 的 方法 可操 作 性 强 ， 以克 服 传 统 评 价方 法 主 观 性 过强 的缺 点 ， 时避 免 了传 统教 学 质 量 评 价 的 复 杂 过 程 ， 有 较 广 可 同 具 泛 的 实 用 性 ， 为 教 学 质 量提 供 了依 据 。 并 关 键 词 ： 经 网络 ； 糊 综合 评 判 ； 学 质 量评 价 神 模 教
ａ ｏｄ ｃ ｍｐ ｅ ｒｃ ｓ ｆ ｒｄ ｔ ｎ ｌ ｅ ｃ ｉ ｇｑ ａｉ ｖ ｌ ａｉｎ ａ ｄ ａｓ ａ ｅ ｂ ｏ ｄ ａ ｐｉ ａ ｉ ｔ ．Ｍｏ ｅ ｖ ｒ ｈ ｐ ｒ ｖ ｉ ｏ ｌｘｐ ｏ ｅ ｓｏ ａ ｉ ｏ ａ ａ ｈ ｎ ｕ ｔ ｅ ａｕ ｔ ｎ ｌｏｈ ｖ ｒ ａ ｐ ｌ ｂｌ ｙ ｔ ｉ ｔ ｌ ｙ ｏ ｃ ｉ ｒ ｏ ｅ ，ｔ ｅｏ ｅ —
Ｂ ｅ ｒ ｅ ｏｋｔ ｔａｈｎ ｕ ｌｙｅａ ａ ｏ ａ ｖ ｒ ｍ ｕ ｊｃ ｖ ｃ ｒ ｉ ｅｐ ｏｅ ｓ ｆ ｘ ｅ ｓ ｓｍ ｎ ， Ｐ ｎ ｕ ａ ｎ ｔ ｒ ｃ ｉｇｑ ａ ｔ ｖ ｌ ｔ ｎｃ ｎｏ ｅｃ ｅｓｂｅｔ ｅｆ ｔ ｓ ｎｔ ｒ ｓ ｏ ｅ ｐ ｒ ａｓ ｓ ｅ ｔ ｌ ｗ ｏｅ ｉ ｕ ｉ ｏ ｉ ａｏ ｈ ｃ ｔ ｅ
ｌ ｅ ｒｃ ｎｉ ｕ ｕ ｕ ｃｉｎ，ｔ ｅ ｍｏ ｅ ａ ａｃ ｌｔ ｄ ｑ ａ ｔ ｅ ｖ ｌａ ｉｎ ａ ｄ ｈ ｓ ｈ ｇ ｅ ｆ ｃｅ ｃ ｈ ｎ ｔ ａ ｆｅ — ｉ ａ ｏ ｔ ｏ ｓｆｎ ｔ ｎ ｎ ｏ ｈ ｄ ｌｈ ｓｃ ｌ ｕ ａｅ ｕ ｎ ｉ ｄ ｅ ａｕ ｔ ｎ ａ ？ ｉ ｈ ｒｅ ｉ ｎ ｙ ｔａ ｈ ｔ ｘ ｉ ｆ ｏ ｉ ｏ ｉｔ ｇ ｅ ａ ｕ ｔ ｎ ｓ ｓｅ ｓｉ ｖ ａｉ ｙ ｔ ｍ．Ｔ ｅ ｎ ｕ ａ ｅ ｗ ｒ ｄ ｌｕ ｅ ｏ ｅ ａｕ ｔ ｎ ｃ ｎ ｂ ｂａ ｎ ｄ ｂ ｔ ｉｉｇ ｔ ｅ ｄ ｔ ｒ ｖｄ ｄ ｎ ｌ ｏ ｈ ｅ ｒ ｌ ｔ ｏ ｋ ｍｏ ｅ ｓ ｄ ｔ ｖ ｌａ ｉ ａ ｅ ｏ ｔｉ ｅ ｙ ｕ ｉ ｚｎ ｈ ａａ ｐ ｏ ｉｅ ｎ ｏ ｌ
基于BP神经网络的高校学生管理工作绩效评价模型
层只设为 １ 个输 出节点 ， 取值范 围定为【，］ ０ １ 。 ３１ 隐含层设计 ．３ ． 隐含 层节点数量 可 由经 验公 式 ： ＝ ｍ 丽 ＋ 确 定 ， 中ｍ为隐含 ａ 其 层节点数 ， 为输入层节点数 ，为输 出层节 点数 ， 为 １ １ 之间的常数 ， ｎ ｌ ａ －０ 根据公式 ， 隐含层节点个数为 ５ １ 个 ， — ４ 逐一进行试验 ， 得到最佳隐层节 点数为 ７ 。 ３１ 权值和阈值初始设置 ．４ ． 连接权值和 阈值的取值范 围通常是卜１１ ＿／，２ ｌ 为 网络输 ， 或Ｉ ｎ＋／ （ 】 ２ ｎｎ 入层节点数） 。通过试验 比较 ， 文将 网络的连接权值 和阈值 的初始取 本 值范 围设为卜１ｎ ＋ ，］ ／，ｌ 。 ｎ 表２ 某高职 院校学生管理工作绩效评价数据
ｌ ；
２ ． ３ Ｏ ７１ Ｏ．０ Ｏ． ．４ Ｏ ８ ． ５ Ｏ ６ ． ０ Ｏ． ９Ｏ ０ ８ Ｏ． ３ Ｏ ７ ． ６ ５６ ０ ６ ． ０ ０ ５ ． ３ ０ ７ ６３ ０． － ０ ７ ３ ０ ８ ． ５ Ｏ． ８ ． １ ０ ８ ． ４ ０ ７ ． ０ ０．３ ＯＬ６ Ｏ ８ Ｏ． ３ ． ０ Ｏ ８ ８１ ０．２ Ｏ ８ ． ５ ０ ８ ． ４ ０ ６ ８ ８ ． ５ ８
畴 。其信息处理功 能是 由网络单元的输入输 出（ 活特性）网络的拓扑 激 、 结构（ 神经元 的连接方式） 的。人工神经网络对 问题 的求解方式与传 决定 统 方法不 同 ， 它是通 过训练来解 决问题 的。训练一个 人工神经 网络是 把 同一 系列的输入例 子和理想 的输 出作为 训练的 “ 本” 根据 一定的 样 ， 训 练算法 对网络进行 足够 的训 练 ， 使人工神 经 网络能 够“ 学会 ” 含在 包 “ ” 解 中的基本原理 。当训练完成后， 该模型便可以用来求解相似 的问题 。 目前 ， 已发展 了几 十种神经 网络 ， 在这 众多神经 网络模型 中 ， 误差 反 向传递 学习算法 （ Ｐ 即Ｂ 神经 网络） 实现 了多层 网络设 想 ， 一般 主要 以
基于BP神经网络的信息系统运行质量评价模型
Microcomputer Applications V ol.27,No.12,2011研究与设计微型电脑应用2011年第27卷第12期文章编号：1007-757X(2011)12-0009-04基于BP神经网络的信息系统运行质量评价模型龚代圣，杨栋枢，王文清，杨德胜摘要：信息系统运行质量评价是供电企业信息系统运维的重要工作，其中关键的一项就是对信息系统运行质量进行分析评估，这对于信息系统运行可靠具有重要意义。
在分析影响信息系统运行质量因素的基础上，构建了信息系统运行质量评价指标体系，将遗传算法神经网络原理引入信息系统运行质量评价，构建了基于遗传算法和神经网络的信息系统运行质量评价模型，为供电企业的信息系统运行质量评估研究提供模型和方法的支撑。
实证结果表明：模型具有较强的自组织、自学习和自适应能力，模型评估结果比较客观合理。
关键词：信息系统；指标体系；运行质量评价；遗传算法；神经网络中图分类号：TP311文献标志码：A0引言供电企业是国内应用信息技术较早的行业之一，先后经历生产过程自动化、管理信息化等建设阶段。
目前，供电企业信息系统运行呈现出基础设备齐备、数据庞杂、应用广泛等特点，因此，对信息系统运行质量进行评估显得格外重要。
信息系统运行质量评价是为了提升信息化运行保障能力，准确而客观地评价信息系统运维水平，从而有效地指导信息系统安全、高效、经济运行。
如何积极开展信息系统运行质量评估来降低信息系统安全运行风险？通过何种指标来科学评价供电企业的信息系统运行质量发展水平？这是当前供电企业必须解决的一个问题，而目前供电企业还没有一套完整的供电企业的信息系统运行质量评价指标体系正式发布。
通过构建科学的、实用的、有效的供电企业信息系统运行质量评价指标体系，采用具有学习、记忆、归纳、容错及自学力、自适应能力的基于遗传算法的BP神经网络算法，科学有效地评价供电企业的信息系统运行质量，有利于规范和完善供电企业的信息系统运行水平建设，促进信息系统运维水平健康与快速的发展。
bp神经网络
BP神经网络框架BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。
BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。
它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。
1BP神经网络基本原理BP神经网络的基本原理可以分为如下几个步骤：（1）输入信号Xi→中间节点（隐层点）→输出节点→输出信号Yk；（2）网络训练的每个样本包括输入向量X和期望输出量t，网络输出值Y 和期望输出值t之间的偏差。
（3）通过调整输入节点与隐层节点的联接强度取值Wij和隐层节点与输出节点之间的联接强度取值Tjk，以及阈值，使误差沿梯度方向下降。
（4）经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练到此停止。
（5）经过上述训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线性转换的信息。
2BP神经网络涉及的主要模型和函数BP神经网络模型包括输入输出模型、作用函数模型、误差计算模型和自学习模型。
输出模型又分为：隐节点输出模型和输出节点输出模型。
下面将逐个介绍。
（1）作用函数模型作用函数模型，又称刺激函数，反映下层输入对上层节点刺激脉冲强度的函数。
一般取（0,1）内的连续取值函数Sigmoid函数：f x=11+e^(−x)（2）误差计算模型误差计算模型反映神经网络期望输出与计算输出之间误差大小的函数：Ep=12(tpi−Opi)2其中，tpi为i节点的期望输出值；Opi为i节点的计算输出值。
（3）自学习模型自学习模型是连接下层节点和上层节点之间的权重矩阵Wij的设定和修正过程。
基于BP神经网络的高职学生学习评价模型构建与实现
评 价 等级 集 合 划 分 为 ： ＝｛ 优秀 ， 良好 ， 中等 ， 及格， 不 及格 ｝ 五个 等级 。 ２ ． ３ Ｂ Ｐ神 经 网络学 习评价 模 型确立 。一个 神 经 网络 模 型结 构选 择是 否科 学 ， 将 会 直 接 影 响 网 络训 练 次 数 和 网络 学 习 的 精 度 ， 因此 ， 科 学 网 络 模 型 的确 立 十 分
层数未必能降低误差与提高精度 ， 然 而却使 网络更加 复杂 ， 增加 了网络 的训 练 时 间。另 外 预 测 的效 果也 不 定 能增 强 。误 差精 度 的提 高可 以通过 调节 隐含 层 中
基 于 Ｂ Ｐ神 经 网 络 的 高 职 学 生 学 习 评 价 模 型 构 建 与 实 现
赵振 勇 ， 张 平 泽
（ １ ．常州纺织服装职业技术学院， 江苏 常州 ２ １ ３ １ ６ ４ ； ２ ．常州机电职业技 术学院， 江苏 常州 ２ １ ３ １ ６ ４）
摘 要： 本文以学 习某一课程 为例进行科 学、 有效 的构 建学 习评 价 内容 指标体 系， 提 出了一 种基 于 Ｂ Ｐ神 经 网络 的的 学
（ １ ） 输入 层 神 经 元 个 数 。 由表 １指 标 体 系 可 知 ， 共 有 ９个 主要 指标 影 响 学 习 质量 ， 因 此假 定 输 入 层 神 经 元个 数 ｎ＝ ９ 。 （ ２ ） 输 出 层 神 经 元 个 数 。评 价 结 果 是 网 络 的 输
出， 因此 假定 输 出层 个 数 ｉ ｎ＝１ 。 （ ３ ） 网络 层 数 选 取 。理 论 上 早 已经 证 明 ， 具 有 至 少一 个 Ｓ ｉ ｇ ｍｏ ｉ ｄ型 隐 含 层 加 上 一 个 线 性 输 出 层 的 网
重要。
输入 与 输 出之 间有一 种非 线性 映 射 的表现 关 系 。如 果 输 出层 得不 到期 望输 出 ， 则转 入反 向传 播 ， 根据 预测 误 差调 整 网络 权 值 和 阈值 ， 从而 使 Ｂ Ｐ神 经 １所示 。
基于BP神经网络的教学质量评价模型研究
客观上需要构建一套阵作为神经网络的输入量时在训练样本数并未减少既在实践上行得通又能在理论上得到论证的既使用的基础上消除了网络输入间的相关性同时减少了网于定量指标评价又适合于定性指标评价的科学评价络的输入数简化了网络结构从整体上提高了网络方法引
２ 化 Ｊ Ｉ Ｓ Ｕ Ａ Ｎ Ｊ Ｉ Ｙ Ｕ Ｘ Ｉ Ａ Ｎ Ｄ Ａ １ Ｈ Ｕ Ａ
既在 实践 上行得 通 又能在 理论 上得 到论证 的 ， 既 使用 于定 量指标 评 价又 适 合 于定 性 指 标 评 价 的科 学评 价 方法 ¨ 。由于学 生评 教 和专 家 、 同行 评 教 的 方式 具
神经 网络模 型 的输入 分量 ， 必然 会导致 网络 的规 模 过 大， 影 响神 经 网络 的收敛 速度 ， 降低预 报 的准确 率 ， 甚 至 出现无法 收敛 的情 况 。 因此 ， 应对 此类样 本 和众 多
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｆ ｉ ｒ ｓ ｔ ，ｔ ｈ ｅ ｉ ｎ ｄ ｉ ｃ ａ ｔ ｏ ｒ ｓ ｏ ｆ ｔ ｈ ｅ ｃ ｕ ｒ ｒ ｅ ｎ ｔ ｔ ｅ ａ ｃ ｈ ｉ ｎ ｇ ｅ ｖ ａ ｌ ｕ ａ ｔ ｉ ｎ ｇ ｓ ｙ ｓ ｔ ｅ ｍ ｉ ｓ ｓ ｉ ｍｐ ｌ ｉ ｉ ｆ ｅ ｄ ｂ ｙ ｔ ｈ ｅ ｍｅ ａ ｎ ｓ ｏ ｆ ｑ ｕ ｅ ｓ ｔ ｉ ｏ ｎ ｎ ａ ｉ ｒ ｅ ｓ ｕ ｒ ｖ ｅ ｙ ａ ｎ ｄ
教学效果的BP神经网络评价
教学效果的BP神经网络评价作者：袁剑来源：《智能计算机与应用》2013年第06期摘要：对教师教学效果的考察是需要多角度进行评价，无论是学生为教师打分，还是督导组的评议，给出的评价是带有一些主观因素，合理建立评价体系，将各个评价指标客观化，使用综合评价向量作为输入，经由BP神经网络输出得到合理的分数。
实验仿真表明，通过训练的BP反向传播网络可模拟一个稳定的评价系统。
关键词：BP神经网络；模糊矩阵；教学评价中图分类号：TP183 文献标识码：A文章编号：2095-2163（2013）06-0060-030引言教师教学效果的审核评定是高校教学中的重要工作。
传统的考核方法或者只是由学生填写调查表，给教师划分等级，进行定性描述，或者是由督导组根据几堂课的听评给教师的课堂教学打出一个分值。
无论是哪种方法都不能全面客观地对教学工作做出科学评定。
而且传统的考核方法受主观因素影响较大，学生在对教师的评判中常会加入多种因素，各种因素之间的影响也各不相同，仅以学生或仅凭督导团的评定来实施评判显然已不尽合理。
因此，建立一种能尽量排除各种主观因素的干扰，同时又具有完善且稳定的评价体系的评定方法则成为必要和重要的研究课题。
本文构建一种教学效果评价体系，即对教师的评价从“教学态度”、“教学内容”、“教授方法”、“课堂效果”四大方面分项进行，无论是学生还是督导组均可据此评价体系给出相应评分。
本文提出使用BP反向传播神经网络来构建一个稳定的评分系统，各项评分指标为网络输入，使用已训练完成的BP神经网络来模拟一个专家的打分经验，由此输出一个终值。
BP神经网络通常是指基于误差反向传播算法的多层前向神经网络，由于BP网络的神经元采用的传递函数是Sigmoid型可微函数，因而可以实现输入和输出间的任意非线性映射[1]。
由于BP神经网络本身就是一种高度复杂的非线性动力系统的辨识模型，并且BP神经网络具有逼近任意非线性函数的能力[2]，因此使用BP神经网络进行评价将使结果更具客观性，以此来模拟一个稳定的评分系统亦将具备了现实实现基础。
基于BP神经网络的教学质量评价模型研究
基于Ｂ 神经 网络 的教学质量评价模型研究 Ｐ
．
杨 新 佳 龙 熙 华 ｚ ， ， 韩 （． １ 西安科技大学 理学院 ， 陕西
波 西安 ７ ００ ： １０ ０
２西安科技大学 ．
计算机学 院， 陕西
西安
７ ００ ） １００
。
摘要 ： 随着 ３前 高等教育教学改革的不断深化和发展 ， － ＂ 对教 学质量管理的研 究越 来越受到人们的重视 因此 建 立 和 完善 教 学质 量 监 控 和 评 价体 系对 教 学 管理 具有 十分 重 要 的 意 义 。本 文 主 要研 究 利 ］Ｂ ￣ 网络 理 论 构 建 和 ｌ ｆ Ｐｇ ｇ 咒善客观 、 合理、 量化的教 学质量监控与评价模型。 结合西安科技 大学计算机学院 自身的实际情 况和现行 的评价指
教学态 度
仪态 端庄 ，精 神饱 满 （２ 。 ｘ ） 普通 话标 准 ，声音 洪亮 教学 方法
（３ ｏ ｘ ）
课 堂讲授 内容饱满 ，并反 映本 学科 新 成果 （ｌ） ｘ０ 。 激 发学 生学 习兴趣 、师生 双 向交流 、 达流 畅
。
关键词 ： 教学质量评价 ； 神经 网络 ； Ｐ Ｂ ｃ ｒｐｇｔ ｎ 算法 Ｂ （ ａｋＰｏ ａａｏ ） ｉ
在学校工作 中 ， 教学工作是一 切工作 的 中心 ， 教学 质量管理是学校全 面质量 管理的关键 ，教学质量 的优 劣， 是评价一所学校办学成功与否的重要标志『教学质 ¨ ， 量评估是教学管理工作 的重要方 面 ，但 由于教学是一 种精神劳动 ， 是一种艺术 ， 没有 固定不变 的流程 ， 教学质
重 点 突 出，难 点讲 解透 彻 （７ 。 ｘ ） 辅导 答疑 认真 细 致、有 耐 心（ｌ） ｘ６。
基于BP神经网络对学生学习专业课程效果的评价
基于BP神经网络对学生学习专业课程效果的评价摘要本文从学习一门专业课程效果的评价现状，分析得到采用BP神经网络的原理用于课程效果评价是理想的。
通过建立BP神经网络的课程效果评价模型结构，并在MATLAB系统上对样本数据进行仿真实现，最后进行数据验证。
结果表明，应用人工神经网络对课程效果进行评价，排除了专家主观因素对在评价效果的影响，能够获得客观满意的评价结果，具有广泛的适用性。
关键词专业课程 BP 神经网络效果评价随着我国高等教育的迅猛发展，学校办学质量也日益被重视，作为检验学生掌握知识的一个因素，学习效果也被人们关注，它反应出学生对知识的掌握程度以及教师教学成果和管理的优劣。
当然，有许多因素同时影响着教学效果，并且各自占有的影响比重是不同的，因此，我们在评估度量学生学习效果时，很难用数学解析表达式来对其进行表示，显然，这是一个典型的非线性的几何问题[1]。
目前，还没有一个公认的、理想的学习效果评价体系，因此，寻找一个简单、优化、客观的学习效果评价方法是相当必要的。
从现有的研究状况来看，学习效果评价主要集中在两个方面，一是对学习效果评价体系中的内容的研究，二是对体系中各个指标确定后，如何最终评定学习效果等级方法的研究.1．学生学习某一门课程效果评价体系的研究现状1.1学习效果评价内容的研究我们知道，学生的学习和其自身的发展是一个没有丝毫中断的过程，并且学生学习和其成长生活环境不拘一格，所以将评价指标置于学生学习过程中，从过程管理的层面分析，多因素相互作用和多环节的综合体现于整个教学过程，因此，我们若要对来自不同学科分类，不同性质课程、不同学习环节、不同学习对象的学习效果进行对比，将会非常困难。
基于以上原因，我们必须要从最能直接反映学习效果并有共性的基本因素等方面去设计评价体系，这样才具有一定的实际可操作性。
以下几类要素常应用于现有的学习效果评价体系中：（1）学习态度：学习是否认真投入，预习是否及时，作业完成是否认真。
基于BP神经网络的学生数学能力评价
第29卷第1期2013年3月大连教育学院学报J ournal of D a l i an E ducat i on U ni ve r si t yV01．29．N o．1M a r．2013基于B P神经网络的学生数学能力评价陈欣(大连教育学院学习质量监测中心，辽宁大连116021)摘要：利用B P神经网络建立学生数学能力评价模型，以克服现有能力评价中主观因素的影响，客观、有效地对学生能力进行评价。
关键词：BP神经网络；学生；数学能力；评价中图分类号：G633．6文献标识码：A文章编号：1008—388X(2013)01—0028—02对学生进行学业质量评价是为了全面了解学生的学习历程，改进学生的学习和教师的教学，促进学生全面发展。
为了达到评价的目的，必须发挥评价的检测功能、反馈功能和导向功能。
目前的学业质量评价无论从评价技术还是覆盖范围上都有了较大的进步，但在评价内容和信息挖掘深度等方面还有不足。
为了进一步适应课程改革和新课标的需要，评价还应在发挥甄别与选拔功能的同时，借助测验获得的数据挖掘有关学生学业能力的深层次信息，为学生和教师提供更有针对性的建议。
另外，在大型考试的数据分析和评价过程中，评价的结果容易受到评估者个人偏好、知识结构等因素的影响，存在一定的随意性和主观性，因此探求一种尽可能排除主观因素干扰和影响，揭示学生深层学习问题且适用于大规模考试的测评方法和数学模型是十分必要的。
本研究尝试采用B P神经网络利用中考详细的数据信息对学生最薄弱的数学能力进行诊断，进而找到改进学习和教学的最有效途径。
一、BP神经网络原理B P神经网络是基于误差反向传播算法的多层前向神经网络，是由多个神经元通过一定的规则连接在一起组成的，能够很好地模拟非线性系统，实现输入和输出之间的任意非线性映射。
因其可有效克服和避免主观性及不确定性，在预测、诊断、估算、评估等领域得到了广泛关注、研究和应用。
B P神经网络的网络模型如图1所示：设给定样本对为{X(志)，D(忌))，其中X(足)一[z。
高校教学质量评价的BP神经网络模型
１ 引言
教学 质 量 是 高校 的生 命 线 ， 高 教 学 质量 ， 提 培
养社会 需 要 的高素 质人 才是 高等 教育 的根本 任务 。
对 高 校 教 师 的 教 学 质 量 进 行 科 学 、 正 、 观 的 综 公 客
估计 ， 导致 评价 具有 主观性 。另外 用传 统 方法 评价 时计 算求 解繁 琐很 难做 出精确 的评 价 ， 缺乏 自学 也 习能 力 ， 能很好 的解决 问题 。人 工神 经 网络 作 为 不
ｉ ｏ ｅｃ ｍｅ ｅｉｆｃｉｎｏ ｕ ｊｃｉｅｅ ａｕ ｔ ｎ ｆｃｏ ｓｉ ｅｍｏ ｅｉ ｆ ｅ ｃ ｉ ｕ ｌｙ ｅ ａ ａｉ ａ ｅ ｎ Ｂ ｅ ｒ ｌ ｔ ｖ ｒｏ ｓ ｈ ｅ ｔ ｆ ｂｅ ｔ ｖ ｌａｉ ａ ｔｒ ｔ ｄ ｌ ｇ ｏ ａ ｈｎ ｑ ａｉ ｖ ｌ ｔ ｎ ｂ ｓｄ ｏ Ｐ ｎ ｕ ａ ｔ ｎ ｏ ｓ ｖ ｏ ｎ ｈ ｎ ｔ ｇ ｔ ｕ ｏ
Ｙｕ ｎ Ｙｉ ｇ ｉ ｇ Ｌｉ ｏ ｇ ｉ ａ ｎ ｙｎ ｕ Ｈ ｎ ｍｃ
（ ｃ ｏ ｌ ｆＣｉｉ Ｅ ｇｎ ｅｉｇ Ｓ ｈ ｏ ｖｌ ｎ ｉｅ ｒ ，Ｎａ ｔ ｎ ｉｅ ｓｔ ，Ｎａ ｔｎ ２ ６ １ ） ｏ ｎ ｎｏ ｇ Ｕｎｖ ｒ ｉ ｙ ｎｏ ｇ ２ ０ ９
一
种 多领 域 广 泛 应 用 的新 技 术 ， 以其 强 大 的 自组
了新 的途 径 。 ‘
织、 自学 习和容 错 能 力 等 特 性 ， 非 线 性 问题 开辟 为
合评 价 已成为 高校 教学 管理 的一 个重 要 内容 ， 是 也 全面 了解 教学情 况 、 促进 教学 质量 提 高 的科学 而 有
关键词
教学质量评价 ； 模型 ； Ｐ神经 网络 Ｂ
BP神经网络 百度百科
BP神经⽹络 百度百科 在⼈⼯神经⽹络发展历史中，很长⼀段时间⾥没有找到隐层的连接权值调整问题的有效算法。
直到误差反向传播算法（BP 算法）的提出，成功地解决了求解⾮线性连续函数的多层前馈神经⽹络权重调整问题。
BP (Back Propagation)神经⽹络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。
输⼊层各神经元负责接收来⾃外界的输⼊信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能⼒的需求，中间层可以设计为单隐层或者多隐层结构；最后⼀个隐层传递到输出层各神经元的信息，经进⼀步处理后，完成⼀次学习的正向传播处理过程，由输出层向外界输出信息处理结果。
当实际输出与期望输出不符时，进⼊误差的反向传播阶段。
误差通过输出层，按误差梯度下降的⽅式修正各层权值，向隐层、输⼊层逐层反传。
周⽽复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经⽹络学习训练的过程，此过程⼀直进⾏到⽹络输出的误差减少到可以接受的程度，或者预先设定的学习次数为⽌。
BP神经⽹络模型BP⽹络模型包括其输⼊输出模型、作⽤函数模型、误差计算模型和⾃学习模型。
（1）节点输出模型 隐节点输出模型：Oj=f(∑Wij×Xi-qj) (1) 输出节点输出模型：Yk=f(∑Tjk×Oj-qk) (2) f-⾮线形作⽤函数；q -神经单元阈值。
图1 典型BP⽹络结构模型 （2）作⽤函数模型 作⽤函数是反映下层输⼊对上层节点刺激脉冲强度的函数⼜称刺激函数，⼀般取为(0,1)内连续取值Sigmoid函数：f(x)=1/(1+e) （3） （3）误差计算模型 误差计算模型是反映神经⽹络期望输出与计算输出之间误差⼤⼩的函数： Ep=1/2×∑(tpi-Opi) (4) tpi- i节点的期望输出值；Opi-i节点计算输出值。
（4）⾃学习模型 神经⽹络的学习过程，即连接下层节点和上层节点之间的权重拒阵Wij的设定和误差修正过程。
BP神经网络的基本原理_一看就懂
BP神经网络的基本原理_一看就懂BP神经网络（Back propagation neural network）是一种常用的人工神经网络模型，也是一种有监督的学习算法。
它基于错误的反向传播来调整网络权重，以逐渐减小输出误差，从而实现对模型的训练和优化。
1.初始化网络参数首先，需要设置网络的结构和连接权重。
BP神经网络通常由输入层、隐藏层和输出层组成。
每个神经元与上下层之间的节点通过连接权重相互连接。
2.传递信号3.计算误差实际输出值与期望输出值之间存在误差。
BP神经网络通过计算误差来评估模型的性能。
常用的误差计算方法是均方误差（Mean Squared Error，MSE），即将输出误差的平方求和后取平均。
4.反向传播误差通过误差反向传播算法，将误差从输出层向隐藏层传播，并根据误差调整连接权重。
具体来说，根据误差对权重的偏导数进行计算，然后通过梯度下降法来更新权重值。
5.权重更新在反向传播过程中，通过梯度下降法来更新权重值，以最小化误差。
梯度下降法的基本思想是沿着误差曲面的负梯度方向逐步调整权重值，使误差不断减小。
6.迭代训练重复上述步骤，反复迭代更新权重值，直到达到一定的停止条件，如达到预设的训练轮数、误差小于一些阈值等。
迭代训练的目的是不断优化模型，使其能够更好地拟合训练数据。
7.模型应用经过训练后的BP神经网络可以应用于新数据的预测和分类。
将新的输入数据经过前向传播，可以得到相应的输出结果。
需要注意的是，BP神经网络对于大规模、复杂的问题，容易陷入局部最优解，并且容易出现过拟合的情况。
针对这些问题，可以采用各种改进的方法，如加入正则化项、使用更复杂的网络结构等。
综上所述，BP神经网络通过前向传播和反向传播的方式，不断调整权重值来最小化误差，实现对模型的训练和优化。
它是一种灵活、强大的机器学习算法，具有广泛的应用领域，包括图像识别、语音识别、自然语言处理等。
基于BP神经网络的教学评价模型构建
基于BP神经网络的教学评价模型构建摘要:通过对BP神经网络模型的构建和算法进行详细阐述,系统地介绍了BP神经网络理论在教学评价中的应用现状,并给出基于BP 神经网络的教学评价模型的构建方法。
关键词:BP 神经网络教学评价模型构建评价方法BP神经网络是一种单向多层前馈人工神经网络模型,可以实现任何复杂的、多因素、不确定和非线性的映射关系,是目前应用最广泛的人工神经网络模型之一。
通过这种梯度下降算法不断地修正网络各层之间的连接权值和阈值,从而实现期望输出值与实际输出值之间的误差达到最小或者小于某一个阈值[1～2]。
本文的研究目标是通过对现有评价指标、评价方法的分析,建立有效的教学评价模型,并实现相应的网上教学评价系统设计。
结合BP 神经网络,给出了一种非线性的教学评价模型,训练好的BP网络模型根据测评数据,就可得到对评价对象的评价结果,实现定性与定量的有效结合。
1 BP神经网络模型2 改进的BP神经网络算法描述网络的拓扑结构和训练数据确定之后,总误差函数E的性质特征就完全由激活函数f决定了。
改进激活函数,可以改变误差曲面,尽量减少局部极小值的可能性。
BP算法的激活函数一般为sigmoid型函数,即。
改进的BP算法是对标准的S型函数引入新的参数,则函数变为,其中系数决定着S型函数的压缩程度。
该非线性函数满足如下两个条件:一是连续光滑且具有单调性;二是定义域为,值域为,故符合激活函数要求。
而且它使得激活函数曲线变得平坦,方便在或时,避开局部极小,因此该函数具有更好的函数逼近能力以及容错能力。
3 仿真计算与分析以学生评教数据为输入值,专家评教数据为期望输出值,采用上述算法在Matlab下设计仿真程序对BP模型进行辨识,输入层、隐含层和输出层的结点数分别为16×4×1,激活函数采用变化的S型,学习率=0.99。
通过沈阳某大学教务处所提供的数据进行实验,采用10组样本进行网络训练,并对10位教师进行测评。
大学生综合素质评价中BP神经网络的建模与仿真
・
６ ・ ０
Ｃｏ ｐ ｔｒ Ｅｒ ｍ ｕ ｅ ａ Ｎｏ． ２ ０ ８ ０ ８
大学生综合素质评价中Ｂ 神经网络的建模与仿真 Ｐ
王天娥 ，叶德谦
（ 岛Ａ ＿ 大学 中德 信 息技 术合作 研 究所 ，山 东 青 岛 ２６ ３） 青 Ｔ ． － ６０ ３
１Ｂ Ｐ神经 网络 的基本 理 论
人工神经网络是一种大规模并行分布处理的非线性 系统 ， 可以处理那些难 以用数学模型描述 的系统 ， 以逼近 任何非线 可
示着无穷的训练时间 。
２２ Ｂ ． Ｐ算 法 的 改进
性 的特性 ， 具有很 强的 自适应 、 学 习 、 想记忆 、 自 联 高度容错 和
＋ 、 （ ＼ 二
，
×
／
／
）
一１ ， 、
…
—
＿
、
一
是设置为最后一次权值 的变化 ， 而依梯度法产生 的变 化部分则
被忽略掉了。
（） 自适 应 学 习 速率 ２
＼ 、 、 ～ 文 ～
… … —
／ ＼ ●／ ． ／ ＼｛ ，
的收敛 是基 于无穷小 的权修 改量 ， 而这个无 穷小 的权修改量预
到三大类方法 ： 常规数学方法、 模糊学方法和多元统计分析方法 。 大。模 糊综合测评方法 中人的主观性作用比较大 ， 能否 充分反 映客观实 际， 需要很好把握 。Ｂ Ｐ神经网络 的机理是通过学习和 训练 ， 出输入与输 出之 的内在联 系， 找 进而求得问题 的解 ， 有
利 于弱化求权重 向量 中人 为因素的作用 ， 为处理复杂的非线性
常规数 学方法对数 据要 求较 高 ， 计算较 复杂 ， 出的代价 它 的训练很难掌握 ， 付 算法的训练速度非常慢 。②局部极小 点问
配电网经济运行的BP神经网络评估模型
节 。 献 Ｅ １利 用 改 进 的径 向 基 函数 ＲＢ ｒｄａ 文 ９ Ｆ（ａ ｉｌ
ｂ ｓ ｕ ｃｉｎ ａｉ ｆｎ ｔ ）神 经 网络 用 于 大 坝 安 全 的综 合 评 ｓ ｏ 价 。 是将专 家 的意 见 作 为 输 入 ， 没 有 运 用 客 观 只 并
ｄｅ Ｏ ａ ｉ ｈｅ ｏ — ｉ ｄｎｅ ｓ ｏ ｉｇｌ ｘｐ ｒ ． Ｔ ｈｅ ＢＰ ｕ ａ ｎ ｔ ｏ ｋ ａｇｏ ｉｈｍ ｓ ｉ ｒ ｕｃ ｄ ｔ ｔａｎ ａ ｒ ｔ ｖｏ ｄ ｔ ｎｅ ｓｄｅ ｓ ｆ ｓｎ ｅ ｅ ｅ ｔ ｎ ｎｅ ｒ ｌ ｅ ｗ ｒ ｌ ｒｔ ｉ ｎｔｏｄ ｅ Ｏ ｒ ｉ ｎｄ ｔ ｓ ａ ｈ ａ ｔ ｉ ｅ ． Ｔ ｏ ｉ ｐｒ ｅ ｔｅ ｃ ｔｒｂｕｔ ｓ ｍ ｏｖｅｔ ａｌｕｌｔｏｎ ｓ ｅ ａ ｕｌｙ ｕｎ ｒ ｔ ｎｄ ｔ ｏ ｐｒ ｈｅ ｓｖｅ ｅ ｌ ｔｏｎ ｖ ｌ ｈｅ ｃ ｃ ａ ｉ ｐｅ ｄ ｎｄ ｆ ｌ ｄｅ ｓ ａ ｈｅ ｃ ｍ ｅ ｎ ｉ ｖａｕａ ｉ ａ ｕｅ
Ｍ ｏ ｏ ｉ ｅ ｏ ｅ ｅ ｏ ｉ ｅ， Ｙ ａ ｈ ｎ Ｕ ｎ ｖ ｒ ｉｙ， ｔ ｒ Ｄｒｖ ｆ Ｈ ｂ ｉＰｒ ｖ ｎｃ ｎｓ ａ ｉ ｅ ｓｔ
Ｑｉｈ ａ ｇ ａ ６ ０ ４ ｈ ｎ ； ｎ ｕ ｎ ｄ ｏ０ ６ ０ ，Ｃ ｉ ａ ２ Ｑｉ ｈ ａ ｇ ａ ｅ ｔｉ Ｐ ｗｅ ｏ ｐ ｒ ｔ ｎ ． ｎ ｕ ｎ ｄ ｏ Ｅｌｃｒｃ ｏ ｒＣ ｒ ｏ ａ ｉ ，Ｎｏ ｔ ｈ ｎ ｉ ｍ ｐ ｎ ｎ ｔｄ， ｏ ｒｈ Ｃ ｉａ Ｇｒ Ｃｏ ａ ｙＬｉ ｍｉｅ ｄ Ｑｉ ｕ ｎ ｄ ｏ ０ ６ ０ ｈ ａ ｇ ａ ６ ０ ０，Ｃｈ ｎ ； ｉａ
网的规 划 与改造 起着 重要 的指 导作 用 ， 因此 对 配
BP神经网络模型
BP网络旳原则学习算法
BP算法直观解释
◦ 情况一直观体现
◦ 当误差对权值旳偏 导数不小于零时，权值 调整量为负，实际输 出不小于期望输出， 权值向降低方向调整， 使得实际输出与期望 输出旳差降低。
e
who
e w ho
>0，此时Δwho<0
BP网络旳原则学习算法
BP算法直观解释
◦ 情况二直观体现
xx1,x2, ,xn
h h y yo o i i h y h y o o ii1 1 1 1 ,,,,h h y y o o ii2 2 2 2 ,,,,
,h ip
,h o p ,yiq
,y o q
dod1,d2, ,dq
BP网络旳原则学习算法
◦ 输入层与中间层旳连接权值: w ih ◦ 隐含层与输出层旳连接权值: w h o ◦ 隐含层各神经元旳阈值: b h ◦ 输出层各神经元旳阈值: b o ◦ 样本数据个数: k1,2, m ◦ 激活函数: f ( )
将误差分摊给各层旳全部 单元－－－各层单元旳误 差信号
修正各单元权 值
•学习旳过程：
• 信号旳正向传播 向传播
误差旳反
BP网络旳原则学习算法-学习过程
•正向传播：
• 输入样本－－－输入层－－－各隐层－－－输出层
•判断是否转入反向传播阶段：
• 若输出层旳实际输出与期望旳输出（教师信号）不 符
•误差反传
第七步，利用隐含层各神经元旳 h ( k ) 各神经元旳输入修正连接权。
和输入层
wih(k)weihhihe(k)hiw h(ihk)h(k)xi(k) wiN h1wiN hh(k)xi(k)
BP网络旳原则学习算法
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘 要：研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，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，缺少科学性。为克服传统网络学习评价方法
的不足，实现网络学习评价的智能化，提出了一种基于 BP 神经网络的的网络学习评价模型，并利
用 MATLAB 进行实验仿真，测试结果表明，该评价模型准确率高，能为网络学习评价提供可靠数据。
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
x1, x2 ,, xn 为网络学习评价的 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 级 与 评 价 指 标 的 关 系 可 表 示 为 y f (x1, x2 ,, xn ) ， 进 行 网 络 学 习 评 价 就 是 找 出 评 价 指 标 x1, x2 ,, xn 与评价等级 y 之间的函数关系。
指标体系的确定
样本数据采集
模式的确定
模式内样本奇异点去除
样本抽样
模式的学习样本
图 2 建立有效样本的步骤
借助计算机应用基础课网络学习评价数据通过剔除奇异点的方法，将留下的 400 组数据作为有 效样本，并取其中的 370 组数据作为训练数据，其余 30 组数据作为测试数据，用来对训练生成的 模型的进行检验。评价采用五级制（优、良、中、及格、差）。模型对样本处理规则如下：评价指 标优、良、中、及格、差分别转化成相应数字 5、4、3、2、1，而输出优、良、中、及格、差分别 对应 5 个区间，即[4.5 5]、[4 4.5]、[3.5 4]、[3 3.5]、[0 3]。
研究表明，最近邻算法（KNN）对不相关属性非常敏感。[3][4]笔者采用最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 个评价指标之 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。
20
学习态度
网络学习评价指标体 学习过程
学习效果
周 均 在 线 时 长
作 业 完 成 率
周
讨
讨
均
论
论
浏
中
中
作
测
览
发
回
业
试
辅
起
答
平
平
导
的
的
均
均
材
问
问
得
得
料
题
题
分
分
时
次
次
间
数
数
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，直接影响到模型的训练结果。因此， 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。
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 BP 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 个输出节点，
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。[2]而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 广泛应用于模式识别和非线性分类问题。
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（学习评价指标）到输出（对学生网络学习评价的最终结果）的非线 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，[6]因此采用 3 层 BP 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。
第 11 卷第 1 期 2012 年 2 月
广州职业教育论坛 GUANGZHOU VOCATIONAL EDUCATION FORUM
Vol.11 No.1 Feb. 2012
文章编号：2095-364X（2012）01-0020-06
基于 BP 神经网络的网络学习评价模型研究
李绍中
（广州番禺职业技术学院 教务处，广东 广州 511483）
关键词：神经网络；MATLAB；网络学习评价
中图分类号：TP183
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。近几年，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、轻使用的现象已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。[1] 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。
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（如图 1 所示）。
收稿日期：2011-12-22 作者简介：李绍中（1969-），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。
4 基于 BP 神经网络的网络学习评价模型的建立
BP（Back Propagation，BP，误差反向后传）神经网络是指基于误差反向传播算法（BP 算法） 的多层馈神经网络，是 1986 年 Rumelhart 和 McCelland 提出来的，也是目前数十种神经网络模型 中应用最为广泛的模型。[5]在此，选用 BP 神经网络来构建网络学习评价模型。