基于人工神经网络探究生课程评价模型.docVIP

基于人工神经网络探究生课程评价模型【摘要】在研究生网上课程评价系统收集的大量数据基础上,构建了一种基于人工神经网络的多指标课程评价模型,并将网上调查的结果以连接权的方式赋予该评价模型进行训练。通过实际评价数据的验证,该模型能够准确地按照实际评价的过程进行工作。 【关键词】评价模型;人工神经网络;课程评价 【中图分类号】G420 【文献标识码】A 【论文编号】1009―8097(2009)10―0053―05 一 引言 目前,我国高等教育面临着培养大批创新人才和为国家自主创新做出更大贡献两大任务,对研究生教育已经从注重培养数量转变为注重培养质量。研究生的课程教学过程,是研究生培养质量控制中一个重要环节,因此对于研究生课程教学质量的评估,也成为提高培养质量的重要课题之一。 然而,对研究生课程教学质量进行评价,是一项复杂的系统工程。在课程评价中涉及的因素较多,在评价中通常采用的问卷调查,由于指标和权重的确定带有很大的主观性,调查对象的反馈也存在部分无效信息或噪声数据,因此并不能完全客观地反映课程教学水平的高低。 随着研究生培养工作的不断发展,在课程调查方面已经积累了大量原始数据。通过数据挖掘技术,利用已经存在的大量研究生培养和课程调查数据,将其转换成有用的信息和知识,建立一个完善的研究生课程评价体系和课程评价模型,能够为课程评价提供高效客观的结论,并以此为参考,不断提高研究生的课程教学质量和培养质量。 本文试图在构建研究生课程评价体系的基础上,基于数据挖掘技术,通过数据分析和机器学习,提出一种基于人工神经网络的多指标综合评价模型。该评价模型不仅可以模拟调查者对课程进行评价,而且还具有很强的容错能力,非常适合大规模的评价系统。 人工神经网络(Artificial Neural Network,简称ANN)是近年发展起来的一门处理复杂系统的理论,其特有的信息处理能力和独到的解算能力在很多方面都呈现出广阔的应用前景。ANN主要解决数据挖掘的分类和回归任务,它基于并行处理的机制,从结构上对人类的思维过程进行模拟,从而能实现人类思维的某些功能,如学习、逻辑推想、联想记忆和自组织等[1]。相对于判定树算法,ANN可以找出输入属性和可预测属性之间平滑而连续的非线性关系。ANN已经在信号处理、模式识别、目标跟踪、机器人控制、专家系统、组合优化、网络管理等众多领域的应用中获得了引人注目的成果。特别是在解决非线性系统的问题的方面,具有独特的优势。 二 研究生课程评价体系构建 通过对某重点高校2007-2009年网上课程评价设计的调查问卷进行总结,以及对网上课程评价系统获取的原始数据整理和汇总,并参考部分典型的课程教育质量评价体系,可以从课程内容、教学过程、教师情况等三个方面来构建课程评价体系。具体的评价指标详见表1。 三 基于神经网络的研究生课程评价模型 1 BP神经网络的构建 目前人工神经网络的算法模型有很多种,其中BP神经网络是被广泛应用的一种重要网络形式,主要用来进行非线性系统的输出输入映射关系建模。其主要结构是由一个输入层,一个或多个隐含层,一个输出层组成,各层由若干个神经元(节点)构成,每一个节点的输出值由输入值、作用函数和阈值决定[2]。 本文采用的是如图1所示的隐含层为一层的三层BP神经网络模型。 (6)利用输出层各单元的一般化误差 与隐含层各单元的输出 来修正连接权 和阈值 。 (7)利用隐含层各单元的一般化误差 ,输入层各单元的输入 来修正连接权 和阈值 。 (8)随机选取下一个学习样本向量提供给网络,返回到步骤(2),直到m个训练样本训练完毕。 (9)重新从m个学习样本中随机选取一组输入和目标样本,返回步骤(2),直到网络全局误差E小于预先设定的一个极小值,即网络收敛。如果学习次数大于预先设定的值,则网络无法收敛。 (10)学习结束。 3 研究生课程评价模型中的BP神经网络设计 在研究生课程评价模型中的BP神经网络中,共有21个指标作为输入的神经元;输出层只有一个神经元,即研究生培养质量评价值,它是一个取值范围是[0,1]的代数值。 隐含层的神经元数目选择是一个十分复杂的问题,往往需要根据设计者的经验和多次试验来确定,因而不存在一个理想的解析式来表示,更不能机械地按照Kolmogorov定理来简单地确定隐含层的神经元数目。隐含层的神经元数目与问题的要求、输入和输出单元的数目都有着直接关系。若隐含层节点数太少,网络可能根本不能训练或网络性能很差;若隐含层节点数太多,虽然可使网络的系统误差减小,但一方面使网络训练时间延长,另一方面,训练容易陷入局部极小点而得不到最优点,也是训练时出现“过拟合”的内在原因。