基于PSORBF神经网络在教学质量评价中应用.doc

基于PSORBF神经网络在教学质量评价中应用【 摘 要 】 文章提出了一种将粒子群优化（PSO）算法训练的RBF神经网络用于教师教学质量评价的方法。该方法使用由PSO训练的RBF神经网络来拟合影响教学质量评价的众多指标与评价结果之间的复杂关系。通过实验验证，该方法在教学质量评价中，克服了评价主体在评价过程中的主观因素，又得到满意的评价结果，具有广泛的适用性。 【 关键词 】 粒子群优化算法；RBF神经网络；教学质量评价 Application OfNeural Network Based On Particle Swarm Algorithm For Teaching Quality Evaluation Zhai Jian-feng (Computer Center, China Youth University for Political Science Beijing 100089) 【 Abstract 】 Application of RBF neural network based on particle swarm optimization algorithm for teaching quality evaluation isproposed in the paper. The method uses RBF neural network based on particle swarm algorithm to combine the influencing factors of teaching quality with the result of evaluation. The empirical study shows that the method, applied to teachers? teaching quality evaluation, can both overcome the subjective factorsof evaluation main body in evaluation process and bring the satisfactory evaluating results, and it has the widespread serviceability. 【 Keywords 】 PSO；RBF neural networks；Teaching quality evaluation 0 引言 目前我国的高等教育处于大众化教育阶段，在规模、数量上猛增，但与此同时，教育质量在诸多因素影响下出现了下滑趋势，因此如何提高教学质量已成为高校当前和今后办学的首要任务。要提高教学质量，就必须加强教学质量的全面管理，尤其是对教师教学质量的评价。教学质量评价可以给教师教学工作提供科学的反馈信息，有利于教师在以后的教学过程中改进方法和手段，从而不断提高教学质量。教学质量评价受到教学条件、课程难度、教师教学、学习效果等多种因素之间相互作用，相互影响，需根据高校实际情况制作切实可行的评价指标体系。而由于各个评价指标间的关系比较复杂，不能简单的通过线性加权的方式来评价一个教师的教学效果，因此需建立一个科学合理的模型，客观、公正的反映教师的教学效果。 人工神经网络以非线性函数映射、学习分类和实时优化等基本特性在各种评价问题上应用很多，同时PSO具有很强的全局搜索能力，非常适合对RBF神经网络进行参数优化。根据以上特点本文利用粒子群优化算法(PSO)训练的RBF神经网络用于教师教学质量综合评价，能够真实有效的反映教师的教学效果。 1 教学质量评价分析 目前高校普遍采用学生网上评价系统、教学督导专家听课制度，高度重视教学质量。要进行实践教学质量评价，就需建立一套科学合理的教学质量评价指标体系，根据学院的具体情况现实行的评价指标体系共分为5个一级指标和15个二级指标，如表1所示，其中二级评价指标分别用X1、X2…X15表示。 将二级评价指标的取值范围定为[1,100]，在全校范围内随机抽取20名教室，由学生及督导专家进行评价并汇总，得到如表2所示结果，其中X1、X2、…、X15为学生测评数据，评价值为专家听课总评分数。通过对数据的分析，评价值(即教学效果)与各评价指标之间的关系并不是简单的线性加权的，而是非线性的。为了在二级评价指标和评价值之间建立联系，本文利用PSO优化的RBF神经网络来建立教学质量评价模型。 2 PSO优化的RBF神经网络建立教学质量评估模型 2.1 径向基函数（RBF）神经网络 径向基函数神经网络是一种具有3层单向传播的前馈网络，能够处理复杂的非线性函数关系，具有很强的非线性逼近能力，能够以任意精度逼近任意函数。