PSO優(yōu)化神經(jīng)網(wǎng)絡(luò)的高職教學(xué)質(zhì)量評價體系設(shè)計

摘要：目前，高職院校教育教學(xué)質(zhì)量保障體系與教學(xué)質(zhì)量評估問題已成為世界各國關(guān)注的問題之一。但教學(xué)質(zhì)量評價過程中，存在數(shù)據(jù)收集量大、繁、雜；數(shù)據(jù)不完備、不確定；評價方法和手段；后期數(shù)據(jù)分析與應(yīng)用等問題。故針對目前現(xiàn)狀及存在問題，本文提出利用PSO優(yōu)化的人工神經(jīng)網(wǎng)絡(luò)技術(shù)處理教學(xué)質(zhì)量評估系統(tǒng)出現(xiàn)的問題，既克服了人為因素對評價結(jié)果的直接影響，又可建立全面合理的綜合評價指標(biāo)體系。

關(guān)鍵詞：PSO優(yōu)化神經(jīng)網(wǎng)絡(luò)高職教學(xué)質(zhì)量評價體系

1 高職院校教學(xué)質(zhì)量評價綜合指標(biāo)體系的確立

目前，各大高職院校廣泛采用學(xué)生網(wǎng)上測評系統(tǒng)、教學(xué)質(zhì)量管理委員會專家聽課制度及教師互相聽課評分制度，高度重視教學(xué)質(zhì)量。故本文采用以下16項評價指標(biāo)，分別用X1、X2…X16表示。其中，X1代表工作熱情、精神飽滿；X2代表課堂組織情況；X3代表講課認(rèn)真程度；X4代表課后輔導(dǎo)答疑及時耐心；X5代表教學(xué)內(nèi)容正確、容量、速度適當(dāng)；X6代表授課內(nèi)容注重科學(xué)性、邏輯性和系統(tǒng)性；X7代表能夠明確重點和難點，處理得當(dāng)；X8代表理論聯(lián)系實際情況；X9代表啟發(fā)創(chuàng)新思維；X10代表作業(yè)布置與批改情況；X11代表根據(jù)教學(xué)需要，采用不同方法；X12代表多媒體教學(xué)手段運用情況；X13代表教學(xué)語言規(guī)范、生動，板書清晰、合理；X14代表能夠結(jié)合教學(xué)內(nèi)容和課堂紀(jì)律等對學(xué)生進行教育；X15代表教師遵守紀(jì)律情況；X16代表對授課教師總體印象。

2 系統(tǒng)功能模塊設(shè)計

教學(xué)質(zhì)量評價系統(tǒng)分兩部分，一是利用網(wǎng)絡(luò)技術(shù)對教師教學(xué)工作進行評價與查詢。學(xué)生可通過網(wǎng)絡(luò)隨時在該系統(tǒng)平臺上對任課教師進行評價；教師可通過該系統(tǒng)隨時了解學(xué)生和督導(dǎo)專家的評價；學(xué)校各級教學(xué)管理部門可在一定權(quán)限內(nèi)通過系統(tǒng)隨時了解課堂教學(xué)反映。二是測評數(shù)據(jù)處理系統(tǒng)，用于分析教學(xué)質(zhì)量評價過程。系統(tǒng)分為如下幾個模塊，具體見圖1：

3 教學(xué)質(zhì)量神經(jīng)網(wǎng)絡(luò)評價系統(tǒng)設(shè)計

學(xué)生測評數(shù)據(jù)獲得后，如何公正、有效地得到教師的最終測評結(jié)構(gòu)，是高職院校教學(xué)質(zhì)量評價體系的核心部分，由樣本庫維護、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、神經(jīng)網(wǎng)絡(luò)評價和報表輸出四個模塊組成。

3.1 樣本庫維護

人工神經(jīng)網(wǎng)絡(luò)中，樣本是神經(jīng)網(wǎng)絡(luò)訓(xùn)練的必備條件，樣本選取好壞，直接影響神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果。因此，樣本選取無錫職業(yè)技術(shù)學(xué)院課堂教學(xué)調(diào)查表，讓學(xué)生對授課教師各項指標(biāo)進行評分，因每個課堂都有很多學(xué)生評分，相當(dāng)于有很多評委，將所有測評成績?nèi)∑骄担鳛樵摻處?6項輸入指標(biāo)的值。本文采用督導(dǎo)組對課堂聽課評價值作為輸出指標(biāo)，采用此樣本數(shù)據(jù)來訓(xùn)練網(wǎng)絡(luò)，不僅能體現(xiàn)學(xué)生的評分，還能體現(xiàn)督導(dǎo)組專家評價思想。合適樣本選擇后，在輸入神經(jīng)網(wǎng)絡(luò)前，須進行歸一化處理。本文采用最大最小值法進行歸一化處理，該方法對數(shù)據(jù)處理是一種線性變換，能較好保留其原始意義，不會造成信息的丟失。因此，樣本庫維護非常重要，可減小神經(jīng)網(wǎng)絡(luò)模型復(fù)雜度，并增加網(wǎng)絡(luò)魯棒性，從而保證訓(xùn)練網(wǎng)絡(luò)的準(zhǔn)確性。實現(xiàn)本部分采用了對數(shù)據(jù)庫中的表進行設(shè)計，以表單形式實現(xiàn)各個功能。

3.2 PSO優(yōu)化的神經(jīng)網(wǎng)絡(luò)訓(xùn)練

PSO優(yōu)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練是本系統(tǒng)核心部分，故將重點介紹訓(xùn)練模型、訓(xùn)練算法和程序?qū)崿F(xiàn)等。

3.2.1 課堂教學(xué)質(zhì)量神經(jīng)網(wǎng)絡(luò)評價子系統(tǒng)模型

選擇網(wǎng)絡(luò)模型十分重要，其選擇好壞直接影響網(wǎng)絡(luò)訓(xùn)練次數(shù)和網(wǎng)絡(luò)學(xué)習(xí)精度。①確定輸入層神經(jīng)元個數(shù)：課堂教學(xué)評價子系統(tǒng)二級指標(biāo)16個，取輸入層個數(shù)n=16；②確定輸出層神經(jīng)元個數(shù)：課堂教學(xué)評價子系統(tǒng)評價結(jié)果作網(wǎng)絡(luò)的輸出，因此取輸出層個數(shù)m=1；③確定網(wǎng)絡(luò)隱含層數(shù)：隱含層數(shù)越多，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度越慢，據(jù)Kosmogorov定理，結(jié)構(gòu)合理和權(quán)值恰當(dāng)條件下，3層BP網(wǎng)絡(luò)可逼近任意連續(xù)函數(shù)，故本文選取結(jié)構(gòu)相對簡單的3層BP網(wǎng)絡(luò)；④據(jù)網(wǎng)絡(luò)收斂性能好壞確定隱含層神經(jīng)元個數(shù)，據(jù)公式：s=■+0.51，可得出隱含層神經(jīng)元個數(shù)s=8；⑤確定神經(jīng)元轉(zhuǎn)換函數(shù)：BP神經(jīng)網(wǎng)絡(luò)神經(jīng)元轉(zhuǎn)換函數(shù)形式為：fx=■；⑥確定模型結(jié)構(gòu)。

3.2.2 程序?qū)崿F(xiàn)

①設(shè)計神經(jīng)網(wǎng)絡(luò)參數(shù)：神經(jīng)網(wǎng)絡(luò)訓(xùn)練時，初始權(quán)值選取對網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練是否會落入局部極小點及是否收斂都有很大關(guān)系。初始權(quán)值一般取隨機數(shù)，且要求取值較小，經(jīng)比較多次訓(xùn)練過程，網(wǎng)絡(luò)初始權(quán)值選在[-1/n，l/n]間，可大大縮短收斂時間。②初始化粒子群：按公式計算出維數(shù)dimsize=16×8+8×1+8+1=145，確定粒子位置；確定粒子群規(guī)模，一般取20-40就可解決大部分問題，本系統(tǒng)選取40；初始化學(xué)習(xí)因子c1、c2，c1和c2通常等于2；初始化粒子群及每個粒子速度。初始化每一個粒子個體極值pbest和全局最優(yōu)值gbest，并記錄相應(yīng)權(quán)值、閾值。

3.2.3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

表1為進行網(wǎng)絡(luò)訓(xùn)練的14組樣本數(shù)據(jù)，其中前10組為訓(xùn)練數(shù)據(jù)，后4組為測試數(shù)據(jù)。表2為樣本訓(xùn)練結(jié)果與期望值。圖2為神經(jīng)網(wǎng)絡(luò)訓(xùn)練后所得的權(quán)值和閾值。

3.3 PSO優(yōu)化的神經(jīng)網(wǎng)絡(luò)評價

通過上述神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，權(quán)值、閥值已確定，給定16項輸入值后，則可得出神經(jīng)網(wǎng)絡(luò)的評價結(jié)果。利用最后四組數(shù)據(jù)進行測試，然后檢查輸出評價目標(biāo)與實際評價目標(biāo)間誤差是否滿足要求。表1中后4組數(shù)據(jù)經(jīng)過歸一化后的值在表3中列出。

經(jīng)神經(jīng)網(wǎng)絡(luò)計算輸出結(jié)果為：0.9434，0.9335，0.1251，

0.3628，把該結(jié)果經(jīng)反歸一化處理得到評價目標(biāo)與實際評價目標(biāo)相比較，可得到網(wǎng)絡(luò)測試誤差，列于表4。

可看出，測試結(jié)果與原始數(shù)據(jù)非常接近，即該模型能較準(zhǔn)確根據(jù)各評價指標(biāo)確定教學(xué)效果。

參考文獻：

[1]朱泓.高等學(xué)校教學(xué)質(zhì)量評估體系的研究[D].大連：大連理工大學(xué)，2004.

[2]曾建潮，介婧，崔志華.微粒群算法[M].北京：科學(xué)出版社，2004：10-14.

[3]孫建英.粒子群優(yōu)化算法的分析及改進[D].大連：大連海事大學(xué)數(shù)學(xué)系，2007.

課題來源：

2012年江蘇高校哲學(xué)社會科學(xué)基金資助項目“基于PSO優(yōu)化神經(jīng)網(wǎng)絡(luò)的高職院校教學(xué)質(zhì)量評價”階段性成果，項目批準(zhǔn)號：2012SJB880077；2011年江蘇省高等教育教改研究立項重點課題“基于專業(yè)評估的高職教學(xué)質(zhì)量監(jiān)控體系的研究與實踐”階段性成果，項目批準(zhǔn)號：2011JSJG096。

作者簡介：

許敏（1980-），女，無錫職業(yè)技術(shù)學(xué)院講師，博士研究生，主要研究方向為模式識別、人工智能等。