改進神經網絡的大學物理實驗教學質量評價

辛建英

摘 要： 針對當前大學物理實驗教學質量評價模型存在的局限性，提出改進神經網絡大學物理實驗教學質量評價模型。對當前大學物理實驗教學質量評價研究現狀進行分析和探討，并根據相關研究建立大學物理實驗教學質量評價指標體系；采用BP神經網絡建立大學物理實驗教學質量評價模型，并針對BP神經網絡參數優化問題進行改進；最后通過大學物理實驗教學質量評價實驗對模型的可行性進行測試。結果表明，改進神經網絡提高了大學物理實驗教學質量的評價精度，評價結果更加科學、可靠，具有廣泛的應用前景。

關鍵詞： 大學物理； 實驗教學； 質量評價； 神經網絡； 指標體系

中圖分類號： TN711?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）15?0146?04

Abstract： An improved neural network based teaching quality evaluation model of university physics experiment is proposed according to the limitation existing in teaching quality evaluation model of university physics experiment. The research status of the current university physics experiment teaching quality evaluation is analyzed and discussed. The index system of the university physics experiment teaching quality evaluation was established according to the related research. The BP neural network is adopted to establish the teaching quality evaluation model of university physics experiment. The BP neural network parameter optimization was improved. The feasibility of the model was tested by mean of university physics experiment teaching quality evaluation experiment. The results show that the improved neural network can improve the accuracy of university physics experiment teaching quality evaluation， make the evaluation result more scientific and reliable， and has broad prospect.

Keywords： university physics； experiment teaching； quality evaluation； neural network； indicator system

0 引 言

近年來，隨著經濟的高速發展，高等教育發生了跨越式發展，招生規模空前擴大，教學資源嚴重短缺，如何保證教學質量是所有大學面臨的問題，其中大學物理實驗是一門基礎課程，其教學質量對后繼許多課程的教學有直接影響，因此建立科學、客觀的大學物理實驗教學質量評價模型引起了教學管理部門的高度重視[1?2]。

大學物理實驗教學質量評價過程受到多種條件的影響，是一個具有眾多評價指標的復雜問題[3]。針對大學物理實驗教學質量評價問題，許多老師和管理人員對其進行了深入分析，提出了許多可行的大學物理實驗教學質量評價模型[4]。最原始的大學物理實驗評價模型為專家系統，由許多有大學物理實驗教學背景的專家進行估計，得到評價結果，該方法十分繁鎖，結果的可信性差，而且評價結果與專家們的自身知識密切相關，導致大學物理實驗教學質量評價結果主觀性比較嚴重[5]。隨著現代信息技術的發展，出現了模糊理論、灰色關聯分析、因子分析等傳統統計學理論的大學物理實驗教學質量評價模型[3，6?7]，這些方法比較簡單，評價效率高，但它們難以找到大學物理實驗教學質量評價指標與評價值之間的聯系，使得建立大學物理實驗教學質量評價模型不理想，評價結果不合理[8]。近年來，隨著機器學習理論的研究不斷深入，有學者將神經網絡、支持向量機等引入到大學物理實驗教學質量評價中，它們能夠找到大學物理實驗教學質量評價指標與結果間的聯系，獲得較高精度的評價結果，也成為大學物理實驗教學質量評價研究的主要工具[9]。尤其是BP神經網絡的學習速度快、非線性擬合能力強，在大學物理實驗教學質量評價中應用最為廣泛，但BP神經網絡參數優化是一個待解決的難題，如果參數確定不合理，那么大學物理實驗教學質量評價效果大幅度下降。

為了提高大學物理實驗教學質量的評價精度，針對傳統大學物理實驗教學質量評價模型存在的局限性，提出改進神經網絡大學物理實驗教學質量的評價模型，實驗結果表明，改進神經網絡提高了大學物理實驗教學質量的評價精度，評價結果可以真實反映老師的教學水平，為教學管理者提供一定的參考信息。

1 改進神經網絡

1.1 BP神經網絡

BP神經網絡沒有一個固定的結構，通常情況下三層網絡可以無限逼近任意的非線性函數，結構如圖1所示。

1.2 混沌粒子群優化算法

在BP神經網絡的建模過程中，權值和閾值直接影響其性能，為了解決該問題，選擇混沌粒子群優化算法（CPSO算法）估計BP神經網絡的權值和閾值，以獲得更高精度的大學物理實驗教學質量評價模型。

設和表示粒子的位置和速度，和為自身粒子和種群的最佳位置，那么當迭代次數為時，粒子對問題求解過程的更新方式為：

1.3 改進神經網絡的工作步驟

改進神經網絡的工作步驟具體如下：

（1） 初始化粒子群，每一個粒子與BP神經網絡的權值和閾值對應。

（2） 對粒子進行反編碼，將訓練樣本輸入到BP神經網絡進行訓練，計算粒子適應度值，根據適應度值得到和適應度值的計算公式為：

（3） 若那么用粒子更新當前最優位置若用粒子更新當前最優位置

（4） 對粒子的速度和位置進行更新操作。

（5） 計算根據計算結果判斷是否獲得了局部最優解，如果得到了局部最優解，那么對

進行混沌操作，即：

（7） 計算適應度值，采用最優解替換質量差的粒子位置。

（8） 滿足結束條件，根據最優粒子位置得到BP神經網絡的權值和閾值。

2 改進神經網絡的大學物理實驗教學質量評價模型

2.1 大學物理實驗教學質量評價模型的工作原理

根據專家和相關研究建立大學物理實驗教學質量評價指標體系，采用神經網絡對訓練樣本進行學習，建立大學物理實驗教學質量評價模型，并采用混沌粒子群優化算法確定BP神經網絡的最優權值和閾值，采用大學物理實驗教學質量評價的測試樣本對模型的有效性進行驗證，具體如圖2所示。

2.2 大學物理實驗教學質量評價指標

根據專家評論和參照相關文獻[10]建立如圖3所示的大學物理實驗教學質量評價指標體系。

由于大學物理實驗教學質量評價指標體系的單位不同，值的差異大，影響BP神經網絡的學習速度，采用式（12）進行預處理：

式中和為指標的最小值和最大值。

2.3 改進神經網絡的大學物理實驗教學質量評價步驟

改進神經網絡的大學物理實驗教學質量評價步驟如下：

（1） 建立大學物理實驗教學質量評價指標體系。

（2） 根據大學物理實驗教學質量評價指標體系收集數據。

（3） 將訓練樣本輸入到BP神經網絡進行訓練，并采用混沌粒子群優化算法確定BP神經網絡的最優權值和閾值。

（4） 根據最優權值和閾值的BP神經網絡再次對訓練樣本進行學習，建立大學物理實驗教學質量評價模型。

（5） 采用具體數據對大學物理實驗教學質量評價模型的性能進行分析。

3 仿真實驗

3.1 大學物理實驗教學質量評價的數據來源

選自某大學的大學物理實驗教學質量評價數據，得到2 000個樣本，如表1所示。

3.2 結果與分析

將表1中的大學物理實驗教學質量評價的數據分為訓練樣本集和測試樣本集兩部分。訓練樣本建立大學物理實驗教學質量的評價模型，測試樣本的大學物理實驗教學質量評價結果如圖4所示。從圖4可知，大學物理實驗教學質量評價精度超過了95%，遠遠高于大學物理實驗教學質量評價的實際應用要求，結果證明改進神經網絡的大學物理實驗教學質量評價結果可靠、科學、合理，具有較高的實驗應用價值。

3.3 與經典模型的結果比較

為了分析本文模型的大學物理實驗教學質量評價結果的優越性，選擇文獻[3，6?7]的評價模型進行對比實驗，它們的評價精度如表2所示。對表2的結果進行分析可知，經典模型的大學物理實驗教學質量評價精度要低于改進神經網絡的大學物理實驗教學質量評價精度，這主要是由于本文模型采用混沌粒子群優化算法對神經網絡的參數進行優化，解決了神經網絡參數確定不合理的缺陷，更加精確地描述了大學物理實驗教學過程，獲得了高精度的大學物理實驗教學質量評價結果。

4 結 語

在大學物理實驗教學過程中，受到各種條件的綜合影響，導致大學物理實驗教學質量變化具有隨機性，針對傳統模型無法獲得高精度的大學物理實驗教學質量評價結果，提出改進神經網絡的大學物理實驗教學質量評價模型，首先建立大學物理實驗教學質量評價指標體系，然后采用BP神經網絡建立大學物理實驗教學質量評價模型，并針對BP神經網絡參數優化問題進行改進，最后通過實驗對模型的可行性進行測試。結果表明，改進神經網絡的大學物理實驗教學質量評價值與理想值相差不大，兩者之間的偏差小，可以用于實際的大學物理實驗教學質量評價，能夠為大學物理實驗教學管理部門提供科學決策依據。

大學物理實驗教學質量評價是一個復雜的過程，仍然有許多問題有待解決，如何確定每一個指標對大學物理實驗教學質量評價的影響，提供更加客觀的大學物理實驗教學質量評價結果是下一步研究的內容。

參考文獻

[1] 洪月華.基于模糊綜合評價的課堂教學質量數據挖掘[J].計算機科學，2008，35（2）：154?156.

[2] 陳健，孫濟慶，吉久明.基于定量方法的外國教學參考書評價研究[J].圖書館論壇，2014，34（3）：34?39.

[3] 馬紅.運用灰色趨勢關聯方法評價教學質量[J].武漢理工大學學報，2010，32（15）：181?184.

[4] 劉偉，孫林.基于支持向量機的教學質量評價[J].合肥工業大學學報（自然科學版），2010，33（7）：968?971.

[5] 許敏，王士同.PSO優化的神經網絡在教學質量評價中的應用[J].計算機工程與設計，2008，29（20）：5327?5329.

[6] 楊秀平.基于AHP的教學質量評價模型研究[J].實驗技術與管理，2009，26（9）：138?141.

[7] 王正武，杜春彥，張瑞平.基于神經網絡的課堂教學質量綜合評估[J].大學數學，2005，21（3）：1?5.

[8] 楊珍，趙利娜，包蘇榮.高校教師教學質量評價方法研究[J].內蒙古農業大學學報，2010，12（1）：92?96.

[9] 范雪揚，陳小衛，馬琳，等.基于變精度粗糙集的高校課堂教學質量評價模型[J].數學的實踐與認識，2013，43（8）：98?103.

[10] 劉嘉南，胡今鴻，王曉迪.高校實驗教學質量保障與評價體系探析與實踐[J].實驗技術與管理，2013，30（8）：129?131.