彈性BP神經網絡在高校課程評價分析系統中的應用

劉粉 薄祥雷

摘要：本文針對高校專業課學習效果評價體系，提出一種彈性BP神經網絡（Resilient Back-Propagation Neural Network， RPROP-NN）的專業課程評價分析系統.一門課程的最終學習效果的評估受許多相關指標的影響，從而傳統的人工專家評價方法不能真實客觀地反映出學生對這門課程的學習效果.相對于傳統的專家評價方式，RPROP-NN解決了專家因主觀因素影響評價結果的問題;同時，比起傳統的BP神經網絡，RPROP-NN可消除對評價結果有不利影響的網絡訓練過程中的梯度幅度，使網絡的收斂速度更快，課程評價結果更加準確.通過對實際專業課學習評價數據的仿真，RPROP-NN的有效性得到驗證.

關鍵詞：課程評價系統;RPROP神經網絡;BP神經網絡;專家系統

中圖分類號：TP3-05? 文獻標識碼：A? 文章編號：1673-260X（2019）02-0052-04

1 引言

近年來，國家對高校的辦學質量越來越重視.專業課的學習效果，成為目前檢驗學生對知識掌握程度的重要標志，同時也是教師教學成果和學校管理優劣的一個顯著體現.然而，由于真實世界中的各種客觀因素和主觀因素的干擾，使得專業課程的效果評價體系的數學模型難以建立.針對如何構建一個高校課程評價體系的問題，近些年學術界和教育界的部分學者在理論上給出了一些自己的觀點.同時，一些學習效果的評價方法針對具體的課程屬性而提出，例如聚類法[1]，多元回歸分析法以及模糊綜合評價法等.不同高校本身的辦學特點不同，截至目前還沒有一個標準的、公認的、理想的專業課程學習效果評價體系.因此，建立一個準確、有效、易操作的課程學習效果評價模型具有重要實際意義.

BP神經網絡是目前應用最為廣泛的神經網絡之一，本文采用的是一種彈性BP神經網絡[2-3].RPROP-NN在訓練過程中僅使用梯度的符號，使得權值在更新過程中，避免梯度幅度對網絡性能的負面影響.RPROP-NN自提出以來，以其獨有的優越性，迅速得到了廣泛使用，包括故障診斷，地表水質分析以及電子系統諧波分析等.

本文首先分析了高校專業課學習效果的評價體系的影響因素和研究的主要內容，從而將其量化，將評價結果以分為若干等級.最后，以課程評價體系的研究內容和影響因素為網絡輸入，以課程評價效果為網絡輸出，建立彈性BP神經網絡.該方法避免了傳統評價方法中專家的主觀思想因素對評價結果的影響，且給出了一個通用的專業課學習效果評價體系的模型.因此，該方法在理論和實際上均具有一定意義.為驗證RPROP-NN的有效性，本文選取了某高校的某門專業課的評價效果的實際數據，構建RPROP神經網絡.通過仿真結果，RPROP-NN的有效性得到驗證.

2 高校專業課學習效果評價體系的描述

高校專業課學習效果的評價理論上應該做到根據政策、法規和學校的人才培養目和要求，運用教育評價和數學的理論、方法和技術，對專業課程本身，教師本身，以及學生本身進行公正、準確、全面的價值判斷.它為教育決策提供有效的信息，使得效果理想的課程可以最大限度地發展.但這種效果評價體系的評價活動具有內容多，涉及面廣的特點，無論從國家目前的相關教育政策、方針方面，還是從高校各自的教學管理方面來說，都具有重要的意義和作用.

高校專業課程基本都是理論與實踐結合的課程，教學過程具有多因素相互作用和多環節綜合的特點，因此很難把評價指標貫穿到學生的學習過程中.在實際中常應用于現有的課程學習效果評價體系的要素包括：學習態度、學習內容、學習能力、學習方法以及學習目的.將這5方面內容具體化，可得到如圖1所示的x9中評價指標.本文所研究的學習效果評價體系中的各個度量指標即根據以上描述的9方面而展開研究.

3 基于彈性BP神經網絡的學習效果評估模型

由第2部分的分析可知，對于一個課程的學習的最終效果，可根據由學習的過程、效果、能力等決定的x1-x9的9項指標的綜合輸出結果，來判斷學生對課程的最終學習效果.傳統的方法是由專家來根據以上指標進行人工評價，這種方法在某些特定情況下的結果會受專家的主觀意愿影響，從而導致判定結果并不準確.因此，根據現有的海量數據，設計一個基于數據的課程評價系統，可以避免傳統方法的缺陷，使得評價結果更為客觀.

而彈性BP神經網絡由于其具有可消除在網絡訓練過程中的梯度幅度對網絡輸出的不利影響等特點，在近些年來得到更為廣泛的應用[4].彈性BP神經網絡包含輸入層和隱層一級輸出層，隱層可以為一層或多層，目前已有大量的文獻材料表明，當隱層神經元數目選取恰當時，可用3層前向神經網絡逼近任意的非線性函數[5].本文中則采用3層神經網絡，神經網絡其拓撲結構如圖2所示.基于圖2所示的彈性BP神經網絡的拓撲結構，我們將針對本文研究的專業課程學習效果評價問題進行建模，建模過程分為以下A和B兩部分.

3.1 基于彈性BP神經網絡的課程評價效果網絡的創建

在第II-B部分，我們已經通過分析獲得專業課學習效果評價的9種指標，將其記為：

記nin作為網絡輸入神經元個數，即nin為9.同時，針對最終的評價等級，可將其從優到劣劃分為A-F共5個級別，為方便計算機仿真計算，本文采用3位二進制數來識別輸出的5個等級.5種等級及其對應的3位二進制編碼如下表1所示.

因此，本文令評價等級的3位二進制編碼作為網絡輸出，記為：

4 仿真分析

本文使用某高校的某門專業課的評價效果的實際數據進行RPROP神經網絡的仿真驗證.在仿真過程中，為了去除數據中量綱的影響，我們將單位每個評價指標的單位一致化，將數據進行了歸一化處理.本文使用12組數據樣本，6組樣本作為訓練集樣本，6組作測試集樣本.用6組測試集數據來驗證彈性BP神經網絡預測的學習效果，測試數據樣本列舉如表2所示.

基于以上數據，我們創建RPROP神經網絡，仿真參數如下表3所示.仿真參數設定完畢后，我們建立RPROP神經網絡.本文中的網絡輸出值為-1到1之間的實數，對網絡輸出結果的絕對值進行四舍五入后，結果既為我們可以看到的二進制編碼.

當RPROP網絡訓練完成后使用表2所示的6組測試數據，結果如表4所示.通過表4分析可知，進行仿真的6組數據對應的課程學習效果的網絡輸出值經過四舍五入后，與真實的二進制編碼值相同.

本文使用了2種權值更新算法，本文所提的RPROP算法和傳統的最速下降算法.從圖3訓練過程中性能函數變化曲線可知，兩種算法的訓練過程中，性能指標函數均逐漸變小.相比傳統的最速下降法，紅線代表的RPROP算法在第3次迭代后，達到了所設定的理想訓練精度（表3所示的goal）.因此，RPROP算法具有比傳統最速下降法更好的性能和收斂速度.

由上述仿真分析可知，對比傳統的專家評價方式，RPROP神經網絡，避免了專家主觀思想因素對評價結果的影響.同時，相比傳統最速下降BP神經網絡，ROROP網絡在訓練過程中性能函數的收斂速度更快.從算法本身考慮，RPROP-NN可消除在網絡訓練過程中的梯度幅度對評價結果的不利影響，使得課程評價效果更加準確，因此，該算法具有一定的實用性.

5 結論

本文研究了針對高校專業課學習效果評價體系的建模問題，根據現有的專業課學習效果評價體系的一些特征，提出基于彈性BP神經網絡的專業課程評價分析系統.相比傳統的專家評價方式，該方法避免了專家主觀思想因素對評價結果的影響.同時，相比傳統最速下降BP神經網絡，RPROP- NN可消除在網絡訓練過程中的梯度幅度對評價結果的不利影響，使得課程評價效果更加準確.最后，本文通過對實際數據的仿真來驗證RPROP-NN的有效性.仿真結果表明RPROP-NN具有較為理想的精度，同時相比傳統最速下降BPNN，其性能函數具有更快的收斂速度.

本文所建立的模型具有一般性，且所使用的算法基于數據出發，相比現有的層次分析法，模糊綜合評價法，聚類法，多元回歸分析法等方法，更多地依賴于數據，而非模型機理.因此，本文的工作具有一定的實際意義和應用價值.

參考文獻：

〔1〕Z. Yang， L. Zhao， and S. Bao， "Research of university teachers' teaching quality " Journal of Inner Mongolia Agricultural University（vol. 12， pp. 91-96， 2010.

〔2〕B. Cai， "Teaching quality evaluation model based on revised BP neural network，" Journ al of Ji shou Universit y， vol. 32， pp. 67-70， 2011.

〔3〕翟華靜.多元神經網絡系統下教師教學評價系統的構建[J].電子技術與軟件工程，2016（22）.

〔4〕王吉權，王福林，董志貴，等.基于改進BP神經網絡的電力負荷預測[J].數學的實踐與認識，2017（09）.

〔5〕C. Yang， C. Zhu， and H. Xie， "Fault diagnosis based on RPROP neural network for asynchronous motor，" Electric Power Automation Equipment， vol. 32， pp. 80-83， 2012.