基于GA優化RBF神經網絡的英語教學質量評價①

張居設

(廣西工商職業技術學院,南寧 530008)

高校教師教學質量評價是提升教學管理水平和教師教學能力的重要途徑[1,2].利用教學質量評價,學生能夠反饋教師教學情況,教師可以反思教學效果,學校可以有效實施教學管理改進,有針對性地對教師進行培訓.英語教學是高校教育中的重要一環,且英語教學質量評價過程較為復雜,因此構建客觀科學的英語教學質量評價模型是一個熱點研究方向[3,4].

針對高校教學質量評價問題,研究人員提出了多種評價方法,如灰關聯分析法[5]、層次分析法[6],模糊綜合評價法[7]等.但這些方法適用于線性模型,難以適應于具有非線性的教學質量評價問題,存在主觀性和隨機性缺陷,不能很好地實現教學質量評價.為此,文獻[8]構建了一種遠程教學質量評價模型,并基于支持向量機實現教學質量評價,取得了較好的評價效果.文獻[9]提出了基于智能算法的教學質量評價方法,利用遺傳算法改進BP 神經網絡評價教學質量,具有較快的收斂速度和評價精度.

本文研究了高校英語教學質量評價問題,提出了一種基于遺傳算法改進RBF 神經網絡的教學質量評價方法.該方法利用RBF 神經網絡評價英語教學質量,采用遺傳算法優化RBF 神經網絡的初始權值和徑向基參數,通過主成分分析方法篩選評價指標,測試結果驗證了該方法的有效性和優越性.

1 遺傳算法優化RBF 神經網絡

1.1 RBF 神經網絡

RBF 神經網絡的基礎是函數逼近理論,是一種具有很強全局尋優能力的前饋式神經網絡,在信號處理、圖像處理以及模式識別領域有著十分廣泛的應用[10].RBF 神經網絡通常由輸入層、輸出層和隱含層組成,常見結構如圖1 所示.

圖1 RBF 神經網絡結構

RBF 神經網絡中,3 層神經網絡共有2 個權值向量,其中輸入層與隱含層的權值為靜態權值(固定為1),輸出層與隱含層之間為動態權值,并且隱含層的激活函數為徑向基函數.因此,輸出層的輸出為輸入數據通過隱含層激活函數后的加權求和.徑向基函數與動態權值是RBF 神經網絡的關鍵,徑向基函數的表達式為:

式中,ωij表示隱含層與輸出的權值.根據RBF 神經網絡的求解過程可知,網絡尋優過程就是根據訓練數據不斷更新動態權值、徑向基函數的中心和寬度,直到整個神經網絡實現所需的非線性函數逼近.

應用RBF 神經網絡實現英語教學質量評價需要預先設定網絡的初始權值和徑向基函數參數,初始參數設置對于網絡性能具有較大影響.為提高RBF 神經網絡英語教學質量評價的準確性和計算效率,采用遺傳算法對RBF 神經網絡參數進行優化.

1.2 遺傳算法

基于RBF 神經網絡的英語教學質量評價模型在進行訓練之前,采用遺傳算法確定最優網絡初始參數.遺傳算法通過隨機生成多個起始點進行并行尋優,以適應度函數確定尋優方向,基于選擇、交叉和變異操作實現高維空間自適應快速參數尋優.

(1)染色體編碼

RBF 神經網絡的參數優化是一個連續參數的優化過程,為了提高參數尋優精確性,采用浮點數編碼方式.浮點數編碼既能夠避免后續選擇、交叉和變異過程中的編碼與解碼,提高收斂效率,還能夠突破傳統二進制編碼字長的限制,獲得較高的參數尋優精度.如果構建的RBF 神經網絡的拓撲解構為4-7-3,則隱含層到輸出層共有21 個權值,隱含層中共需要設置6 個徑向基函數的中心和寬度,因此遺傳算法的染色體編碼長度為33.

(2)適應度函數

針對RBF 神經網絡參數優化問題,網絡輸出值與期望值之差越小,說明對應的染色體越優.為此,采用期望輸出與種群中所有個體的均方誤差倒數作為遺傳算法進化操作的適應度函數,具體計算方式如下:

式中,N表示種群中染色體個數,Y表示模型的實際輸出值,T表示模型的期望輸出值.

(3)遺傳算子

選擇操作采用經典的比例選擇方法(輪盤賭法),首先計算每個染色體的個體適應度函數值,按照適應度函數值的大小對染色體進行排序,并且規定適應度函數值越大,對應染色體被選擇的概率就越高.對于染色體bi,假設其適應度函數值為Ebi,則其被選擇的概率為:

其中,E表示種群中所有染色體的總體適應度函數值.由式(4)可知,染色體適應度高低決定了該染色體被選擇的概率.但是,為了增加種群的多樣性以及避免陷入局部最優解,也需要在適應度較小的染色體中選擇一部分遺傳入下一代種群.

交叉操作是指遺傳算法的進化過程中,為了增加種群的多樣性,對兩個染色體的編碼按照一定規則進行部分基因位的交換,最終進化出兩個新的染色體的過程.在遺傳算法尋優過程中,絕大多數新染色體均是由交叉操作得出的,交叉操作是遺傳尋優的核心.遺傳進化早期,染色體個體的適應度函數值較小,需要對染色體進行大概率交叉操作,以提高遺傳算法的全局尋優能力.遺傳進化后期,多次選擇交叉變異操作已經使得染色體個體的適應度函數值較大,此時應該以較小的概率進行交叉操作,以提高算法的局部尋優能力.為此,文中遺傳進化中交叉概率設置為:

式中,Emax表示父代種群中兩個待交叉染色體的最大適應度函數值,Emean表示父代種群中染色體的適應度函數均值,iter表示遺傳進化當前迭代次數,itermax表示遺傳進化的最大迭代次數,Pcmax為預先設定的最大交叉概率值.

變異操作是指在生物進化過程中,指染色體的某些基因位干擾受到而出現突變,產生新的染色體個體的過程.遺傳算法進化過程中,變異也是更新染色體個體,增加遺傳尋優能力的重要環節.變異概率設置是遺傳變異操作的關鍵,變異概率較大時有利于遺傳算法擴大尋優搜索范圍,獲得全局搜索能力,但不利于保持選擇和交叉得出的高適應度染色體個體;變異概率較小能夠有效保存優良染色體個體.傳統遺傳算法的變異概率設置為固定值,通常情況下介于0.001 到0.1 之間,這不利于獲得優秀染色體.為此,參照交叉概率設置方法,進行變異概率的自適應設置,變異概率設置方法為:

其中,E表示父代種群中要進行變異操作的染色體適應度函數值,iter和itermax分別表示當前迭代次數和最大迭代次數.式(6)表明,進化早期染色體適應度函數值低于均值時,變異概率設置較小,能夠保留優良染色體個體.隨著遺傳進化不斷進行,染色體的適應度函數值高于均值時,可以調高變異概率,增加遺傳算法的局部尋優能力.

1.3 RBF 神經網絡參數優化模型

遺傳算法能夠對RBF 神經網絡的動態權值、徑向基函數的中心和寬度進行優化.針對英語教學質量評價問題,基于遺傳算法優化的RBF 神經網絡結構如圖2 所示.

圖2 遺傳算法優化RBF 神經網絡

2 評價指標主成分分析

目前,用于英語教學質量評價的指標眾多,如果不加選擇直接將這些指標輸入到RBF 神經網絡中,與教學質量評價相關性較弱或冗余的指標會影響最終評價結果的準確性以及評價效率.為此,本節采用主成分分析方法對英語教學質量評價指標進行篩選,以精簡評價指標,提高英語教學質量評價準確性和實時性.

主成分分析能夠對現有英語教學質量評價指標進行綜合分析,去除指標中的冗余成分,生成教學評價新指標[11].新指標大的降低了數據量,但能夠包含原有指標的絕大部分信息.指標數量的減少不但能夠提高教學質量評價的效率,還能降低RBF 神經網絡的復雜程度.基于主成分分析的教學質量評價具體過程如下.

假設原始英語教學質量評價指標集為:

其中,p為教學評價指標的個數.英語教學質量評價指標之間的數據差異較大,為了降低大數據對小數據的影響,需要對采集數據進行標準化處理,標準化處理公式為:

式中,

教學質量評價指標經過標準化處理后,計算評價指標的相關系數矩陣:

其中,rij表示第i個教學質量評價樣本與第j個指標的相關系數,計算方式為:

構建特征方程 λu=Ru,并計算特征方程的特征值和特征向量:

計算英語教學質量評價指標主要成分對累計方差的貢獻量:

式中,αi代表教學質量評價指標中第i個主要成分的貢獻.為了從教學質量評價指標中選取最能代表全部指標信息的主要指標(即主成分),如果前m個主要成分的累計貢獻大于85%,可以認定這m個主要成本能夠基本代表全部的英語教學質量評價指標.基于主成分分析選定的指標作為新的評價評價英語教學質量的特征向量,能夠在保持教學質量評價性能不變的同時,有效降低特征的維度,提高評價效率.

3 英語教學質量評價模型

評價指標體系是英語教學質量評價的基礎,科學合理的指標體系是保證教學質量評價性能的有力保障.目前,評價教學質量的指標體系有多種原則,例如基于教學內容的指標構建,基于學生成績的指標構建等.針對英語教學質量評價問題,本文構建了具體的評價指標體系,結構如圖3 所示.

圖3 教學質量評價指標

本文提出的基于RBF 神經網絡的英語教學質量評價流程如下:

步驟1.構建評價指標體系,收集教學質量評價相關數據;

步驟2.數據標準化處理,生成評價指標相關系數矩陣;

步驟3.基于主成分分析對英語教學質量評價指標進行選擇,去除冗余指標,實現特征降維;

步驟4.利用遺傳算法改進的RBF 神經網絡進行教學質量的評價,輸出評價結果.

4 模型測試與分析

為測試本文提出的基于遺傳算法優化的RBF 神經網絡英語教學質量評價方法的有效性,本節利用收集到的高校英語教師教學質量評價數據對其進行性能測試.按照上一節構建的英語教學質量評價指標模型,共采集了400 組英語質量評價數據,其中360 組作為訓練數據,剩余40 組作為測試數據,部分采集數據如表1 所示,表中x1～x18依次對應圖3 中的教學質量評價指標.

表1 部分測試輸入數據

4.1 主成分分析選擇評價指標

利用提出的英語評價指標主成分分析法對表1 中的英語教學質量評價指標進行分析,篩選出對教學質量評價貢獻度最大的指標,主成分分析結果如圖4 所示.

圖4 主成分分析對評價指標處理結果

圖3 結果表明,前8 個主成分指標對英語教學質量評價的累積貢獻率已經高達94.3%,超過了設定的累積貢獻率門限.這表明前8 個指標已經能夠有效代表全部指標中包含的重要信息,后續將采用這8 個指標對英語教學質量進行評價.

4.2 教學質量評價結果分析

采用本文構建的遺傳算法優化RBF 神經網絡模型對英語教學質量進行評價,模型訓練過程中均方誤差變化曲線如圖5 所示,測試組數據的教學質量評價精度如圖6 所示.圖5 表明,原始RBF 神經網絡經過約45 次迭代達到收斂,而經過遺傳算法優化后只需約30 次即可達到收斂,這表明遺傳算法能夠有效提升RBF 神經網絡的收斂速度,降低模型訓練時間.并且,經過遺傳算法優化后的RBF 神經網絡的軍方誤差也始終低于原始RBF 神經網絡,表明遺傳算法能夠提升模型的預測準確性.

圖5 模型均方誤差曲線

圖6 模型評價精度曲線

圖6 表明,原始RBF 神經網絡對英語教學質量評價精度較高,均高于81%,但遺傳算法優化RBF 神經網絡的評價精度優于原始RBF 神經網絡.統計結果表明,在40 組測試樣本中,遺傳算法優化RBF 神經網絡模型對36 組評價準確度均大于90%,且其中30 組評價準確度大于93%,表明了模型具有很高的逼近精度.

4.3 評價結果對比分析

為進一步測試本文構建的基于遺傳算法優化RBF神經網絡英語教學質量評價性能,將其與文獻[9]提出的GA-BPNN 評價模型和文獻[8]提出的基于支持向量機(SVM)的評價模型進行性能對比測試.仿真數據不變,英語教學質量評價性能對比如表2 所示.實驗結果表明,本文構建的遺傳算法優化RBF 神經網絡模型具有較高的評價準確度和運算效率.這是因為文獻[9]的GA-BPNN 評價模型中BP 神經網絡存在過擬合現象,影響評價準確性,文獻[8]的SVM 評價模型中評價指標過多,指標之間互相干擾,影響評價準確性的同時也增加了運算成本.

表2 評價性能對比結果

5 結論

高校英語教學質量評價是提升教學質量的重要措施,本文構建了一種基于遺傳算法優化RBF 神經網絡的英語教學質量評價模型.該模型利用主成分分析篩選評價指標,通過遺傳算法對RBF 網絡權值參數進行優化,實現了英語教學質量的高準確率評價,測試結果驗證了該方法具有較高的評價準確性,且運算效率較高.研究內容為高校教學質量評價提供了一種新方法.