基于粒子群算法的RBF 徑向基神經網絡教學質量評價模型

劉鵬，賈文雅

（山西藥科職業學院，太原 030031）

0 引言

為了高質量完成高職教育立德樹人的根本任務，為黨和國家培養高素質技能型人才，全面提高教學質量意義重大，教學質量評價科學準確刻不容緩，勢在必行。采用信息化手段，應用到當今的課堂教學中，是貫穿教育改革的十分重要的步驟，也是教師改進工作手段的核心要求。它的教學質量直接影響著整個學校的質量。尤其在疫情期間，搞好線上信息化教學尤為重要。而目前，高職傳統教學質量評價中普遍存在“評價模糊化，方法單一化”、“碎片改革多，系統構建少”、“教學信息溝通不暢”等問題，這些都已成為高職教育持續健康發展的瓶頸。為此，運用科學的方法對課堂教學質量進行全面、合理的評價，對于評價學校的教學水平和教學質量具有重要意義。然而，單純的對教學水平和教學質量進行評價，相關的工作量大、統計復雜，很難形成系統的評價體系，因此，一些教學質量評價工作往往流于形式，必要尋求一種新的科學的評價方法。近年來，一些學者考慮利用神經網絡，提升相關評價標準的準確性。因為神經網絡算法具有很強的非線性函數逼近能力，對相關模糊指標的或不準確的參數，有較好的分析能力。但是，由于神經網絡訓練過程較為復雜，需要較多先驗知識，對操作者有較高的要求。因此，將神經網絡引入到教學質量的評價中，結果存在不準確的問題。

本文考慮到神經網絡在教學質量評價中的進展和局限性，引入粒子群算法對原有神經網絡模型進行優化，根據教學評估信息大量存在的特點，以及粒子群算法改進神經網絡是模糊邏輯和神經網絡的結合，集合各自的優勢，集學習、聯想、識別、自適應和模糊信息處理特性于一體。本文采用粒子群改進神經網絡對教學質量進行評價。

1 基于粒子群算法的神經網絡教學評價模型

1.1 粒子群算法

粒子群算法（PSO）是一種進化計算，是一種類似于遺傳算法的迭代優化工具。粒子群算法模擬鳥類的捕食行為。你可以想象這樣一個場景：一群鳥隨機搜尋食物。在這個地區，只有一種食物，然而所有的鳥都不知道食物在哪里，但它們清楚的知道到食物之前的距離。怎么才能形成最優覓食策略呢？當前較為簡單、有效的方法是從鳥食周圍的區域尋找食物。粒子群算法從該模型中得到解決此類問題的啟示。每一次優化都是為了在空間中搜索一只被稱為“粒子”的鳥。所有粒子都有由優化函數確定的適應值，每個粒子也有一個速度來確定方向和距離。然后粒子跟隨優化粒子搜索粒子群，將其作為一個隨機粒子（隨機解）進行搜索，采用迭代的方法尋找最優解。在每次迭代中，粒子通過跟蹤兩個“極端”粒子進行自我更新。第一個是粒子找到的最優解。這類解被稱為PBest，另一種方法是按物種尋優。這類解被稱為全局極值。

當找到這兩個最優解時，粒子通過公式（1）和公式（2）進行自我更新，以定位自己的速度和位置。

其中v 是粒子的速度，Present 是粒子當前的位置。rand（）是（0,1）中的隨機數。C1,C2是學習因子，通常C1=C2=2。任何維度的速度都受最大速度的限制，如果更新后的速度超過Vmax，則速度為Vmax。

1.2 RBF神經網絡

徑向基函數是一個實值函數，它的值只取決于到原點的距離，因此Φ(x)=Φ(||x||)；或者，也可以取決于到另一個點 c 的距離，稱為中心，那么有φ(x,c)=φ(||x-c||)。任何滿足性質φ(x)=φ(||x||)的函數φ都是徑向函數。范數通常是歐幾里得距離。

徑向基函數通常用于建立以下形式的函數：

這種近似函數y(x)的計算結果，可以看成N 個徑向基函數的總和，每個徑向基函數與不同的中心ci相關聯，并且由適當的數wi加權。這種近似方法特別適用于表現出足夠簡單混沌行為的非線性系統的時間序列預測和控制、計算圖形學中的三維重建（例如分層RBF）。

有三個學習參數：RBF 中心CK、σk、Wk。算法流程如下：

（1）從輸入矩陣中選擇一個系列Ck；

（2）計算方差

式中，dmax是最大距離，K 是Ck的個數；

圖1 RBF神經網絡結構

（4）更新 RBF 參數

其中yd(n)是失效輸出；μN,μC,μσ是三個參數的映象。

（5）如果網絡收斂，則停止計算，否則轉到步驟（3）。具體步驟見圖2。

1.3 用粒子群算法訓練BBPP神經網絡

PSO 算法對BP 神經網絡的優化是用梯度下降法來訓練權值和閾值。關鍵是建立連接維度空間和神經網絡的權重與閾值之間的映射關系。本文的學習過程主要是權值和閾值的更新過程。BP 算法中的權值和閾值對應于粒子的位置。

粒子的適應度函數是最小均方差MSE

其中N 是輸出矩陣的維數；P 是樣本數。粒子群算法訓練神經網絡權值的步驟如下：

（1）對神經網絡結構進行建模，包括輸入層、隱藏層、輸出層和神經元數目。

（2）初始粒子群。

（3）適應度函數的確定。

（4）根據公式（3）計算適應度；

（5）更新 pBest 和 gBest；

（6）更新w。

（7）更新任意粒子的速度和位置，確定最優解。

圖2 RBF神經網絡流程圖

2 教學質量評價模式

2.1 評價指標體系

根據該指標體系，影響教學質量的主要指標為12個（見表1），因此可以采用12 個輸入層數，準確計算合理的輸入模式，是設計神經網絡模型的關鍵因素。一旦設計不合理，輸入神經元較多，會導致模型結構越復雜，訓練周期長。否則，很難得到非線性關系。

表1 藥學專業信息化教學學生評教綜合評價指標

2.2 訓練神經網絡

輸入層數為12 層，隱藏層數為10 層，輸出層數為1 層，結構為 12-10-1。

Dimsize 賦值為 141，popsize 賦值為 25，Wmax=0.9，Wmin=0.4，C1=C2=2，MSE 為 le-5，最大映象為10000。

2.3 實驗結果

疫情期間，為準確有效評價我院藥學專業所有課程在線教學的質量，對500 份調查問卷進行了測評。其中400 份問卷為訓練樣本，100 份問卷為測試樣本，如表2 所示。

表2 檢測結果表

3 結語

（1）從表2 可以得出，該模型的結果中，計算得到的真實值和輸出值之間的誤差變化成負相關，結果越小導致訓練樣本越多，數學模型描述教學質量的好壞的作用也越明顯。

（2）引入PSO 后的神經網絡，可以大幅度降低神經網絡計算時間，尋優結果也更準確，一旦涉及模糊神經網絡，相關結果也是可以預見的，教學管理人員可以實時調整模型的相關參數，在一定程度上解決了神經網絡的盲目性問題。

（3）綜上所述，本模型不失為評價教學質量的一種良好方法。