劉粉 薄祥雷

摘要：本文針對高校專業(yè)課學(xué)習(xí)效果評價(jià)體系，提出一種彈性BP神經(jīng)網(wǎng)絡(luò)（Resilient Back-Propagation Neural Network， RPROP-NN）的專業(yè)課程評價(jià)分析系統(tǒng).一門課程的最終學(xué)習(xí)效果的評估受許多相關(guān)指標(biāo)的影響，從而傳統(tǒng)的人工專家評價(jià)方法不能真實(shí)客觀地反映出學(xué)生對這門課程的學(xué)習(xí)效果.相對于傳統(tǒng)的專家評價(jià)方式，RPROP-NN解決了專家因主觀因素影響評價(jià)結(jié)果的問題;同時，比起傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，RPROP-NN可消除對評價(jià)結(jié)果有不利影響的網(wǎng)絡(luò)訓(xùn)練過程中的梯度幅度，使網(wǎng)絡(luò)的收斂速度更快，課程評價(jià)結(jié)果更加準(zhǔn)確.通過對實(shí)際專業(yè)課學(xué)習(xí)評價(jià)數(shù)據(jù)的仿真，RPROP-NN的有效性得到驗(yàn)證.

關(guān)鍵詞：課程評價(jià)系統(tǒng);RPROP神經(jīng)網(wǎng)絡(luò);BP神經(jīng)網(wǎng)絡(luò);專家系統(tǒng)

中圖分類號：TP3-05? 文獻(xiàn)標(biāo)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(xué)質(zhì)量越來越重視.專業(yè)課的學(xué)習(xí)效果，成為目前檢驗(yàn)學(xué)生對知識掌握程度的重要標(biāo)志，同時也是教師教學(xué)成果和學(xué)校管理優(yōu)劣的一個顯著體現(xiàn).然而，由于真實(shí)世界中的各種客觀因素和主觀因素的干擾，使得專業(yè)課程的效果評價(jià)體系的數(shù)學(xué)模型難以建立.針對如何構(gòu)建一個高校課程評價(jià)體系的問題，近些年學(xué)術(shù)界和教育界的部分學(xué)者在理論上給出了一些自己的觀點(diǎn).同時，一些學(xué)習(xí)效果的評價(jià)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(jià)法等.不同高校本身的辦學(xué)特點(diǎn)不同，截至目前還沒有一個標(biāo)準(zhǔn)的、公認(rèn)的、理想的專業(yè)課程學(xué)習(xí)效果評價(jià)體系.因此，建立一個準(zhǔn)確、有效、易操作的課程學(xué)習(xí)效果評價(jià)模型具有重要實(shí)際意義.

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)之一，本文采用的是一種彈性BP神經(jīng)網(wǎng)絡(luò)[2-3].RPROP-NN在訓(xùn)練過程中僅使用梯度的符號，使得權(quán)值在更新過程中，避免梯度幅度對網(wǎng)絡(luò)性能的負(fù)面影響.RPROP-NN自提出以來，以其獨(dú)有的優(yōu)越性，迅速得到了廣泛使用，包括故障診斷，地表水質(zhì)分析以及電子系統(tǒng)諧波分析等.

本文首先分析了高校專業(yè)課學(xué)習(xí)效果的評價(jià)體系的影響因素和研究的主要內(nèi)容，從而將其量化，將評價(jià)結(jié)果以分為若干等級.最后，以課程評價(jià)體系的研究內(nèi)容和影響因素為網(wǎng)絡(luò)輸入，以課程評價(jià)效果為網(wǎng)絡(luò)輸出，建立彈性BP神經(jīng)網(wǎng)絡(luò).該方法避免了傳統(tǒng)評價(jià)方法中專家的主觀思想因素對評價(jià)結(jié)果的影響，且給出了一個通用的專業(yè)課學(xué)習(xí)效果評價(jià)體系的模型.因此，該方法在理論和實(shí)際上均具有一定意義.為驗(yàn)證RPROP-NN的有效性，本文選取了某高校的某門專業(yè)課的評價(jià)效果的實(shí)際數(shù)據(jù)，構(gòu)建RPROP神經(jīng)網(wǎng)絡(luò).通過仿真結(jié)果，RPROP-NN的有效性得到驗(yàn)證.

2 高校專業(yè)課學(xué)習(xí)效果評價(jià)體系的描述

高校專業(yè)課學(xué)習(xí)效果的評價(jià)理論上應(yīng)該做到根據(jù)政策、法規(guī)和學(xué)校的人才培養(yǎng)目和要求，運(yùn)用教育評價(jià)和數(shù)學(xué)的理論、方法和技術(shù)，對專業(yè)課程本身，教師本身，以及學(xué)生本身進(jìn)行公正、準(zhǔn)確、全面的價(jià)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(fā)展.但這種效果評價(jià)體系的評價(jià)活動具有內(nèi)容多，涉及面廣的特點(diǎn)，無論從國家目前的相關(guān)教育政策、方針方面，還是從高校各自的教學(xué)管理方面來說，都具有重要的意義和作用.

高校專業(yè)課程基本都是理論與實(shí)踐結(jié)合的課程，教學(xué)過程具有多因素相互作用和多環(huán)節(jié)綜合的特點(diǎn)，因此很難把評價(jià)指標(biāo)貫穿到學(xué)生的學(xué)習(xí)過程中.在實(shí)際中常應(yīng)用于現(xiàn)有的課程學(xué)習(xí)效果評價(jià)體系的要素包括：學(xué)習(xí)態(tài)度、學(xué)習(xí)內(nèi)容、學(xué)習(xí)能力、學(xué)習(xí)方法以及學(xué)習(xí)目的.將這5方面內(nèi)容具體化，可得到如圖1所示的x9中評價(jià)指標(biāo).本文所研究的學(xué)習(xí)效果評價(jià)體系中的各個度量指標(biāo)即根據(jù)以上描述的9方面而展開研究.

3 基于彈性BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效果評估模型

由第2部分的分析可知，對于一個課程的學(xué)習(xí)的最終效果，可根據(jù)由學(xué)習(xí)的過程、效果、能力等決定的x1-x9的9項(xiàng)指標(biāo)的綜合輸出結(jié)果，來判斷學(xué)生對課程的最終學(xué)習(xí)效果.傳統(tǒng)的方法是由專家來根據(jù)以上指標(biāo)進(jìn)行人工評價(jià)，這種方法在某些特定情況下的結(jié)果會受專家的主觀意愿影響，從而導(dǎo)致判定結(jié)果并不準(zhǔn)確.因此，根據(jù)現(xiàn)有的海量數(shù)據(jù)，設(shè)計(jì)一個基于數(shù)據(jù)的課程評價(jià)系統(tǒng)，可以避免傳統(tǒng)方法的缺陷，使得評價(jià)結(jié)果更為客觀.

而彈性BP神經(jīng)網(wǎng)絡(luò)由于其具有可消除在網(wǎng)絡(luò)訓(xùn)練過程中的梯度幅度對網(wǎng)絡(luò)輸出的不利影響等特點(diǎn)，在近些年來得到更為廣泛的應(yīng)用[4].彈性BP神經(jīng)網(wǎng)絡(luò)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(xiàn)材料表明，當(dāng)隱層神經(jīng)元數(shù)目選取恰當(dāng)時，可用3層前向神經(jīng)網(wǎng)絡(luò)逼近任意的非線性函數(shù)[5].本文中則采用3層神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)其拓?fù)浣Y(jié)構(gòu)如圖2所示.基于圖2所示的彈性BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，我們將針對本文研究的專業(yè)課程學(xué)習(xí)效果評價(jià)問題進(jìn)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(jīng)網(wǎng)絡(luò)的課程評價(jià)效果網(wǎng)絡(luò)的創(chuàng)建

在第II-B部分，我們已經(jīng)通過分析獲得專業(yè)課學(xué)習(xí)效果評價(jià)的9種指標(biāo)，將其記為：

記nin作為網(wǎng)絡(luò)輸入神經(jīng)元個數(shù)，即nin為9.同時，針對最終的評價(jià)等級，可將其從優(yōu)到劣劃分為A-F共5個級別，為方便計(jì)算機(jī)仿真計(jì)算，本文采用3位二進(jìn)制數(shù)來識別輸出的5個等級.5種等級及其對應(yīng)的3位二進(jìn)制編碼如下表1所示.

因此，本文令評價(jià)等級的3位二進(jìn)制編碼作為網(wǎng)絡(luò)輸出，記為：

4 仿真分析

本文使用某高校的某門專業(yè)課的評價(jià)效果的實(shí)際數(shù)據(jù)進(jìn)行RPROP神經(jīng)網(wǎng)絡(luò)的仿真驗(yàn)證.在仿真過程中，為了去除數(shù)據(jù)中量綱的影響，我們將單位每個評價(jià)指標(biāo)的單位一致化，將數(shù)據(jù)進(jìn)行了歸一化處理.本文使用12組數(shù)據(jù)樣本，6組樣本作為訓(xùn)練集樣本，6組作測試集樣本.用6組測試集數(shù)據(jù)來驗(yàn)證彈性BP神經(jīng)網(wǎng)絡(luò)預(yù)測的學(xué)習(xí)效果，測試數(shù)據(jù)樣本列舉如表2所示.

基于以上數(shù)據(jù)，我們創(chuàng)建RPROP神經(jīng)網(wǎng)絡(luò)，仿真參數(shù)如下表3所示.仿真參數(shù)設(shè)定完畢后，我們建立RPROP神經(jīng)網(wǎng)絡(luò).本文中的網(wǎng)絡(luò)輸出值為-1到1之間的實(shí)數(shù)，對網(wǎng)絡(luò)輸出結(jié)果的絕對值進(jìn)行四舍五入后，結(jié)果既為我們可以看到的二進(jìn)制編碼.

當(dāng)RPROP網(wǎng)絡(luò)訓(xùn)練完成后使用表2所示的6組測試數(shù)據(jù)，結(jié)果如表4所示.通過表4分析可知，進(jìn)行仿真的6組數(shù)據(jù)對應(yīng)的課程學(xué)習(xí)效果的網(wǎng)絡(luò)輸出值經(jīng)過四舍五入后，與真實(shí)的二進(jìn)制編碼值相同.

本文使用了2種權(quán)值更新算法，本文所提的RPROP算法和傳統(tǒng)的最速下降算法.從圖3訓(xùn)練過程中性能函數(shù)變化曲線可知，兩種算法的訓(xùn)練過程中，性能指標(biāo)函數(shù)均逐漸變小.相比傳統(tǒng)的最速下降法，紅線代表的RPROP算法在第3次迭代后，達(dá)到了所設(shè)定的理想訓(xùn)練精度（表3所示的goal）.因此，RPROP算法具有比傳統(tǒng)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(tǒng)的專家評價(jià)方式，RPROP神經(jīng)網(wǎng)絡(luò)，避免了專家主觀思想因素對評價(jià)結(jié)果的影響.同時，相比傳統(tǒng)最速下降BP神經(jīng)網(wǎng)絡(luò)，ROROP網(wǎng)絡(luò)在訓(xùn)練過程中性能函數(shù)的收斂速度更快.從算法本身考慮，RPROP-NN可消除在網(wǎng)絡(luò)訓(xùn)練過程中的梯度幅度對評價(jià)結(jié)果的不利影響，使得課程評價(jià)效果更加準(zhǔn)確，因此，該算法具有一定的實(shí)用性.

5 結(jié)論

本文研究了針對高校專業(yè)課學(xué)習(xí)效果評價(jià)體系的建模問題，根據(jù)現(xiàn)有的專業(yè)課學(xué)習(xí)效果評價(jià)體系的一些特征，提出基于彈性BP神經(jīng)網(wǎng)絡(luò)的專業(yè)課程評價(jià)分析系統(tǒng).相比傳統(tǒng)的專家評價(jià)方式，該方法避免了專家主觀思想因素對評價(jià)結(jié)果的影響.同時，相比傳統(tǒng)最速下降BP神經(jīng)網(wǎng)絡(luò)，RPROP- NN可消除在網(wǎng)絡(luò)訓(xùn)練過程中的梯度幅度對評價(jià)結(jié)果的不利影響，使得課程評價(jià)效果更加準(zhǔn)確.最后，本文通過對實(shí)際數(shù)據(jù)的仿真來驗(yàn)證RPROP-NN的有效性.仿真結(jié)果表明RPROP-NN具有較為理想的精度，同時相比傳統(tǒng)最速下降BPNN，其性能函數(shù)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(shù)據(jù)出發(fā)，相比現(xiàn)有的層次分析法，模糊綜合評價(jià)法，聚類法，多元回歸分析法等方法，更多地依賴于數(shù)據(jù)，而非模型機(jī)理.因此，本文的工作具有一定的實(shí)際意義和應(yīng)用價(jià)值.

參考文獻(xiàn)：

〔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(jīng)網(wǎng)絡(luò)系統(tǒng)下教師教學(xué)評價(jià)系統(tǒng)的構(gòu)建[J].電子技術(shù)與軟件工程，2016（22）.

〔4〕王吉權(quán)，王福林，董志貴，等.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測[J].數(shù)學(xué)的實(shí)踐與認(rèn)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.