神经网络教学范文

神经网络教学范文第1篇

评价体系是指由领导部门、督导团、同事同仁、教师自身和学生等全方位各角度地来了解教师的工作绩效。通过这种绩效评价，被评教师可以从上级领导、督导团、自身和学生处获取多角度的反馈，从而更清楚地知道自己的不足、长处，从而为后期的发展及职业规划提供依据。事实证明，这种全方位的评价体系是全面而有效的。全方位高校教学质量综合评价体系包括授课评价体系和学习评价体系。授课评价体系中的评价对象是高校教师，评价主体有督导、同行、学生和教师本人。学习评价体系中，评价的对象是学生，评价主体有督导、教师、其他同学和学生本人。对于授课评价体系的指标有教师互评、教师自评、督导评教和学生评教等;对于学习评价体系的指标有同学互评、学生自评、督导评学和教师评学等。各指标相互联系、相互影响构成了全方位高校教学质量评价体系。

2神经网络用于教学质量评价体系的可行性

作为研究非线性拟合与分类的有力工具，神经网络在模式识别、自动控制、预测等方面已凸显了其优越性。神经网络针对已有的训练数据，通过不断的学习和训练，能从已有的大量复杂数据中挖掘出规律性的东西，从而达到探求未知的目的。它尤其能处理任意类型的数据，这是许多传统方法无法达到的，因而其准确度较高。同时，它还能处理多元输入，并兼顾各个输入对输出的影响。因此，将神经网络用于高校教学质量评价体系，不仅可以解决综合评价指标体系中的定性指标与定量指标的问题，也可解决传统评价体系的复杂建模问题，避免了人为的主顾随意度，保证了有效的评估结果。BP神经网络是通过反向传播误差来修正模型权值和阈值的一种应用较广泛的神经网络。将BP神经网络用于高校教学质量评估时，将全方位高校教学质量综合评价体系中的各个指标作为神经元输入，将评价的最终结果作为输出，从而建立评估模型。训练过程中，若输出的量值和预期的量值之间存在误差，且超出了规定的范围，则按照误差反向传递的方法调整各层之间的连接权值及隐层和输出层节点的阈值，直到系统误差控制在可接受的范围内，则训练停止。此时的权值和阈值将不再改变，所得的网络是经过自适应学习的正确表示，训练好的神经网络便可以作为一种定性与定量相结合的有效工具为训练数据以外的对象做出正确评价。

3教学质量评价指标体系的建立

本文根据全方位高校教学质量评价体系所包含的2个体系下的7个二级指标，将这7个指标分别当作7个二级系统，即教师互评系统、教师自评系统、督导评教系统、学生评教系统、教师评学系统、督导评学系统、学生自评系统。每个二级系统下又存在不同的评价指标。将这些评价指标作为二级系统的输入，二级系统的输出作为教学质量评价体系神经网络的输入，教学质量综合评价体系神经网络的输出则是高校教师教学质量评价的最终结果。

4BP神经网络模型的确定

首先对BP神经网络的输入数据(训练样本)进行归一化处理，这样做可有效避免隐层S函数的饱和区，同时能加快学习速度(Matlab中一般采用premnmx函数进行归一化处理)。输入层的神经元只具备数据传送的功能，一般采用线性函数作为传递函数，其学习过程中不会发生饱和现象。隐含层中的神经元一般采用饱和非线性的S函数。同时，鉴于神经网络训样本数据经过了归一化处理，则测试样本数据也需要采取相同的预处理，即采用tram-nmx函数进行数据的归一化，再用postmnmx函数对系统输出值进行反归一化处理。BP神经网络的输出层神经元数目是根据7个二级系统来确定的。本文输出选取层的神经元个数为1。隐含层数目为7，各二级系统的隐含层数目为其对应的二级指标数3，学习率取0．3，动量项系数为0．95，收敛误差界值设置为0．0001。使用了Matlab2012神经网络工具箱中的trainlm函数进行训练，通过Levenberg－Marquardt算法完成网络训练。网络的隐含层神经元传递函数为tansig函数，输出层神经元的传递函数为purelin函数。训练过程见图3。从神经网络的训练过程可以看出:使用BP网络进行建模时，训练少于200次即可实现较为完美的拟合效果。预测结果与专家评估结果的对比。

5结束语

本文构建了全方位教学质量评价体系，根据不同高校对教学质量的要求建立教学质量评价指标体系，根据2个体系下的7个二级指标构成两级神经网络系统，并分别进行训练。训练结果表明:该网络能够较好地拟合训练数据，预测效果显著。通过神经网络对高校教师教学质量进行合理评价，克服了单一的人为因素对评价结果的直接影响，为高校教学质量的评估提供了一种科学合理的新方法，为教学质量评估的研究发展提供有益的参考。

神经网络教学范文第2篇

关键词：BP神经网络； 模糊矩阵； 教学评价

中图分类号：TP183 文献标识码：A文章编号：2095-2163（2013）06-0060-03

0引言

教师教学效果的审核评定是高校教学中的重要工作。传统的考核方法或者只是由学生填写调查表，给教师划分等级，进行定性描述，或者是由督导组根据几堂课的听评给教师的课堂教学打出一个分值。无论是哪种方法都不能全面客观地对教学工作做出科学评定。而且传统的考核方法受主观因素影响较大，学生在对教师的评判中常会加入多种因素，各种因素之间的影响也各不相同，仅以学生或仅凭督导团的评定来实施评判显然已不尽合理。因此， 建立一种能尽量排除各种主观因素的干扰，同时又具有完善且稳定的评价体系的评定方法则成为必要和重要的研究课题。

本文构建一种教学效果评价体系，即对教师的评价从“教学态度”、“教学内容”、“教授方法”、“课堂效果”四大方面分项进行，无论是学生还是督导组均可据此评价体系给出相应评分。本文提出使用BP反向传播神经网络来构建一个稳定的评分系统，各项评分指标为网络输入，使用已训练完成的BP神经网络来模拟一个专家的打分经验，由此输出一个终值。BP神经网络通常是指基于误差反向传播算法的多层前向神经网络，由于BP网络的神经元采用的传递函数是Sigmoid型可微函数，因而可以实现输入和输出间的任意非线性映射[1]。由于BP神经网络本身就是一种高度复杂的非线性动力系统的辨识模型，并且BP神经网络具有逼近任意非线性函数的能力[2]，因此使用BP神经网络进行评价将使结果更具客观性，以此来模拟一个稳定的评分系统亦将具备了现实实现基础。在本文提出的系统中，系统将评价体系中各组评分的分值作为反向传播神经网络的输入，使用BP网络运算后得出一个综合性的评分，即整个过程好似系统模拟一个经验颇丰的专家进行打分。其后，本文又通过数据测试验证了模型的评价结果与实际相符。

1BP神经网络模型

BP（Back Propagation）神经网络是基于误差反向传播的多层前向神经网络，即权值和阈值的调节规则采用了误差反向传播算法，这是一个有导师的神经元网络学习算法[2]。BP网络能学习和存储大量的输入输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。该网络的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层（hide layer）和输出层（output layer）。其中的隐层可扩展为多层。只要在隐层中有足够数量的神经元，就可使用这种网络来逼近任何一个函数[3]。一个典型的BP网络结构如图1所示。

2评价模型的构建

本文构建了一套评价体系，使用一套客观标准进行量化表达，且该体系适用于大多数学校的教学评价。评价项目中，各项指标的取值范围为[0，10]。多位专家将根据评价体系方案为每一位参评教师填表打分，经过汇总后，每一个教师的教学情况评分将和一个评价矩阵A对应。列向量x为各个项目指标，行向量e为各位专家评出的各项指标分值。对列向量进行均值计算，则得到各个教师的教学效果指标向量S。所得教学效果指标向量S即是神经网络的输入。评价体系方案设计如表1所示。

表1教师教学评价体系

Tab.1 The system of teaching evaluation类别项目教学态度严谨负责x0； 思想教育x1；教学内容教学目标x2； 准确度x3； 熟练程度x4； 信息量x5；教授方法启发思维x6； 讲授思路x7；重点难点x8；联系实际x9；教学仪态x11；语言表述x12；媒体使用x14课堂效果课堂纪律x15；学生思维x16 图2则为一个由6名专家给出的某位教师教学效果的评分矩阵。

3BP网络模型的设计与实现

使用BP神经网络可以构建稳定的评分系统。人为打分时由于主观因素的影响，分值出入较大，往往不能准确地反映实际情况，为了避免对同一教师的教学评价出现较大反差，构建一个稳定的BP神经网络系统即已成为实践发展过程中的一个必然要求。在系统实现过程中，一位专家首先根据本文提出的评分系统给出各项成绩，并将此成绩作为神经网络的输入值。其后，这位专家再给出一个综合评分，作为神经网络的样本，即输出值，以此即可对BP网络进行训练。训练后的神经网络就可以模拟该专家的打分经验，由此构建形成一个稳定的评分系统。

根据BP神经网络模型的定理（Kolmogrov 定理）：给定任一连续函数f：[0，1]nRn，f可以用一个三层前向神经网络来模拟实现。第一层，即输入层，有n个神经元；中间层，神经元个数可由经验公式实验得出；第三层，输出层有m个神经元。因此一个三层结构的、设有Sigmoid神经元，并具有足够隐节点的BP神经网络则可以逼近任何一个连续函数。本系统采用有三层结构的BP神经网络，其结构如图1所示。由于评价体系中有17个指标，因此网络的输入层有17个输入。系统的输出层则确定为1个节点。隐层神经元个数将根据实验结果而确定为11个。隐层传递函数可使用“lognsig”对数传递函数实现，输出层传递函数使用“pureline”纯线性传递函数实现。训练函数则使用“traingdm”动量梯度下降反向传播法对网络进行训练，另外，网络性能函数使用了默认的“mse”均方误差函数。MATLAB中的主要代码如下：

设有10位教师需要评分，因而使用10组分数即17×10的矩阵作为10个教师的教学效果矩阵。教学效果矩阵即是神经网络的输入矩阵，亦是训练样本，矩阵的行向量为各项评价指标，10个样本，即10位教师的最终评价结果则作为目标样本来训练神经网络，获取1×10矩阵为目标矩阵，即10位教师的最终得分。实验中运用Matlab编程建立三层BP神经网络，目标训练误差为0.1，最大训练次数为 3 000次。训练误差随训练次数的变化情况如图3所示，神经网络经过909步迭代达到精度要求。对应输出与目标的误差如图4所示。

训练样本的输出与专家打分结果比较如表2所示。

由表2可以看出，训练后的网络输出值与专家给出的终值之间的差异均在可接受的指标范围内，因此采用BP神经网络可以构建稳定的评分系统。

4结束语

在对教师教学效果的评价中存在着多种因素，本文构建了一套较为合理的评价体系，并且提出使用BP神经网络对专家评分进行模拟，利用神经网络可避免打分过程中出现的宽严不定的情况。实验证明，BP神经网络可以构建稳定的评分系统，并取得了良好的实验效果。

参考文献：

[1]许东. 吴铮. 基于Matlab 的系统分析与设计—神经网络[M]. 西安：西安电子科技大学出版社，2003：18-19.

[2]胡守仁. 神经网络导论[M] . 长沙：国防科技大学出版社，1993 ：113 - 120.

[3]Martin T. Hagan， Howard B.demuth. 神经网络设计[M]. 北京：机械工业出版社 ，2002：227-255.

[4]郭齐胜. 系统建模原理方法[M]. 长沙：国防科技大学出版社，2003：172-173.

[5]袁剑. BP神经网络在学生综合考评中的应用[J]. 福建电脑，2010（6）.

[6]彭志树. 尹雪莲. 基于BP神经网络的教学质量评价模型[J].安徽建筑工业学院学报（自然科学版）， 2009（12）.

神经网络教学范文第3篇

多元神经网络系统作为信息技术高速发展的产物，其能够在教育体系中为教师的教学评价工作带来更多便利与效率，从而也逐渐在多元神经网络系统的促进下构建起更具时代感与创新感的教师教学评价体系统。本文通过主要站在网络背景下，以教学评价体系建立的相关依据为切入点，从而围绕在多元神经网络系统基础上对教师教学评价系统构建的具体路径，由此来全面提高教师教学评价工作的节奏与效率，真正实现“科技改变教育”的实行标准，促进教学评价工作在高科技的带动下实现持续化发展。

【关键词】神经网络系统 教学评价 教育体系

在现代化技术的推动下，各行各业都在原有发展模式上不断转变和发展。因此，教育系统也在数字网络技术的普及与广泛应用下实现了教学工作的科学化、高效化与创新化发展。面对当前教师教学评价工作的开展情况，不仅整体模式相对传统、老旧，且没有站在提高教学质量的角度来开展教师教学评价工作。基于此，要想全面做好教学工作，从根本上提高教师整体的教学质量与教学水平，需要利用技术的力量来有效整合和优化教师教学评价系统，在多元神经网络的引导下科学建设教师教学评价系统。下面本文便围绕在多元神经网络系统的环境下来创新构建教师教学评价系统，促进教学工作在更加规范、高质量的环境中完成。

1 多元神经系统下教学评价系统的构建背景

为了促进学校教育工作在素质化、现代化的标准下实现持续化发展，不仅要做好学校内部的管理工作，更为重要的是从教师群体的教学工作中入手，从提高教学质量与教学水平的角度来帮助学校进行良好建设。教师教学评价工作作为教育体系中的重要组成部分，其更是院校内部教育体系建设的核心。

可以说，教师教学评价系统不仅反映出教师教学工作的当期有效性，同时也从整体教学节奏、教学资源的整合与教师自身专业能力的考核等多方面，来全面、系统和精准的展现当前教学工作的质量与与水平。与此同时，要想全面做好教学工作，从根本上提高教师整体的教学质量与教学水平，需要利用技术的力量来有效整合和优化教师教学评价系统，在多元神经网络的引导下科学建设教师教学评价系统。

因此，目前众多院校在进行提升教师教学评价系统的建设效率与建设脚步，那么关于多元神经网络系统而言，其便是能够有效教学评价系统内部信息的整合效率，从改进教学沟通与教学反馈的工作水平，以此来客观反映出每个教师的客观教学素质，从而站在更加公正、科学和可靠的角度提出改善并提高教学质量的依据。

2 多元神经系统下教师教学评价系统的构建标准

2.1 简明科学性原则

由于教师教学评价体系需要反映出每个教师作为独立个体的教学质量，这样才能从高中低不同角度进行区分，从来有持续性开展继续教育工作，不断提高教师教学水平与教学质量。那么多元神经网络系统通过发挥对每个评价指标的程序建设，利用网络技术平台对评价指标进行计量与测评，简化了教师教学评价工作的流程，同时也保证了评价数据的准确性，具备良好的科学性原则。

2.2 合理公正性原则

在多元神经网络系统中，每个指标与每个教师自身的资源、数据，都有在系统内部中保密存在着，是从公平、公正的基础上对教师教学工作的开展进行合理判断与评价，不会掺杂其他主观性因素。更站在标准性角度与科学数据的基础上进行教学评价，因此不论是教学评价标准还是最后评价的结果，都具备很高的合理性。

2.3 操作便捷性原则

通过利用建立在网络平台上的多元神经系统，其通过计算机程序结合数据自动化生成的方式，来对大量的教学信息与教学资源进行收集、整合、归类与分析，从而快速形成最终的教学评价结果。可以说，在利用多元神经网络系统下开展教师教学评价工作，减少评价工作的中间环节，提高评价工作效率，同时也保证了教学质量的多元性考核。

3 结论

综上所述，本文以上通过主要站在网络背景下，以教学评价体系建立的相关依据为切入点，从而围绕在多元神经网络系统基础上对教师教学评价系统构建的具体路径，由于多元神经网络系统具有“多元性整合”的特点，能够从更为科学与准确的状态下构建教学评价模型，从样本模型的角度测评和判断教学行为的各个指标，从而来描述教师教学评价工作的优良性。因此，多元神经教育系统在数字网络技术的普及与广泛应用下，帮助并促进了教师教学工作实现科学化、高效化与创新化发展。

参考文献

[1]饶泓，胡清，等人.基于RBF神经网络的双语教学评价系统的设计与实现[J].南昌大学学报（理科版），2015（04）：385-387+391.

[2]胡伟，钟乐海.基于专家系统和神经网络集成的教学水平智能评估系统的设计与实现[J].计算机与信息技术，2015（09）：26-29.

[3]白英卿，徐向红.基于的教师课堂教学质量学生评价系统的设计与实现[J].青海大学学报（自然科学版），2016（06）：72-77.

[4]许统德，张舜标.基于AHP的高职院校教师教学质量过程性评价系统的设计与实现[J].安徽电子信息职业技术学院学报，2014（06）：28-31.

作者简介

翟华静（1972-），女，山东省威海市人。现为威海工业技术学校中专讲师。研究方向为计算机网络。

作者单位

神经网络教学范文第4篇

AHP-BPNN的教学质量评价模型

1建立教学质量

评价指标体系构建教学质量评价模型的第一步是建立相应的评价因素集(指标体系)，指标体系的设置是否科学合理，直接关系到评价模型的科学性与实用性，然而教学质量评价是受到多种因素的影响，如教学方法，教学态度，教学内容，课堂管理，教学效果，本文通过系统分析和专家评论，参照相关文献和研究，然后采用层次分析建立如图1所示的教学质量评价指标体系。从图1可知，评价指标论域V=(教学方法，教学态度，教学内容，教学效果)，每一个评价指标均包含多个子评价指标。

2AHP筛选评价指标

2.1构建指标判断矩阵构建指标判断矩阵是层次分析法的关键步骤。为了减少主观因素的影响，对教学质量评价指标两两进行比较，构建判断矩阵A，矩阵A中元素值表示评价指标对于教学质量评价结果相对重要性程度，本文采用教学主管部门和熟悉课堂教学质量评价的专家共同打分确定，判断矩阵中元素的赋值标准如表1所示。

2.2评价指标权重计算及一致性检验求得W，然后进行归一化处理，得到相应指标对于上一层次相对重要性权值，最后对判断矩阵进行一致性检验。计算同一层次对教学质量总评价结果的相对重要性，得到综合权重，然后从高到低层对判断矩阵一致性进行检验。最后根据教学质量评价指标的权重对评价指标进行排序。

3重要性指标筛选

根据各评价指标对教学质量最终评价结果的影响权值顺序，剔除不重要的指标，筛选出比较重要的评价指标作为BP神经网络的输入，减少神经网络的输入维数，简化网络结果，加快神经网络的学习速度，提高教学质量评价精度和评价效率。

BP神经网络模型

BP神经网络是一种误差反向传播神经网，它由输入层、隐含层和输出层构成，成为使用最为广泛的一种人工神经网络，其结果如图2所示。

AHP-BPNN的教学质量评价步骤

Step1：依据专家系统、一线教师和教学质量评价实际要求，采用层次分析建立教学质量评价的层次性指标体系结构。

Step2：利用层次分析法对教学评价指标的综合权重进行计算，并根据指标权值的重要性大小进行排序。

Step3：根据评价指标权重采用筛选法选择对教学质量评价结果有重要影响的评价指标。

Step4：根据AHP筛选的评价指标确定BPNN输入层的神经元个数，将教学质量评价的等级作为模型的输出，隐含层神经元个数可通过逐步增长的方法确定，这样就确定BPNN模型的拓扑结构。

Step5：对指标进行归一化处理，消除指标量纲差异的不利影响。

Step6：初始化BPNN参数，并选取足够的教学质量评价样本，采用BPNN对其进行训练和学习，从而建立教学质量评价模型。

Step7：采用建立的评价模型对待评价教师教学质量进行评价，并输出评价结果，并对其性能进行分析。

AHP-BPNN的教学质量评价流程如图3所示。

仿真实验

1数据来源

为了检验AHP-BPNN教学质量评价模型的性能，在Matlab2007平台下对其进行仿真实验。实验数据来自安徽省高等学校教学改革立项项目《程序涉及与数据结构融合教学模式研究》，共收集到3000个数据。每一个数据共包括14个评价指标，部分数据如表2所示。

2模型实现

样本数据值差异过大或过小数据会对导致增加计算复杂度，训练时间过长，为此，对其进行归一化处理缩放到闭区间，具体则归一化公式为：采用层次分析法对教学质量评价指标进行确定权重，并按权重值进行筛选，其得到教学目的，教学工具和手段；难点、重点处理；教学计划完成；学生对教学内容掌握等5个指标，然后对根据这5个指标对数据进行处理，得到新的数据集。将数据分成两部分，其中选择2500个数据作为训练样本集，剩下500个数据作为测试样本集，将训练样本输入到BP神经网络进行训练。BP神经网络具体训练过程如图4所采用建立的最优教学质量评价模型对测试集进行检测，得到实际输出与模型输出如图5所示，两者之间的相关系数为0.9450，评价精度达到94.73%，评价结果的精度相当高，结果表明，层次分析法和BP神经网络相结合的教学质量评价方法是有效的，可行的。为进一步检测AHP-BPNN的泛化性能力，重新将3000个数据分成训练集、验证集和测试集，它们样本个数分别为：2000，800，200。首先将训练集输入到BPNN神经网络进行学习，然后采用验证集对建立模型的有效性进行验证，最后选择最优模型对测试集进行检测，训练集的评价精度为98.73%，验证集评价精度达到94.15%，测试集的评价精度为92.15%，结果表明，对于测试集的评价高达92.15%，说明AHP-BPNN模型的泛化性能力，较好的避免了过拟合的难题。

3与其它教学质量评价模型结果比较

为了评价AHP-BPNN模型的优劣，选择多元线性回归(MLR)，层次分析法(AHP)，BP神经网络(BPNN)，层次分析法+多元线性回归模型(AHP-MLR)进行对比实验，采用评价精度和相关系数作为模型的衡量标准，对比结果如表3所示。MLR、AHP、BPNN、和AHP-MLR实际输出与模型输出相关性变化曲线如图6~9所示。对表3和图5~9的仿真结果进行对比和分析，可以得到如下结论：

(1)组合模型AHP-MLR和AHP-BPNN教学质量的评价精度比单一模型的精度要高，这主要是由于组合模型利用了单一模型的优点，实现了优势互补，可以提供更多反映教学质量的信息，有效提高了教学质量的评价精度。

(2)BP神经网络的评价结果要优于MLR和AHP的评价结果，这主要是由于神经网络是基于非线性建模的，具有智能学习能力，而MLR和AHP是基于线性建模的，不能很好反映教学质量评价指标和评价等级的非线性关系，因此，BP神经网络要优于其它线性模型。

(3)AHP-BPNN的评价精度最高，说明采用AHP对评价指标进行分析，筛选出对评价结果最重要的指标，然后采用非线性逼近能力强的BP神经网络进行教学质量评价，充分利用了两者的优势，两者结果提高教学质量评价效率和评价精度，能够对教学质量进行有效、准确评价。

结束语

神经网络教学范文第5篇

关键词：BP 神经网络 教学评价 模型构建 评价方法

中图分类号：TP183 文献标识码：A 文章编号：1672-3791（2013）06（c）-0200-01

BP神经网络是一种单向多层前馈人工神经网络模型，可以实现任何复杂的、多因素、不确定和非线性的映射关系，是目前应用最广泛的人工神经网络模型之一。通过这种梯度下降算法不断地修正网络各层之间的连接权值和阈值，从而实现期望输出值与实际输出值之间的误差达到最小或者小于某一个阈值[1～2]。

本文的研究目标是通过对现有评价指标、评价方法的分析，建立有效的教学评价模型，并实现相应的网上教学评价系统设计。结合BP神经网络，给出了一种非线性的教学评价模型，训练好的BP网络模型根据测评数据，就可得到对评价对象的评价结果，实现定性与定量的有效结合。

1 BP神经网络模型

（1）输入/输出节点。输入/输出节点是与样本直接相关的。根据沈阳工业大学教学质量评估指标体系，将二级评价指标作为模型的输入神经元，因此系统的输入层神经元的个数为二级指标的个数。将评价结果作网络的输出，输出层神经元个数为1。

（2）层数。由于BP网络的功能实际上是通过网络输入到网络输出的计算来完成的，因此隐含层数越多，神经网络学习速度就越慢。但是只含有一个隐含层的BP网络就可以逼近任意的非线性函数。因此，本文选取结构相对简单的3层BP网络，即隐含层只有一个。

（3）隐含层神经元个数。隐含层单元个数与问题的要求以及输入输出单元个数有直接的关系。隐层单元过多将会导致神经网络训练时间过长、误差不易控制及容错性差等问题。本文采用公式2.1计算得出隐含层神经元个数。

4）激活函数 BP网络的非线性逼近能力是通过S型的激活函数来体现出来的，所以隐含层中一般采用S型的激活函数，输出层的激活函数可以采用线性或S型[3]。S型激活函数为

该函数值在[-1，1]范围内变化很剧烈，而超出这个范围即处于不灵敏区，变化则相当平缓。因此为使得进入不灵敏区的误差函数有所改变，迅速退出不灵敏区，保证训练网络的快速性，尽可能使所有输入值都在灵敏变化段中，一般需在该公式中引进参数。本文的神经网络算法即在此部分进行改进。

2 基于BP神经网络的教学评价模型构建

本文由公式2.1计算得出隐含层节点数为4（这里考虑了下述16个指标可以分为4组）。（见表1）

3 改进的BP神经网络算法描述

网络的拓扑结构和训练数据确定之后，总误差函数E的性质特征就完全由激活函数f决定了。改进激活函数，可以改变误差曲面，尽量减少局部极小值的可能性。BP算法的激活函数一般为sigmoid型函数，即。

改进的BP算法是对标准的S型函数引入新的参数，则函数变为，其中系数决定着S型函数的压缩程度。该非线性函数满足如下两个条件：一是连续光滑且具有单调性；二是定义域为，值域为，故符合激活函数要求。而且它使得激活函数曲线变得平坦，方便在或时，避开局部极小，因此该函数具有更好的函数逼近能力以及容错能力。

4 仿真计算与分析

以学生评教数据为输入值，专家评教数据为期望输出值，采用上述算法在Matlab下设计仿真程序对BP模型进行辨识，输入层、隐含层和输出层的结点数分别为16×4×1，激活函数采用变化的S型，学习率=0.99。

通过沈阳某大学教务处所提供的数据进行实验，采用10组样本进行网络训练，并对10位教师进行测评。10样本的评价目标和神经网络辨识分别为差（21.93），及格（44.64），及格（46.94），中（59.87），中（59.11），中（62.35），中（59.83），良（78.93），良（79.56），优（99.12）。结果显示，BP模型对评估的模拟结果比较精确，对整个考核的排序十分有用。因此该模型能较为准确地根据各评价指标来确定教学效果。

5 结论

结合国家高等教育的政策导向以及学校实际，建立了一个基于BP神经网络建立了教学评价模型，引用具有更好函数逼近以及容错能力的改进的BP学习算法，确定指标体系的权重，使评价结果科学合理。

参考文献

[1] 王智钢.基于技术的网络教学评价系统的开发[J].金陵科技学院学报，2006，22（1）：27-30.

神经网络教学范文第6篇

关键词：教学质量; 神经网络; BP算法; 评价

中图分类号：TP182文献标识码：A文章编号：1009-3044(2011)07-1581-02

Study of the Application of BP Algorithm of Neural Network in the Evaluation of Teaching Quality

ZHOU Ying1,2, TAO Yu1, YAN Xi-huang1

(1.Anhui University, Hefei 230039, China; 2.Nanjing University, Nanjing 210093, China)

Abstract: Neural networks have good ability of self-learning and fault-tolerance. They are good at association, analogy and reasoning. Based on having discussed the compose of teaching quality evaluation system, This paper applies BP Algorithm of neural network into the evaluation of teaching quality in order to reflect the teaching fact correctly and evaluate the teacher's teaching quality effectively. Experiments prove that the method of neural networks has made the better result owing to it considering the vagueness of the evaluation.

Key words: teaching quality; neural networks; BP algorithm; evaluation

教师教学质量评价是高等院校教学质量管理的重要环节和内容，科学合理的评价方法是保障教学质量的一个重要措施，正确地评价一个教师的教学效果对于引导教师提高教学水平、改进教学方法具有积极的作用，科学有效地评价教学质量对学校的教学工作有着十分重要的意义。近年来, 各高校对教师教学质量评价工作极为重视, 制定了相应的规章制度和考核办法，并在实践中不断加以改革和完善。

目前应用较多的教学质量评价方法主要包括民意测验法、同行评价法等。这些方法为评估教学质量提供了参考，但也存在一些不足之处[1]，主要表现在教学质量评价的定性指标需要由评价者主观确定，存在着不确定性和模糊性[2], 这导致了目前教学质量的评价尚未找到较为客观的合适方法。而神经网络这一工具具有很强的自学能力以及鲁棒性和容错性，善于联想、概括、类比和推理，对教学质量评价的不确定性的处理具有很好的效果。

本文主要分为三个部分，首先讨论教师教学质量评价指标体系的构建，接着以我校的70名教师为实验对象，在Matlab7.0环境下，用神经网络的BP算法对其进行实验，在此基础上，最后给出结论。

1 教师教学质量评价指标体系的构建

构建科学有效的评价指标体系是教师评价工作需要首先解决和准备的重要内容。教师评价指标体系是所有规范和程序中最基本最重要的内容, 评价指标体系构造的好坏是教学质量评价成功与否的前提。考虑到不同学科门类、不同性质课程、不同教学环节、不同授课对象，对教学质量评价体系的考虑主要从能直接反映教学质量并有共性的最基本因素等方面加以设计。参考现有的教学质量评价体系[3]和安徽大学教学质量评价标准，不仅考虑教师的课堂教学质量，还将教师在课后对学生作业的批改及答疑的评价纳入评价范围，加强了对教师整个教学过程的监控。指标的设计包括以下几个方面。

在该评价体系中，对学生填写的问卷中的数据，用传统的指标加权平均法来评价教师的教学活动，其中A-90（优秀），B-80（良好），C-70（中等），D-60（合格），E-50（不合格）。

2 神经网络的BP算法及神经网络模型结构的确定

BP(Back Propagation)神经网络近年来被广泛应用于建模、模式识别和控制、时间序列分析以及评判中[4-6]，并且取得了很好的效果。它的学习过程由信号的正向传播和误差的反向传播两部分组成。正向传播时，输入样本从输入层传入，经隐层传向输出层。若输出层的实际输出与期望输出不一致，则将两者的误差通过隐层向输入层逐层反传，同时调整它们的权和阈值，使神经网络的实际输出更接近于期望输出。经过反复地迭代和调整，最后使误差达到要求。在这个学习的过程中，确定各层的权和阈值。

本文将选用三层网络结构来构建评价模型，即只设置一个隐含层。采用3层前向BP网络结构，即输入层、隐含层、输出层。合理设计网络结构以及训练样本，将训练样本输入网络进行运算，采用梯度下降法对BP网络进行训练，直到系统误差符合指定要求后所得到的网络模型便是所需要的教学质量评价模型。

2.1 输入样本和输出样本的设计

在输入层中，用教学质量的8个评价指标值（如表1所示）构成BP神经网络的输入向量，因此，BP神经网络的输入层节点数就相应地确定为8个。

在输出层中，用评价值(即专家或学生的评价结果)构成BP神经网络的输出向量。由于学生的评价结果只有一个，因此网络的输出层只设为1个输出节点。它是一个实数，取值范围为[0，1]。其中，优秀对应于1.00一0.9000，良好对应于0.89一0.8000，中等对应于0.79―0.7000，及格对应于0.69一0.6000，不及格对应于0.59以下。

2.2 隐层节点个数的设计

目前，确定隐层节点个数的一个常用方法是试凑法，在用该方法时，有一些确定隐层节点数的经验公式。我们选择了公式 ■进行试验，在该公式中，m为隐层节点数，n为输入层节点数，本实验中取为8，l为输出层节点数，本实验中取为1，a为一常数，介于1-10之间。根据上述公式，计算出隐层节点数为4-13个，逐一进行试验，得到最佳隐节点数为6。

此外，隐层单元上的激活函数选取tansig双曲正切函数，输出层的激活函数选取Sigmoid函数，函数形式为f(x)=1/(1+e-x)。连接权和阈值的初始值选取[-1,1]和[-1/n，1/n]范围内的随机数，其中n为神经网络输入层的节点数8。

3 实验过程

本文的所有实验均是在Matlab 7.0的环境下利用neural network toolbox（神经网络工具箱）进行的[7]。实验样本来自安徽大学部分老师的评价结果，共有70份。其中的20份作为神经网络的学习样本，分别包含优秀、良好、中等、合格和不合格样本各4份，评价的成绩来自于学生的评价。每个学习样本经过加权处理后，是一个9维的向量，其中的前8维数据是分项评价的结果，可以看成本实验的输入向量，第9维数据是最后的总评成绩，是本实验的输出结果。考虑到输入向量中的数据差距比较大，我们对样本的输入向量采用了最大最小值法进行归一化处理，通过公式xi*=(xi-xmin) / (xmax-xmin)可以将输入数据变换为[0，1]区间中的值，公式中xi*表示变换后的输入向量，xi表示变换前的输入数据，xmin表示输入数据中的最小值，xmax表示输入数据中的最大值。经过加权处理后，每个老师的评价成绩对应于9个实数。前8个实数是学生分项打分的标准化处理结果，这8个实数的范围分别是[4，7.2]、[9，16.2]各一个，[5，9]、[7.5，13.5]和[6，10.8]各两个，第9个实数则是前8个实数的加权和，对老师的教学质量的判定就根据第9个实数的大小来决定，如表2所示。剩下的50份样本作为测试样本，用于测试。测试样本的输入输出格式与学习样本的格式相同，都是一个9维的向量，其中前8个数据是已知的，用训练好的神经网络输出第9个数据，并与第9个数据的实际值进行比较。

评价的神经网络模型建立的具体步骤可以分为以下4步：1）使用newcf（）函数新建一个神经网络；2）使用随机函数rands（）对网络的权和阈值进行初始化；3）使用traingd（）函数对神经网络进行训练，训练的终止条件是误差小于0.001或最大次数设为2000次，用net.trainParam.lr=0.45来设定学习速率；4）使用sim（）函数对测试数据进行计算判定。经过1663次训练，误差为0.00099，达到预定的目标0.001。网络的训练结果和误差曲线如图1和图2所示。

用训练好的BP网络对剩下的50份样本进行测试，测试的结果与学生实际的评价结果相比，精度达到98%。从测试的结果来看，精度非常高。这表明神经网络的泛化性能较好，可以用训练好的神经网络来对教师的教学质量进行合理的评价。

4 结论

本文利用三层神经网络具有很好的逼近功能，它在不需要知道系统的内部机理的前提下，可根据输入数据和目标数据来对系统进行训练。将训练后的系统对教师的教学质量进行评价，实验结果表明，BP神经网络不但能够满足误差精度的要求，而且训练速度快，误差小。BP神经网络在教学质量评价中，考虑了评价标准的多样性和不确定性，使评价的结果更加全面准确地反映实际情况，为教学质量评价提供了实用的新的工具。

参考文献：

[1] 谷成,田颖.完善高校教师评价体系的思考[J].当代教育论坛,2008(3):83-85.

[2] 任之光,张彦通,李学迪.模糊综合评判法在高校教学评估中的应用[J].科学技术与工程,2006,6(15):2397-2401.

[3] 蔡锦锦.高校教师课堂教学质量评价方法研究[J].计算机教育,2009(10):104-105.

[4] Hagan M T,Demuth H B.Neural Network Design[M].北京:机械工业出版社,中信出版社,2002.

[5] 高隽.人工神经网络原理及仿真实例[M].北京:机械工业出版社,2003.

[6] 唐志丹,房丽娜.基于神经网络的本科教学工作评估的专家评价[J].鞍山科技大学学报,2006(5).

神经网络教学范文第7篇

关键词 BP神经网络;遗传算法;教学质量评价

中图分类号TP18,G420 文献标识码A 文章编号 1674-6708(2010)26-0184-01

1 基于遗传算法的神经网络训练方法

1.1 GA-BP算法的概述

遗传算法[1]从一组随机产生的初始解(称为群体)开始搜索过程,群体中的每个个体是问题的一个解,称为染色体,这些染色体在后续迭代中不断进化,称为遗传。遗传主要是通过选择、交叉、变异、运算生成下一代群体,就这样经过若干代进化之后,算法收敛于最好的染色体,即为问题的最优解。那么可以将遗传算法引入BP神经网络的训练,对权值的初始值进行全局优化,这样可避免 BP神经网络陷入局部极小值,并提高其收敛速度[2,3]。

1.2 用遗传算法学习和对神经网络权值的优化

为了方便理解,我们以基础的三层BP神经网络来进行说明。取WIHij为输入层中第i个结点与隐含层第j个结点的连接权值;WHOji为隐含层中第j个结点与输出层第i个结点的连接权值[4]。遗传算法学习BP网络的步骤如下:

1)初始化种群P,包括交叉规模、交叉概率pc、突变概率pm等,初始种群取60;

2)计算每一个个体评价函数,并按权值将其排序。

3)以概率pc对个体Gi和Gi+1交叉操作产生新个体和无交叉操作的个体进行直接复制;

4)利用概率pm突变产生Gj的新个体;

5)将新个体插入到种群P中,并计算新个体的评价函数;

6)如果找到了满意的个体,则结束,否则转3)。

最后,将群体中的最优个体解码即可得到优化后的网络连接权系数。接下来则与神经网络的基本算法相同。

2 实例分析

算法效果测试

根据《正方教学管理系统教学质量评价指标》以及[5]中建立的评价指标体系,我们选取10个二级指标作为输入神经元,取输入层的个数为10。而我们将教学质量评价的等级分为3类:当输出为:{0,0,1}时为“优秀”;当输入为{0,1,0}时为“良好”;当输入为{0,1,1}时为“良好”[6]。隐含层神经元的个数6较为适宜。

用matlab进行编程[2,7],经过大约350代的搜索后其平均适应度趋于稳定,图1为期网络训练误差变化曲线,经过改进的神经网络经过9步迭代即可达到精度的要求,较之于基本的BP神经网络都有较大的改进和提高。

回想结果TT为:

该结果基本接近实际的评价情况,其对应的教师的评价为良好、优秀、优秀、一般、一般,可见其评价是比较准确的。

从数据的结果上看,用GA训练的BP神经网络的权值可以得到满意的结果,但因为改进后的算法会对大量的数据进行编码、解码、交叉、变异等相关遗传操作,所以,时间比普通BP算法的运行时间要长。

3 结论

将全局优化算法GA引入BP 网络训练的权值初始确定,充分发挥了遗传算法的全局寻优能力和 BP 算法的局部搜索优势,形成了一种新的GA-BP算法。该算法能较好的避免BP算法陷入局部最小点、收敛速度慢的问题,是一种快速、可靠的方法。根据该算法建立了有效的教学质量评价模型,检验的结果表明该算法减少了误差,完全可以满足实际应用的要求。

参考文献

[1]史忠植.人工智能[M].北京:国防工业出版社,2007.

[2]田雨波.混合神经网络技术[M].北京:科学出版社,2009.

[3]卢宏,吴翠琴.BP神经网络的遗传优化及其应用研究[J]. 江西理工大学学报,2009,30(5):51-54.

[4]原清,贺新锋,刘湘崇.遗传算法和神经网络在导弹测试 设备故障诊断中的应用研究[J].测试技术学报,2002,16(21):702-706.

[5]彭志捌.模糊综合评判在教学质量评价中的应用[J].高等 建筑教育学报,2008,17(6):20-23.

[6]彭志捌,尹雪莲.基于BP神经网络的教学质量评价模型 [J].安徽建筑工业学院学报:自然科学版,2009,17(6):110- 113.

神经网络教学范文第8篇

关键词: 神经网络;模拟项目;三部曲式

一、引言

我国高职院校以服务为宗旨,以就业为导向,以技能为本位,以培养新型生产技术、管理一线需要的紧缺型技能人才为目标,为推进我国加快社会主义现代化建设进程中具有不可替代的作用.而模拟项目教学是高职、中职教育的核心组成部分.在教育部明确规定:高职教育人才培养模式的重点是教学过程的实践性、项目性、职业性和进程性,而项目、挖掘、融合、进程是四个关键技术环节.最近我国高职教育蓬勃发展、竞争日趋激烈,如何提高高职教学质量、增强学校的特色竞争力已成为全国高职院校的核心科研.因此,开展高职模拟项目教学质量的评估是提高高职教学质量的有效模式,必将对高职院校提高教学质量、增强学校的特色竞争力,起到核心作用.基于高职院校模拟项目教学“模拟项目嵌入式融合、校企合作”的办学特点,从高职院校模拟项目教学质量“三部曲式”环节人手,搭建高职院校模拟项目教学质量评估指标体系,以高职院校模拟项目教学质量评估提供一种科学进程性的方法.

二、基于神经网络的高职模拟项目教学质量“三部曲式”模式

2.1神经网络原理

神经网络的全称是人工神经网络,它是在神经科学研究的基础上模仿人类大脑的结构和功能而构成的一种信息采集处理系统.神经网络由大量的神经元互相连接而成,它的信息处理通过神经元的相互作用来实现,知识与信息的存储表现为物联网技术接点互联嵌入式的物理关系.因此,它为模式识别、非线性分类等研究开辟了新的术语.

2.2基于神经网络评估原理

神经网络是一种具有三层(输入层、隐含层、输出层)或三层以上单向传播的多层前向网络结构,它的上下层之间实现全神经元连接.神经网络是利用非线性可微积分函数进行权值训练的多层网络.为了加快网络训练的收敛速度,采用变化的学习速率或自适应的学习速率对BP算法加以改进优化.神经网络可看作是一个从输入到输出的高度非线性映射,即要求出一映射使f,使f是g的最佳逼近.神经网络通过对简单的非线性函数进行数次复合,可得出近似复杂的函数.

我将高职模拟项目教学质量评估的各指标属性值进行归一化处理后作为BP神经网络模式的输入向量,将评估结果作为神经网络模式的输出,用足够多的样本训练这个网络,使其获取评估专家的经验、知识、主观判断及其对指标重要性的倾向,这样神经网络模式所具有的那组权系数值便是网络经过自适应学习所得到的正确知识内部表示,训练好的神经网络模式根据待评估各指标的归属值,就可得到对高职模拟项目教学质量评估的评估结果.

2.3基于高职项模拟目教学质量“三部曲式”指标体系的建设

“三部曲式”指标体系的搭建是高职院校模拟项目教学质量评估的核心内容.“三部曲式”指标体系设计的科学与否,是高职院校模拟项目教学质量评估成败的关键所在.为了突出高职院校模拟项目教学的特色,体现高职院校模拟项目教学评估的特色,作为高职院校必须从“模拟项目嵌入式融合、校企合作”的模式出发,确立模拟项目教学质量“三部曲式”指标体系如表1所示.

2.4基于高职模拟项目教学质量评估模式建立

神经网络的输入和输出层的神经元数目,是由输入和输出向量的维数确定的,输入向量的维数也是影响元素的个数,这里综合考虑影响模拟项目教学质量的各种元素,选取了能够全面反映高职院校模拟项目教学质量“三部曲式”指标体现中的29个元素,所以输入层的神经元个数为29.输出层作为模拟项目教学质量评估结果的网络输出,神经元个数确定为1,目标输出模式为(O,1)间的一个数,评估集设为(优秀、良好、合格、不合格),对应的指数区间集合={(0.85,1),(0.7,0.85),(0.5,0.7),(0,0.5)}.由于输出模式为(O,1)间的一个数,因此,输出层神经元的传递函数可选用S型对数函数了logsig型.实践证明,隐含层数目的增加可以提高神经网络的非线性映射能力,但是隐含层数目超过一定值,网络性能反而会降低.在合理的结构和恰当的权值条件下,3层BP神经网络可以逼近任意的连续函数.因此这里采用结构相对简单的3层BP网络.隐含层的神经元个数直接影响着网络的非线性预测性能.根据Kolmogorov定理,设定网络的隐含层神经元个数为27.

表一高职院校模拟项目教学质量“三部曲式”指标体系

三、神经网络结构与算法

神经网络对模拟项目教学质量评估系统进行辩识模拟.主要进行非线性系统的输出输入映射关系建模.其主要结构是由一个输入层,一个或多个隐含层,一个输出层组成,各层由若干个神经元(节点)构成,每一个节点的输出值由输入值、作用函数和阈值决定.(图一)

该模型由三层神经元组成:输入层、隐含层和输出层,不同层之间的神经元采用全互联方式,同一层的神经元之间不存在互相连接。输入层为经过标准化处理的各评价指标值,输出层只有一个神经元。

BP算法对评估体系进行辨识模拟,其基本思想是最小二乘法,采用梯度搜索技术,以期使网络的实际输出值与期望输出值的误差均方值最小,网络的学习过程是误差一边向后传播一边修正加权系数的过程,故可用其对模拟教学质量评估体系进行识别.

设网络的输入向量其中X是模拟教学质量评估系统各个指标体系.由于输入样本为29维的输入向量,因此这里n=29.网络的隐含层为:;其中,{}为权系数;a()为系统的传递函数或激励函数.网络的输出层为: 其中,是神经往来系统的输出变量;{}为权系数.设准则函数为:BP算法可使性能指标最小化,为了保证系统的全局稳定性,把被辨识模拟对象的实际输出Y作为反馈信号灯,将其与神经网络辨识模拟器的输出比较,使,其中为一个很小的数,如果不满足要求,则不断调整权系数,以达到期望要求.根据反向传播计算公式,可得如下权系数学习规律.其中为学习修正率0≤1.

四、高职模拟项目教学质量“三部曲式”模式的实现

网络结构及算法确定以后,需要利用样本数据通过一定的学习规则训练,以提高网络的适应能力.由1分析此模式的实现采用BP三层网络结构,利用软件MATLAB建模型,输入层29个神经元,隐含层27个神经元,输出层1个神经元,训练步数50,目标误差为0.001,网络训练次数100次.

五、结束语

通过BP神经网络测试结果进行分析,证明模拟项目教学质量“三部曲式”指标体系及神经网络评估模式是科学、合理的,可操作的,它克服了以往教学评估中的主观性较强的缺点.而这种模式的应用为高职院校模拟项目教学质量评估提供一种新的思路和新的评估方法.

参考文献:

[1]王春嫒、胡旺.基于B/S高职院校实践教学质量评估系统的设计与实现

神经网络教学范文第9篇

关键词：智能教学系统；神经网络；学生模型；设计

中图分类号：G434　文献标识码：A　文章编号：2095-2163(2011)04-0052-03

0　引言

人类社会为提高教学效率，更好地培养人才，一直在不断探索与尝试运用新技术、新方法来改进教与学的方法和手段。同时也希望能实现因材施教，即根据学生不同的学习基础、学习能力等特征进行差别化教育。但限于教师资源不足和教学效率的要求，尚未做到对每一个学生进行因材施教，智能教学系统的提出为实现这一目的提供了可能。智能教学系统(Intelligent Tutoring System，ITS)是计算机辅助教育与人工智能的结合，是人工智能(artificial intelligence，AI)在教学上的应用，其由人工智能、认识科学、教育理论等多门学科交叉产生。ITS通过研究人类学习的思维特征和过程，寻求学习认识的模式，同时以个性化教学为目标，并根据学生的心理特征、认知水平、已有的知识基础、认识结构和学习习惯、学习风格、动机等个性化特征进行学生个人教学方法和教学内容的确定，选择适当的教学策略，从而为学生提供与其学习特征相符的学习内容和学习进度。学生通过个性化、自适应的学习，既获得了知识，又培养了能力。智能教学系统能更好地发挥学生的积极性，有助于学生智力的开发和能力的培养，是实现教学手段现代化的新方法、新途径。

人工神经网络(Artifieial Neural Network，ANN)是人工智能的一个重要领域，也称为神经网络(Neural Networks，NN)，是由大量处理单元(神经元)广泛互连而成的网络；这是一种模仿生物大脑的结构，并且模拟人脑信息处理过程的信息处理系统。神经网络具有较强的学习能力，即通过训练可抽象归纳出训练样本的主要特征，因而有较强的容错能力和记忆联想能力，能够并行处理信息，因而有较快的信息处理速度。将神经网络应用于智能教学系统能有效提高系统的智能水平、适应能力及反应速度。

目前智能教学系统已有不少研究，其中包括部分学生模型的研究，但这些学生模型普遍存在着智能性不足等问题。本论文对利用神经网络构建智能教学系统学生模型进行了研究，以人工智能、认识心理学、教育学为基础，分析了学生学习过程中的影响因素，进行了模型设计。

1　基于神经网络的学生模型设计

智能教学系统(ITS)是交叉科学，由于人工智能、计算机科学等相关学科仍处于快速发展时期，故ITS目前仍处于发展阶段，其组成部分有不同的说法，如由三部分组成，四部分组成，五部分组成，但却都包含三个核心的部分，即学生模块、教师模块和专家模块(知识库)。本文在三模块架构基础上对学生模型进行设计。

学生模型是智能教学系统的核心，是实施因材施教的基础和关键。因此构造合适的学生模型是构建智能教学系统的重点。该模型应该能够及时、正确反映出学生学习行为中的本质特征和状态，即反映出学生对某一学习内容的掌握、理解程度和学习行为中包含的学习风格、习惯及学习能力等。学生模型目前较普遍的分类有：覆盖模型、微分模型、摄动模型和认知模型等。

(1)覆盖模型是将学生所拥有的知识看成是专家知识的一部分，教学目标是在现有和总体之间建立相应联系。在覆盖模型中，通过将学生与专家的行为差别来建立学生模型，并假设由于某种原因使学生与专家的技能差别造成学习行为的不同。覆盖模型对学习者的描述过于简单，认为学生知识仅是其中的一部分，没有考虑学生的归纳和演绎训练，即举一反三，触类旁通的能力训练。

(2)微分模型是将学习者的知识分为预备授予和预备授予以外知识两个部分，较覆盖模型有了进一步的扩充，但其本质还是覆盖模型。

(3)摄动模型考虑到学生所学到的知识有可能与专家库中知识的不同，但仍然是从知识角度来建模。

上述模型都是通过专家知识与学生已有知识的对比来找出学生需要学习的内容，偏重于知识，不能较全面地反映学生的学习特征和状态。

1.1学习过程因素对于学习的影响

根据比格斯的3P学习模型，学习过程可以决定学生学习质量。不同的学生用浅层式学习与深层式学习在取得相同的成绩评定情况下，其学习质量也是不一样的。浅层式学习记住的是一些与原文一致的内容，没有去思考这些内容之间的关系。深层式学习是从整体上去把握学习内容，学习者想方设法弄清学习内容之间的内在联系。学习过程因素(主要是学习方式)不仅会影响学习结果，而且其本身也是反映学习质量的重要指标，因此在智能教学系统学生模型中，需要考虑学生对于知识记忆、分类、归纳总结和演绎推理能力的培养和提高，提醒学生使用深层式学习。从而对学生回答的问题进行比较、分析，找出其原因，特别是对于产生错误的原因进行分析诊断，并反馈给相应的教师模型，从而对学习内容、教学方法进行调整，同时给出学习方式的建议，而不是简单地让学生重新学习某一部分内容。如测试中发现学生在基础知识部分的得分很高，而综合运用测试得分较低，学生可能应用的是浅层式学习，教学系统应给出学习方式的提醒和建议，使智能教学系统的因材施教效果能更好地体现出来。

有的学生习惯于通过做大量练习题来进行新内容学习，以期将该内容所有可能出现的题型都见识一下，通过归纳总结的方法进行学习；而有的学生则习惯通过演绎推理，用万变不离其宗的原理，从所学内容的本质特征出发，深入理解内容的各部分之间关系，不用做大量习题也能较好掌握所学内容。

因此，在设计学生模型时，应该考虑的因素有学生学习习惯、年龄、拥有的正确知识及对这些知识掌握的程度(即已有的学习基础)，学生的学习史与学生个性特征等。在学生模型中，学生的学习行为包括学生总时间、学习某一内容或解决某一问题所花的时间。对学习内容的认知程度用布鲁姆的6个认知级别，即识记、理解、应用、分析、综合、评价来标记。在学生具体学习行为中，用解决系统所提出问题的正确率来确定学生对目前所学知识的掌握程度，并以学习正确率与学习该内容的时间比值来衡量学生的学习能力。

1.2学生模型设计

建立学生模型采用BP神经网络(Back-propagationNeutral Network)，即前馈反向传播网络。BP网络由输入层、隐层和输出层组成，各层神经元仅与其相邻神经层之间有连接，同一层神经元之间无任何连接，且其输入与输出是一个高度非线性映射关系。输入信号从输入层进入网络，经过隐层处理，最后到达输出层；每一层由多个节点组成，同层节点间无任何关系。

神经网络具有较强的自学习能力，利用学习实例对网络进行训练，通过自适应算法修改网络结构的连接权值，使网络逼近所期望的输入与输出关系，并可以根据输入数据的变化自动调整参数，优化系统，使之能更好反映学生的学习特征。输入是学生基本信息(姓名、学号、年级、班级、年龄等)、课程名称及章节、学习基础、对某一问题的得分、学习时间记录等，输入层节点数为5。输出层根据所要表达的学生学习状态和特征来设计，目前设定的输出有对某一学习内容的掌握程度、学习方式、学习习惯等。隐层数则根据需要设定。

学生模型的神经网络拓扑结构如图1所示。

2　结束语

神经网络教学范文第10篇

关键词：教学资源网络共享平台 BP神经网络 资源检索 优化算法

中图分类号：G642 文献标识码：A 文章编号：1672-3791（2015）05（b）-0149-01

在信息化大潮的今天，高校教学资源已步入了数字化信息化时代网络化的时代。在教育部的主导下现在各大高校已经建设起了上万门的精品课程；现在又大力开展精品资源共享课的建设，计划在“十二五”期间支持建设5000门部级精品资源共享课。如此多的优质教学资源就意味着必须有一个优质高效的教学资源网络共享平台才能发挥这些资源最大的教学效能。其中这种类型的平台要解决的第一个问题就是资源检索的优化问题，以期解决在大规模访问时支撑教学资源网络共享平台的服务器能同时对多个使用者快速准确的完成检索并返回检索的结果。

为什么我们把优化检索效率放在首要解决的问题上呢？我们对教学资源网络共享平台的使用对广西中医药大学的大三学生进行了相关问卷调查。其中一项的的调查为在什么情况下会放弃使用该平台，四个选项中检索速度慢和检索结果不精确这两个选项分别占据了38%和32%。由此可以得出结论：在现在的现实应用中我们已经有了很多优质的教学视频资源，由此对于一个教学资源网络共享平台而言现在最为重要的就是要解决检索的速度、效率、和准确度的问题了。因此我们把对高校优质教学资源网络共享平台的信息检索的优化作为首要解决的问题。

神经网络的基本特征在数据检索上的应用具有以下四点。

（1）非线性：非线性现象大量的存在于现实世界中。大脑的神经网络活动就是属于这种现象。神经网络的基本单元神经元一般具有两种形态：激活或关闭，在数学上该行为表现为一种离散特性而教学资源网络共享平台信息检索所产生的指令数据就是典型的离散信息。这些神经元在一定的闽值控制下进行激活或关闭，由此它们所构成的网络具有更好的容错性。

（2）非局限性：由网络化结构来组成的大量神经元网络可以模拟出大脑的非局限性，这种局限性可以限制对整个系统的无限制遍历，可以更精确的先行定位搜索的范围。单个神经元的特性并不能决定一个系统的整体行为，而神经元之间的相互作用、相互连接却能够决定一个系统的整体行为。

（3）非常定性：在处理检索信息的时候，如果引用神经网络，其本身具有自适应、自组织自学习能力，可以使其处理各种变化的输入信息，且在处理信息的同时，非线性动力系统也通过迭代过程不断的变化，就可以适应一段时间内检索内容的变化多寡而改变针对某个检索内容的检索效率。

（4）非凸性：由于非凸性可以让检索信息在神经网络中拥有自组织学习的过程，可以达到多个较稳定的平衡状态，这可以解释为数学原理，某个特定的状态函数在一定的条件下将会决定一个系统所进化的方向。例如检索变量函数的极值对应于系统的结果输出的稳定状态。而非凸性指的是该检索变量函数可以达到的多个极值，所以系统有多个稳定的检索结果，因此这就使系统检索结果具有变化的多样性。神经网络算法有多重类型由于检索的信息需要有反馈所以该文使用有反馈的前向网络即BP神经网络。

神经网络一般是输入层检索目标对输出层的检索结果有反馈信息，使得输出层输出相应的检索结果，而这种类型的网络中对输入层存在反馈信息，用于存储某种模式序列，典型的神经认知机和回归BP网络就属于这种网络类型。

（1）在多级的神经网络中，同级的神经元节点是独立的，它们之间没有联系。

（2）通过相互的权值各级层神经元之间互联，前一层的输入要查询的检索信息是后一层的输出结果。

（3）检索信息从前一层逐层向后一层传递，并没有反向连接信号。

在该文中作为实际输出，通过对上述公式的计算就可以不断的检索出实际的检索目标对应的字段标志参数，完成分类、模式识别或者函数逼近和模拟的任务，最终不断的逼近最优化的值，形成最快捷的检索通路。通过上述方法我们可以BP算法在检索信息时的训练过程总结（如图1所示）。

通过上述内容可以初步得到高校优质教学资源网络共享平台信息检索的优化采用BP神经网络算法是可行的，在检索优化的过程中在检索效率和准确度上由于神经网络具有的自我学习能力使之具备较好的检索性能。

参考文献

[1] 陈国良.并行算法的设计与分析[M].北京：高等教育出版社，2005：76-80.

[2] 蒋宗礼.人工神经网络导论[M].北京：高等教育出版社，2005：34-78.

[3] 文继军，王珊.SEEKER：基于关键词的关系数据库信息检索[J].软件学报，2005，16（7）：1270-1281.