BP神经网络教师教学论文

前言：本站为你精心整理了BP神经网络教师教学论文范文，希望能为你的创作提供参考价值，我们的客服老师可以帮助你提供个性化的参考范文，欢迎咨询。

1全方位教学质量评价体系构建全方位

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。

作者：郑永陈艳单位：重庆理工大学机械检测技术与装备教育部工程研究中心