由数学原理来看，假设用 m 个指标就构成了一个空间 A。空间 A是m 维的，那么，第i 个被评对象j实际值就决定了空间 A中的一个点a ij. 。标准化处理，即把指标实际值转化为指标评价值，实际上这是作了一次映射 f ( f i ,1,2,3,…,m) ，把空间 A 映射到空间B 上，亦即f : A → B ，空间 B 仍是 m 维的，但B中各点已具有可比性。
当一组评价对象的各评价指标都有确定的取值时，通常采用相对系数评分法使其标准化。免费论文参考网。本文利用下面的公式进行计算：
 
式中，Xij′为第i个学生的第j 个评价指标的相对评分值；
Xij 为第i个学生的第j 个评价指标的原始数据值；
Zj 为与Xij′对应的某单项指标的相对评分值。
3.2 BP神经网络结构
选择三层前馈神经网络，由输入层、隐层、输出层构成。选入对网络输出即学生学习质量有影响的二级指标作为输入变量，以此确定输入节点的个数。本网络有20个输入节点。学习质量为其输出，则输出层单元数选为１。隐层神经元数的选取关系整个BP网络的精确度和学习效率，在这里选择7个。激活函数采用sigmoid型 ，抽取20个同学作为评价对象。BP神经网络通过训练将20个样本的真实值与网络输出的误差反向传播到各层的神经元，采用梯度下降法不断调节各层的权值，减小因权值带来的偏差，从而使20个训练样本真实输出与网络输出的误差控制在设定的误差范围内。
表2 学生学习质量人工评价结果与神经网络模型辨识值比较
| 样本序号 |
人工评价结果 |
神经网络辨识值 |
误差 |
| 1 |
9.25 |
9.2490 |
0.0010 |
| 2 |
9.2 |
9.1999 |
0.0001 |
| 3 |
8.5 |
8.4907 |
0.0093 |
| 4 |
9.71 |
9.7102 |
0.0002 |
| 5 |
7.6 |
7.5973 |
0.0027 |
| 6 |
7.2 |
7.1975 |
0.0025 |
| 7 |
7.92 |
7.9167 |
0.0033 |
| 8 |
6.45 |
6.4498 |
0.0002 |
| 9 |
9.35 |
9.3489 |
0.0011 |
| 10 |
8.55 |
8.5499 |
0.0001 |
| 11 |
7.65 |
7.6512 |
0.0012 |
| 12 |
7.9 |
7.8998 |
0.0002 |
| 13 |
5.6 |
5.5978 |
0.0022 |
| 14 |
5.81 |
5.8096 |
0.0004 |
| 15 |
7.25 |
7.2406 |
0.0094 |
| 16 |
9.16 |
9.1623 |
0.0023 |
| 17 |
8.76 |
8.7564 |
0.0036 |
| 18 |
9.94 |
9.9375 |
0.0025 |
| 19 |
4.21 |
4.2113 |
0.0013 |
| 20 |
7.64 |
7.6382 |
0.0018 |
3.3结果分析
从表2中我们可以看到，网络训练成功，原始数据与神经网络模型的辨识值很接近，误差很小，其中只有两个样本的误差大于0.5%，其它的误差都小于0.5%。可见我们选择的评价指标体系和构建的BP神经网络结构都是比较适当的，能够对学生的学习质量进行准确评价。
4结束语
通过对原始变量数据进行标准化处理，把性质、量纲各异的指标转化为可以进行综合的一个相对数。运用BP神经网络的容错特征，选取适当的作用函数和数据结构，处理各种非数值型指标，实现对学生的学习质量评价。能够确保学生在自主学习过程中对学习质量及时进行评价，做到自我监控、自我指导，达到最佳学习效果。一旦神经网络的结构和其算法确定后，模型的准确程度与输入的训练样本的数量有着密切关系。训练样本越多，就越能准确地进行评价。不足之处是，本文采用的学习质量评价指标体系是以一些学者们提出的评价体系为参考依据，自己构思出来的，存在理论依据不是很完善，不是很客观，可信度有限等问题，需要进一步修改、补充和完善。
参考文献
[1]杨永清，教学质量综合评价的量化模型，阜阳师范学院学报，1997，1(30):54-57:
[2]何世明，沈军，基于BP神经网络的网上学习评价方法，微机发展，2004，14(12):26-29;
[3]Hxgxn M T, Menhxj M. Trxining feedforwxrdnetworks with the Mxrquxrdt xlgorithm. IEEE Transactions on Neural Networks,1994, 5(6):989-993;
[4]单文桂，李伟，高校教学评价指标体系及其信息处理，2004，10(178):75-76:
[5]KohzxdiN,BoydMS,KermxnshxhiB,KxstrxI.Xcompxrisonofxrtificixlneurxlnetworksxndtimeseriesmodelsfor forecxstingcommodityPrices.Neurocomputing,1996,10:169-181
2/2 首页 上一页 1 2 |
