摘 要：通过对BP神经网络模型的构建和算法进行详细阐述，系统地介绍了BP神经网络理论在教学评价中的应用现状，并给出基于BP神经网络的教学评价模型的构建方法。
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ASP.NET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.
[2]孙晓玲，王宁，梁艳.应用BP神经网络的教学评价模型及仿真[J].计算机仿真，2010，27（11）：314-318.