BP神经网络的网络学习评价模型
合集下载
基于BP神经网络的教学评价模型构建
学 术 论 坛
基于 Ｂ Ｐ神 经 网络 的教 学评 价 模 型构 建
王 超 （ 沈阳体 育学 院 体 育信息技 术 系 辽宁沈 阳 １ １ ０ １ Ｏ ２ ） 摘 要： 通过对Ｂ Ｐ 神经 网络 模型的掏建 和算法进行 详细 阐述 ， 系统地介 绍 了Ｂ Ｐ 神 经网络理论 在教 学评价 中的应 用现状 ， 并给 出基 于Ｂ Ｐ 神 经 网络 的教 学评价 模 型的 构建方 法 。 关键词 ： Ｂ Ｐ 神 经 网络 教 学 评 价 模 型 构 建 评 价 方 法 中 图分 类 号 ： Ｔ Ｐ Ｉ ８ ３ 文献 标 识 码 ： Ａ 文 章编 号 ： １ ６ ７ ２ —３ ７ ９ １ （ ２ ０ １ ３ ） ０ ６ （ ｃ ） 一 ０ ２ ０ ０ — ０ ｌ
相当平缓 。 因 此为 使 得 进 入 不 灵敏 区 的 误
数据 为期望输 出值 ， 采 用 上 述 算 法 在
１ Ｂ Ｐ 神经 网络模 型
与样本直 接相关的 。 根 据 沈 阳 工 业 大 学 教
差 函数 有 所 改 变 ， 迅速退出不灵敏区， 保 证 Ｍａ ｔ ｌ ａ ｂ 下 设 计 仿 真 程 序 对Ｂ Ｐ模 型 进 行 辨
（ １ ） 输 入／ 输 出节 点 。 输入／ 输 出节 点是 训 练 网络 的快 速 性 ， 尽 可 能 使 所 有 输 入 值 识 ， 输入层、 隐含 层和 输 出层 的结 点数 分 别 都 在 灵敏 变化 段 中 ， 一 般 需 在 该 公 式 中 引 为 １ ６ Ｘ ４ Ｘ １， 激 活 函 数 采 用 变化 的Ｓ型 ， 学 学质量评 估指标体 系， 将 二级 评 价 指 标 作 进 参 数 。 本 文 的神 经 网 络 算 法 即在 此部 分 习率 叩＝ ０ ． ９ ９ 。 为模型的输 入神经 元， 因 此 系 统 的 输 入 层 进 行 改 进 。 通过 沈 阳某 大 学 教 务 处 所 提 供 的 数 据 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 ２ 基 于 Ｂ Ｐ 神经网络 的教学评价模型构建 １。 本 文 由 公 式２． １ 计 算 得 出 隐 含 层 节 点 （ ２ ） 层数 。 由于 Ｂ Ｐ网络 的 功 能 实 际 上是 数 为４ （ 这 里 考虑 了下 述 １ ６ ４ － 指 标 可 以 分 为 通 过 网 络 输 入 到 网 络 输 出 的 计 算 来 完 成 ４ 组） 。 （ 见表 １ ） 的， 因 此 隐含 层数 越 多 ， 神 经 网络单 向多 层 前 馈 人工 数 与 问题 的 要 求 以及 输 入 输 出单 元 个数 有 Ｂ Ｐ 算法 的激 活 函数一 般 为ｓ ｉ ｇ ｍｏ ｉ ｄ 型 函数 ， 神 经 网络 模 型 ， 可 以 实现 任 何 复 杂 的 、 多因 直 接的关系。 隐 层 单 元 过 多 将 会 导 致 神 经 即 ｆ （ ｘ ） ＝ １ ／ （ １ ＋ｅ ） 。 素、 不 确 定 和 非 线 性 的映 射 关 系 ， 是 目前 应 网 络 训 练 时 间 过 长 、 误 差 不 易 控 制 及 容 错 改进的Ｂ Ｐ 算法是对标准的ｓ 型 函数 引 用 最 广 泛 的 人 工 神 经 网络 模 型 之 一 。 通 过 性 差等 问题 。 本 文 采 用 公式 ２ ． １ 计算 得 出 隐 入 新 的参 数 ， 则 函数 变 为 ＿ 厂 （ ） ＝ １ ／ （ ｉ ＋ Ａ ｅ ） ， 这种 梯 度 下 降算 法 不 断地 修 正 网络 各 层 之 含 层 神 经 元 个 数 。 其 中 系数 决 定 着Ｓ 型 函数 的压 缩 程 度 。 该 间的连接权值 和阎值 ， 从 而 实 现 期 望 输 出 Ｓ ＝、 ／ ０ ． ４ ３ ｉ ｒ ｍ ＋０ ． １ ２ ｍ ＋２． ５ ４ ｎ＋０． ７ ７ ｍ＋０ ． ３ ５＋０ ． ５ １ 非 线 性 函数 满 足 如 下 两 个 条 件 ： 一 是 连 续 值 与实 际输 出值 之 间的误 差 达 到最 小 或 者 （ １ ） 光 滑 且 具 有 单 调 性 ；二 是 定 义 域 为 小 于某 一 个 闽 值 【 － 一 。 ４ ） 激 活 函数 Ｂ Ｐ网络 的非 线 性逼近 能 力 （ 一 ∞， ＋ ∞） ， 值域为 （ ０ ， １ ） ， 故符合激活函数要 本 文 的 研 究 目标 是 通 过 对 现 有 评 价 指 是 通过 Ｓ型 的激 活 函数 来 体 现 出 来 的 ， 而且 它 使 得 激 活 函数 曲线 变得 平 坦 ， 方 所 以 求 。 标、 评价方法的分析 ， 建立 有 效 的 教 学评 价 隐 含 层 中一 般 采用 ｓ 型的激活函数， 输 出 层 便 在 Ｙ ， ０ 或Ｉ — Ｙ ， ０ 时， 避开局部极 小， 模型 ， 并 实 现 相 应 的 网上 教 学 评价 系 统 设 的激 活 函数 可 以采 用 线 性或 ｓ 型［ ３ 】 。 Ｓ 型激 活 因 此该 函数具 有 更好 的 函数 逼 近 能 力 以 及 计。 结 合Ｂ Ｐ 神经网络， 给 出了 一种 非 线性 的 函 数 为 容错能力。 教 学评 价 模 型 ， 训 练好 的 ＢＰ网络 模 型 根 据 厂 （ ） ＝ １ ／ （ １ ＋ Ｐ ） （ ２ ） 测评数据 ， 就 可 得 到 对 评 价 对 象 的 评 价 结 该 函数 值 在［ 一１ ， １ 】 范 围 内变 化 很剧 烈 ， ４ 仿真计 算与分析 果， 实现 定 性 与 定 量 的 有 效 结 合 。 而 超 出 这 个范 围 即 处 于 不 灵 敏 区 ， 变 化 则 以学 生 评 教 数 据 为输 入 值 ， 专 家 评 教
基于 Ｂ Ｐ神 经 网络 的教 学评 价 模 型构 建
王 超 （ 沈阳体 育学 院 体 育信息技 术 系 辽宁沈 阳 １ １ ０ １ Ｏ ２ ） 摘 要： 通过对Ｂ Ｐ 神经 网络 模型的掏建 和算法进行 详细 阐述 ， 系统地介 绍 了Ｂ Ｐ 神 经网络理论 在教 学评价 中的应 用现状 ， 并给 出基 于Ｂ Ｐ 神 经 网络 的教 学评价 模 型的 构建方 法 。 关键词 ： Ｂ Ｐ 神 经 网络 教 学 评 价 模 型 构 建 评 价 方 法 中 图分 类 号 ： Ｔ Ｐ Ｉ ８ ３ 文献 标 识 码 ： Ａ 文 章编 号 ： １ ６ ７ ２ —３ ７ ９ １ （ ２ ０ １ ３ ） ０ ６ （ ｃ ） 一 ０ ２ ０ ０ — ０ ｌ
相当平缓 。 因 此为 使 得 进 入 不 灵敏 区 的 误
数据 为期望输 出值 ， 采 用 上 述 算 法 在
１ Ｂ Ｐ 神经 网络模 型
与样本直 接相关的 。 根 据 沈 阳 工 业 大 学 教
差 函数 有 所 改 变 ， 迅速退出不灵敏区， 保 证 Ｍａ ｔ ｌ ａ ｂ 下 设 计 仿 真 程 序 对Ｂ Ｐ模 型 进 行 辨
（ １ ） 输 入／ 输 出节 点 。 输入／ 输 出节 点是 训 练 网络 的快 速 性 ， 尽 可 能 使 所 有 输 入 值 识 ， 输入层、 隐含 层和 输 出层 的结 点数 分 别 都 在 灵敏 变化 段 中 ， 一 般 需 在 该 公 式 中 引 为 １ ６ Ｘ ４ Ｘ １， 激 活 函 数 采 用 变化 的Ｓ型 ， 学 学质量评 估指标体 系， 将 二级 评 价 指 标 作 进 参 数 。 本 文 的神 经 网 络 算 法 即在 此部 分 习率 叩＝ ０ ． ９ ９ 。 为模型的输 入神经 元， 因 此 系 统 的 输 入 层 进 行 改 进 。 通过 沈 阳某 大 学 教 务 处 所 提 供 的 数 据 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 ２ 基 于 Ｂ Ｐ 神经网络 的教学评价模型构建 １。 本 文 由 公 式２． １ 计 算 得 出 隐 含 层 节 点 （ ２ ） 层数 。 由于 Ｂ Ｐ网络 的 功 能 实 际 上是 数 为４ （ 这 里 考虑 了下 述 １ ６ ４ － 指 标 可 以 分 为 通 过 网 络 输 入 到 网 络 输 出 的 计 算 来 完 成 ４ 组） 。 （ 见表 １ ） 的， 因 此 隐含 层数 越 多 ， 神 经 网络单 向多 层 前 馈 人工 数 与 问题 的 要 求 以及 输 入 输 出单 元 个数 有 Ｂ Ｐ 算法 的激 活 函数一 般 为ｓ ｉ ｇ ｍｏ ｉ ｄ 型 函数 ， 神 经 网络 模 型 ， 可 以 实现 任 何 复 杂 的 、 多因 直 接的关系。 隐 层 单 元 过 多 将 会 导 致 神 经 即 ｆ （ ｘ ） ＝ １ ／ （ １ ＋ｅ ） 。 素、 不 确 定 和 非 线 性 的映 射 关 系 ， 是 目前 应 网 络 训 练 时 间 过 长 、 误 差 不 易 控 制 及 容 错 改进的Ｂ Ｐ 算法是对标准的ｓ 型 函数 引 用 最 广 泛 的 人 工 神 经 网络 模 型 之 一 。 通 过 性 差等 问题 。 本 文 采 用 公式 ２ ． １ 计算 得 出 隐 入 新 的参 数 ， 则 函数 变 为 ＿ 厂 （ ） ＝ １ ／ （ ｉ ＋ Ａ ｅ ） ， 这种 梯 度 下 降算 法 不 断地 修 正 网络 各 层 之 含 层 神 经 元 个 数 。 其 中 系数 决 定 着Ｓ 型 函数 的压 缩 程 度 。 该 间的连接权值 和阎值 ， 从 而 实 现 期 望 输 出 Ｓ ＝、 ／ ０ ． ４ ３ ｉ ｒ ｍ ＋０ ． １ ２ ｍ ＋２． ５ ４ ｎ＋０． ７ ７ ｍ＋０ ． ３ ５＋０ ． ５ １ 非 线 性 函数 满 足 如 下 两 个 条 件 ： 一 是 连 续 值 与实 际输 出值 之 间的误 差 达 到最 小 或 者 （ １ ） 光 滑 且 具 有 单 调 性 ；二 是 定 义 域 为 小 于某 一 个 闽 值 【 － 一 。 ４ ） 激 活 函数 Ｂ Ｐ网络 的非 线 性逼近 能 力 （ 一 ∞， ＋ ∞） ， 值域为 （ ０ ， １ ） ， 故符合激活函数要 本 文 的 研 究 目标 是 通 过 对 现 有 评 价 指 是 通过 Ｓ型 的激 活 函数 来 体 现 出 来 的 ， 而且 它 使 得 激 活 函数 曲线 变得 平 坦 ， 方 所 以 求 。 标、 评价方法的分析 ， 建立 有 效 的 教 学评 价 隐 含 层 中一 般 采用 ｓ 型的激活函数， 输 出 层 便 在 Ｙ ， ０ 或Ｉ — Ｙ ， ０ 时， 避开局部极 小， 模型 ， 并 实 现 相 应 的 网上 教 学 评价 系 统 设 的激 活 函数 可 以采 用 线 性或 ｓ 型［ ３ 】 。 Ｓ 型激 活 因 此该 函数具 有 更好 的 函数 逼 近 能 力 以 及 计。 结 合Ｂ Ｐ 神经网络， 给 出了 一种 非 线性 的 函 数 为 容错能力。 教 学评 价 模 型 ， 训 练好 的 ＢＰ网络 模 型 根 据 厂 （ ） ＝ １ ／ （ １ ＋ Ｐ ） （ ２ ） 测评数据 ， 就 可 得 到 对 评 价 对 象 的 评 价 结 该 函数 值 在［ 一１ ， １ 】 范 围 内变 化 很剧 烈 ， ４ 仿真计 算与分析 果， 实现 定 性 与 定 量 的 有 效 结 合 。 而 超 出 这 个范 围 即 处 于 不 灵 敏 区 ， 变 化 则 以学 生 评 教 数 据 为输 入 值 ， 专 家 评 教
基于BP神经网络的网络安全评价方法研究
中图法分 类号 ： Ｐ ９ Ｔ ３３
文献标 识码 ： Ａ
文章 编号 ：０ ０７ ２ ２ ｏ ）ｔ ｂ ｔ ． ｉ ｈ ｅ ｌ ｓｅ ｎ ｌ ｏ ｔ ｍ ａ ｅ ｎｒ ｕ ｈ ｓ ｔ ｔ ｕ ｅ． ｇ ｔ ｄｃｕ ｔｒ ｇ ａｇ ｒ ｈ ｂ ｓ ｄｏ ｇ ｅ ｉ ｒ ｗｅ ｉ ｉ ｏ
２ ．Ｄｅａｔ ｅｔ ｆ ｏ ｕｅ ｃ ｎ ｅ ｎ ｅｈ ｏｏ，Ｔ ｉ ａ ｎｖ ｒｔ， ａａ ７ ０ １ Ｃ ｉａ ｐｒ ｎ ｏ Ｃ ｍｐ ｔ Ｓｉ ｃ ｄＴ ｃｎ ｌｙ ａ ｈｎＵ ｉ ｓ Ｔ ｉｎ２ １２ ， ｈ ） ｍ ｒ ｅ ａ ｓ ｅｉ ｙ ’ ｎ
Ａｂ ｔ ａ ｔ Ｎｅｗｏ ｋ ｓ ｃ ｒｔ ｖ ｌ ｅ ｏ ｕ ｅ， ｔ ｌ ｃ ｍｍｕ ｉａ ｉ ｎ ｐ ｙ ｉ ｓ ｍ ａｈ ｂ ｏ ｏ ｙ ｍａ ａ ｅ ｎ ， ｓ ｃ ａ ｎ ａ ｙ ｏ ｈ ｒ ｓｒ ｃ ： ｔ ｒ ｅ ｕ ｉ ｉ ｏｖ ｓｃ ｍｐ ｔ ｒ ｅｅ ｏ ｙｎ ｎ ｃ ｔｏ ， ｈ ｓｃ ， ｔ， ｉｌｇ ， ｎ ｇ ｍｅ ｔ ｏ ｉ ｌ ｄｍ ｎ ｔ ｅ ａ
ｏ ｎＡＨＰ ｗｈｃ ａ ｅ ｓ ｄｏ ｏ ｒｈ ｎ ｉｅａｓ ｓｍｅ ｔ ｆ ｅ ｏｋｓ ｃ ｒ ， ， ｉｈＣ ｂ ｅ ｎｃ ｍｐ ｅ ｅ ｓｖ ｓｅｓ ｎ ｎ ｔ ｒ ｅｕ ｉ Ｂｙｔｉ ｙ ｍｏ ｅｓｉｎ ｉ ｃａ ｄｒ ａｏ ａ ｌ ｓ ｌ ａ ｎ ｕ ｏ ｗ ｙ ｔ ｓｗａ ， ｈ ｒ ｃｅ ｔ ｓｎ ｂｅｒ ｕｔ ｃｎ ｉ ｆ ｎ ｅ ｅ ｓ ｂ ｂ ａｎ ｄ Ｔ ｅｎ ｗ ｅ ｄｍｅｈ ｄａ ｅ ｒｖ ｄ ｄｆ ｒ ｖ ｒｌａ ｓｓｉｇｓｃ ｒｔ ｔｔ ｓ ｆ ｏ ｕｅ ｅ ｏ ｋｓ ｓｅ ． Ｔｈ ｔｄ ｅｕｔ ｅｏ ｔｉ ｅ ． ｈ ｅ ｉ ａａ ｔｏ ｒ ｏ ｉｅ ｏ ｅａｌ ｓｅ ｓｎ ｅ ｕ ｉ ｓａｕ ｍｐ ｔｒ ｔ ｒ ｙ ｔｍ ｄ ｎ ｐ ｏ ｙ ｏｃ ｎｗ ｅｓ ｙｒｓ ｌ ｕ ｓ ｈ ｖ ｏ ｎ ｅ ｒｔ ａ ａｕ ｄｂ ｏ ｄａ ｐｉａｉｎｐ ｏｐ ｃｓ ｎｔ ｅｅ ａｕ ｔ ｎａ ｄｃ ｒｉｃ ｔ ｎ ｏ ｎ ｔ ｏｋｓ ｃ ｒ ． ａ ｅｉ ￣ａ ｔｈ ｏｅｉ ｌ ｌｅａ ｒ ａ ｐ ｌ ｔ ｒ ｓ ｅ ｔ ｖ ｌａｉ ｎ ｅｔ ａｉ ｆ ｅ ｒ ｅｕ ｉ ｍｐ ｔ ｃ ｖ ｎ ｃ ｏ ｏ ｈ ｏ ｉ ｆ ｏ ｗ ｙ ｔ Ｋｅ ｒ ｓ ｅ ｏｋ ｓｃ ｒｔ； ｅｕ ｉ ｓｅｓ ｎ； ｎ ａｙｉａ ｉｒ ｃ ｙｐ ｏ ｅｓ ｗｅｇ ｔ ａｔｆ ｉｌ ｅ ｒｌ ｅ ｏｋ ｙｗｏ ｄ ： ｔ ｒ ｅ ｕｉ ｓ ｃ ｒ ａｓ ｓｍｅ ｔ ｎ ｗ ｙ ｙ ｔ ａ ｌｔｃ ｌ ｅａ ｈ ｒ ｃ ｓ； ｈ ｒ ｉｈ ； ｒｉ ｃａ ｕ ａ ｔ ｒ ｉ ｎ ｎｗ
应用BP神经网络的教学评价模型及仿真
ｔｏ ｉ ｎ． Ｂｙ ｕｉｉｉ ｈ ｏ ｒｉｓｏ ｅｆ— ｓｕ ｙ ａ ｄ ｓ ｌ ａ ａ ｔｔｏ ｆｎ ｕ ａ ｅｗｏ ｋ ｔ ｔｃ ｎ ａ ｐｒｘ ｍａｅ ａ ｏ — ｔｌｚｎｇ ｔｅ ｐｒｐｅ ｅ ｆｓ ｌ ｔ ｔ ｄ ｎ ｅｆ— ｄ ｐ ａｉｎ ｏ ｅ ｒ ｌｎ ｔ ｒ ｈａ ａ ｐ ｏ ｉ ｔ ｎｙ ｎ ｎ
量 评 价 的 方法 可操 作 性 强 ， 以克 服 传 统 评 价方 法 主 观 性 过强 的缺 点 ， 时避 免 了传 统教 学 质 量 评 价 的 复 杂 过 程 ， 有 较 广 可 同 具 泛 的 实 用 性 ， 为 教 学 质 量提 供 了依 据 。 并 关 键 词 ： 经 网络 ； 糊 综合 评 判 ； 学 质 量评 价 神 模 教
ａ ｏｄ ｃ ｍｐ ｅ ｒｃ ｓ ｆ ｒｄ ｔ ｎ ｌ ｅ ｃ ｉ ｇｑ ａｉ ｖ ｌ ａｉｎ ａ ｄ ａｓ ａ ｅ ｂ ｏ ｄ ａ ｐｉ ａ ｉ ｔ ．Ｍｏ ｅ ｖ ｒ ｈ ｐ ｒ ｖ ｉ ｏ ｌｘｐ ｏ ｅ ｓｏ ａ ｉ ｏ ａ ａ ｈ ｎ ｕ ｔ ｅ ａｕ ｔ ｎ ｌｏｈ ｖ ｒ ａ ｐ ｌ ｂｌ ｙ ｔ ｉ ｔ ｌ ｙ ｏ ｃ ｉ ｒ ｏ ｅ ，ｔ ｅｏ ｅ —
Ｂ ｅ ｒ ｅ ｏｋｔ ｔａｈｎ ｕ ｌｙｅａ ａ ｏ ａ ｖ ｒ ｍ ｕ ｊｃ ｖ ｃ ｒ ｉ ｅｐ ｏｅ ｓ ｆ ｘ ｅ ｓ ｓｍ ｎ ， Ｐ ｎ ｕ ａ ｎ ｔ ｒ ｃ ｉｇｑ ａ ｔ ｖ ｌ ｔ ｎｃ ｎｏ ｅｃ ｅｓｂｅｔ ｅｆ ｔ ｓ ｎｔ ｒ ｓ ｏ ｅ ｐ ｒ ａｓ ｓ ｅ ｔ ｌ ｗ ｏｅ ｉ ｕ ｉ ｏ ｉ ａｏ ｈ ｃ ｔ ｅ
ｌ ｅ ｒｃ ｎｉ ｕ ｕ ｕ ｃｉｎ，ｔ ｅ ｍｏ ｅ ａ ａｃ ｌｔ ｄ ｑ ａ ｔ ｅ ｖ ｌａ ｉｎ ａ ｄ ｈ ｓ ｈ ｇ ｅ ｆ ｃｅ ｃ ｈ ｎ ｔ ａ ｆｅ — ｉ ａ ｏ ｔ ｏ ｓｆｎ ｔ ｎ ｎ ｏ ｈ ｄ ｌｈ ｓｃ ｌ ｕ ａｅ ｕ ｎ ｉ ｄ ｅ ａｕ ｔ ｎ ａ ？ ｉ ｈ ｒｅ ｉ ｎ ｙ ｔａ ｈ ｔ ｘ ｉ ｆ ｏ ｉ ｏ ｉｔ ｇ ｅ ａ ｕ ｔ ｎ ｓ ｓｅ ｓｉ ｖ ａｉ ｙ ｔ ｍ．Ｔ ｅ ｎ ｕ ａ ｅ ｗ ｒ ｄ ｌｕ ｅ ｏ ｅ ａｕ ｔ ｎ ｃ ｎ ｂ ｂａ ｎ ｄ ｂ ｔ ｉｉｇ ｔ ｅ ｄ ｔ ｒ ｖｄ ｄ ｎ ｌ ｏ ｈ ｅ ｒ ｌ ｔ ｏ ｋ ｍｏ ｅ ｓ ｄ ｔ ｖ ｌａ ｉ ａ ｅ ｏ ｔｉ ｅ ｙ ｕ ｉ ｚｎ ｈ ａａ ｐ ｏ ｉｅ ｎ ｏ ｌ
量 评 价 的 方法 可操 作 性 强 ， 以克 服 传 统 评 价方 法 主 观 性 过强 的缺 点 ， 时避 免 了传 统教 学 质 量 评 价 的 复 杂 过 程 ， 有 较 广 可 同 具 泛 的 实 用 性 ， 为 教 学 质 量提 供 了依 据 。 并 关 键 词 ： 经 网络 ； 糊 综合 评 判 ； 学 质 量评 价 神 模 教
ａ ｏｄ ｃ ｍｐ ｅ ｒｃ ｓ ｆ ｒｄ ｔ ｎ ｌ ｅ ｃ ｉ ｇｑ ａｉ ｖ ｌ ａｉｎ ａ ｄ ａｓ ａ ｅ ｂ ｏ ｄ ａ ｐｉ ａ ｉ ｔ ．Ｍｏ ｅ ｖ ｒ ｈ ｐ ｒ ｖ ｉ ｏ ｌｘｐ ｏ ｅ ｓｏ ａ ｉ ｏ ａ ａ ｈ ｎ ｕ ｔ ｅ ａｕ ｔ ｎ ｌｏｈ ｖ ｒ ａ ｐ ｌ ｂｌ ｙ ｔ ｉ ｔ ｌ ｙ ｏ ｃ ｉ ｒ ｏ ｅ ，ｔ ｅｏ ｅ —
Ｂ ｅ ｒ ｅ ｏｋｔ ｔａｈｎ ｕ ｌｙｅａ ａ ｏ ａ ｖ ｒ ｍ ｕ ｊｃ ｖ ｃ ｒ ｉ ｅｐ ｏｅ ｓ ｆ ｘ ｅ ｓ ｓｍ ｎ ， Ｐ ｎ ｕ ａ ｎ ｔ ｒ ｃ ｉｇｑ ａ ｔ ｖ ｌ ｔ ｎｃ ｎｏ ｅｃ ｅｓｂｅｔ ｅｆ ｔ ｓ ｎｔ ｒ ｓ ｏ ｅ ｐ ｒ ａｓ ｓ ｅ ｔ ｌ ｗ ｏｅ ｉ ｕ ｉ ｏ ｉ ａｏ ｈ ｃ ｔ ｅ
ｌ ｅ ｒｃ ｎｉ ｕ ｕ ｕ ｃｉｎ，ｔ ｅ ｍｏ ｅ ａ ａｃ ｌｔ ｄ ｑ ａ ｔ ｅ ｖ ｌａ ｉｎ ａ ｄ ｈ ｓ ｈ ｇ ｅ ｆ ｃｅ ｃ ｈ ｎ ｔ ａ ｆｅ — ｉ ａ ｏ ｔ ｏ ｓｆｎ ｔ ｎ ｎ ｏ ｈ ｄ ｌｈ ｓｃ ｌ ｕ ａｅ ｕ ｎ ｉ ｄ ｅ ａｕ ｔ ｎ ａ ？ ｉ ｈ ｒｅ ｉ ｎ ｙ ｔａ ｈ ｔ ｘ ｉ ｆ ｏ ｉ ｏ ｉｔ ｇ ｅ ａ ｕ ｔ ｎ ｓ ｓｅ ｓｉ ｖ ａｉ ｙ ｔ ｍ．Ｔ ｅ ｎ ｕ ａ ｅ ｗ ｒ ｄ ｌｕ ｅ ｏ ｅ ａｕ ｔ ｎ ｃ ｎ ｂ ｂａ ｎ ｄ ｂ ｔ ｉｉｇ ｔ ｅ ｄ ｔ ｒ ｖｄ ｄ ｎ ｌ ｏ ｈ ｅ ｒ ｌ ｔ ｏ ｋ ｍｏ ｅ ｓ ｄ ｔ ｖ ｌａ ｉ ａ ｅ ｏ ｔｉ ｅ ｙ ｕ ｉ ｚｎ ｈ ａａ ｐ ｏ ｉｅ ｎ ｏ ｌ
基于BP神经网络的高校学生管理工作绩效评价模型
输 入层 、 隐含层和输出层组成 的三层结构居多 。如 图 １ 所示 ：
层只设为 １ 个输 出节点 ， 取值范 围定为【，］ ０ １ 。 ３１ 隐含层设计 ．３ ． 隐含 层节点数量 可 由经 验公 式 ： ＝ ｍ 丽 ＋ 确 定 ， 中ｍ为隐含 ａ 其 层节点数 ， 为输入层节点数 ，为输 出层节 点数 ， 为 １ １ 之间的常数 ， ｎ ｌ ａ －０ 根据公式 ， 隐含层节点个数为 ５ １ 个 ， — ４ 逐一进行试验 ， 得到最佳隐层节 点数为 ７ 。 ３１ 权值和阈值初始设置 ．４ ． 连接权值和 阈值的取值范 围通常是卜１１ ＿／，２ ｌ 为 网络输 ， 或Ｉ ｎ＋／ （ 】 ２ ｎｎ 入层节点数） 。通过试验 比较 ， 文将 网络的连接权值 和阈值 的初始取 本 值范 围设为卜１ｎ ＋ ，］ ／，ｌ 。 ｎ 表２ 某高职 院校学生管理工作绩效评价数据
ｌ ；
２ ． ３ Ｏ ７１ Ｏ．０ Ｏ． ．４ Ｏ ８ ． ５ Ｏ ６ ． ０ Ｏ． ９Ｏ ０ ８ Ｏ． ３ Ｏ ７ ． ６ ５６ ０ ６ ． ０ ０ ５ ． ３ ０ ７ ６３ ０． － ０ ７ ３ ０ ８ ． ５ Ｏ． ８ ． １ ０ ８ ． ４ ０ ７ ． ０ ０．３ ＯＬ６ Ｏ ８ Ｏ． ３ ． ０ Ｏ ８ ８１ ０．２ Ｏ ８ ． ５ ０ ８ ． ４ ０ ６ ８ ８ ． ５ ８
畴 。其信息处理功 能是 由网络单元的输入输 出（ 活特性）网络的拓扑 激 、 结构（ 神经元 的连接方式） 的。人工神经网络对 问题 的求解方式与传 决定 统 方法不 同 ， 它是通 过训练来解 决问题 的。训练一个 人工神经 网络是 把 同一 系列的输入例 子和理想 的输 出作为 训练的 “ 本” 根据 一定的 样 ， 训 练算法 对网络进行 足够 的训 练 ， 使人工神 经 网络能 够“ 学会 ” 含在 包 “ ” 解 中的基本原理 。当训练完成后， 该模型便可以用来求解相似 的问题 。 目前 ， 已发展 了几 十种神经 网络 ， 在这 众多神经 网络模型 中 ， 误差 反 向传递 学习算法 （ Ｐ 即Ｂ 神经 网络） 实现 了多层 网络设 想 ， 一般 主要 以
层只设为 １ 个输 出节点 ， 取值范 围定为【，］ ０ １ 。 ３１ 隐含层设计 ．３ ． 隐含 层节点数量 可 由经 验公 式 ： ＝ ｍ 丽 ＋ 确 定 ， 中ｍ为隐含 ａ 其 层节点数 ， 为输入层节点数 ，为输 出层节 点数 ， 为 １ １ 之间的常数 ， ｎ ｌ ａ －０ 根据公式 ， 隐含层节点个数为 ５ １ 个 ， — ４ 逐一进行试验 ， 得到最佳隐层节 点数为 ７ 。 ３１ 权值和阈值初始设置 ．４ ． 连接权值和 阈值的取值范 围通常是卜１１ ＿／，２ ｌ 为 网络输 ， 或Ｉ ｎ＋／ （ 】 ２ ｎｎ 入层节点数） 。通过试验 比较 ， 文将 网络的连接权值 和阈值 的初始取 本 值范 围设为卜１ｎ ＋ ，］ ／，ｌ 。 ｎ 表２ 某高职 院校学生管理工作绩效评价数据
ｌ ；
２ ． ３ Ｏ ７１ Ｏ．０ Ｏ． ．４ Ｏ ８ ． ５ Ｏ ６ ． ０ Ｏ． ９Ｏ ０ ８ Ｏ． ３ Ｏ ７ ． ６ ５６ ０ ６ ． ０ ０ ５ ． ３ ０ ７ ６３ ０． － ０ ７ ３ ０ ８ ． ５ Ｏ． ８ ． １ ０ ８ ． ４ ０ ７ ． ０ ０．３ ＯＬ６ Ｏ ８ Ｏ． ３ ． ０ Ｏ ８ ８１ ０．２ Ｏ ８ ． ５ ０ ８ ． ４ ０ ６ ８ ８ ． ５ ８
畴 。其信息处理功 能是 由网络单元的输入输 出（ 活特性）网络的拓扑 激 、 结构（ 神经元 的连接方式） 的。人工神经网络对 问题 的求解方式与传 决定 统 方法不 同 ， 它是通 过训练来解 决问题 的。训练一个 人工神经 网络是 把 同一 系列的输入例 子和理想 的输 出作为 训练的 “ 本” 根据 一定的 样 ， 训 练算法 对网络进行 足够 的训 练 ， 使人工神 经 网络能 够“ 学会 ” 含在 包 “ ” 解 中的基本原理 。当训练完成后， 该模型便可以用来求解相似 的问题 。 目前 ， 已发展 了几 十种神经 网络 ， 在这 众多神经 网络模型 中 ， 误差 反 向传递 学习算法 （ Ｐ 即Ｂ 神经 网络） 实现 了多层 网络设 想 ， 一般 主要 以
基于BP神经网络的信息系统运行质量评价模型
Microcomputer Applications V ol.27,No.12,2011研究与设计微型电脑应用2011年第27卷第12期文章编号：1007-757X(2011)12-0009-04基于BP神经网络的信息系统运行质量评价模型龚代圣，杨栋枢，王文清，杨德胜摘要：信息系统运行质量评价是供电企业信息系统运维的重要工作，其中关键的一项就是对信息系统运行质量进行分析评估，这对于信息系统运行可靠具有重要意义。
在分析影响信息系统运行质量因素的基础上，构建了信息系统运行质量评价指标体系，将遗传算法神经网络原理引入信息系统运行质量评价，构建了基于遗传算法和神经网络的信息系统运行质量评价模型，为供电企业的信息系统运行质量评估研究提供模型和方法的支撑。
实证结果表明：模型具有较强的自组织、自学习和自适应能力，模型评估结果比较客观合理。
关键词：信息系统；指标体系；运行质量评价；遗传算法；神经网络中图分类号：TP311文献标志码：A0引言供电企业是国内应用信息技术较早的行业之一，先后经历生产过程自动化、管理信息化等建设阶段。
目前，供电企业信息系统运行呈现出基础设备齐备、数据庞杂、应用广泛等特点，因此，对信息系统运行质量进行评估显得格外重要。
信息系统运行质量评价是为了提升信息化运行保障能力，准确而客观地评价信息系统运维水平，从而有效地指导信息系统安全、高效、经济运行。
如何积极开展信息系统运行质量评估来降低信息系统安全运行风险？通过何种指标来科学评价供电企业的信息系统运行质量发展水平？这是当前供电企业必须解决的一个问题，而目前供电企业还没有一套完整的供电企业的信息系统运行质量评价指标体系正式发布。
通过构建科学的、实用的、有效的供电企业信息系统运行质量评价指标体系，采用具有学习、记忆、归纳、容错及自学力、自适应能力的基于遗传算法的BP神经网络算法，科学有效地评价供电企业的信息系统运行质量，有利于规范和完善供电企业的信息系统运行水平建设，促进信息系统运维水平健康与快速的发展。
bp神经网络
BP神经网络框架BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。
BP网络能学习和存贮大量的输入-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。
它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)。
1BP神经网络基本原理BP神经网络的基本原理可以分为如下几个步骤：（1）输入信号Xi→中间节点（隐层点）→输出节点→输出信号Yk；（2）网络训练的每个样本包括输入向量X和期望输出量t，网络输出值Y 和期望输出值t之间的偏差。
（3）通过调整输入节点与隐层节点的联接强度取值Wij和隐层节点与输出节点之间的联接强度取值Tjk，以及阈值，使误差沿梯度方向下降。
（4）经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练到此停止。
（5）经过上述训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线性转换的信息。
2BP神经网络涉及的主要模型和函数BP神经网络模型包括输入输出模型、作用函数模型、误差计算模型和自学习模型。
输出模型又分为：隐节点输出模型和输出节点输出模型。
下面将逐个介绍。
（1）作用函数模型作用函数模型，又称刺激函数，反映下层输入对上层节点刺激脉冲强度的函数。
一般取（0,1）内的连续取值函数Sigmoid函数：f x=11+e^(−x)（2）误差计算模型误差计算模型反映神经网络期望输出与计算输出之间误差大小的函数：Ep=12(tpi−Opi)2其中，tpi为i节点的期望输出值；Opi为i节点的计算输出值。
（3）自学习模型自学习模型是连接下层节点和上层节点之间的权重矩阵Wij的设定和修正过程。
基于BP神经网络的高职学生学习评价模型构建与实现
评 价 等级 集 合 划 分 为 ： ＝｛ 优秀 ， 良好 ， 中等 ， 及格， 不 及格 ｝ 五个 等级 。 ２ ． ３ Ｂ Ｐ神 经 网络学 习评价 模 型确立 。一个 神 经 网络 模 型结 构选 择是 否科 学 ， 将 会 直 接 影 响 网 络训 练 次 数 和 网络 学 习 的 精 度 ， 因此 ， 科 学 网 络 模 型 的确 立 十 分
层数未必能降低误差与提高精度 ， 然 而却使 网络更加 复杂 ， 增加 了网络 的训 练 时 间。另 外 预 测 的效 果也 不 定 能增 强 。误 差精 度 的提 高可 以通过 调节 隐含 层 中
基 于 Ｂ Ｐ神 经 网 络 的 高 职 学 生 学 习 评 价 模 型 构 建 与 实 现
赵振 勇 ， 张 平 泽
（ １ ．常州纺织服装职业技术学院， 江苏 常州 ２ １ ３ １ ６ ４ ； ２ ．常州机电职业技 术学院， 江苏 常州 ２ １ ３ １ ６ ４）
摘 要： 本文以学 习某一课程 为例进行科 学、 有效 的构 建学 习评 价 内容 指标体 系， 提 出了一 种基 于 Ｂ Ｐ神 经 网络 的的 学
（ １ ） 输入 层 神 经 元 个 数 。 由表 １指 标 体 系 可 知 ， 共 有 ９个 主要 指标 影 响 学 习 质量 ， 因 此假 定 输 入 层 神 经 元个 数 ｎ＝ ９ 。 （ ２ ） 输 出 层 神 经 元 个 数 。评 价 结 果 是 网 络 的 输
出， 因此 假定 输 出层 个 数 ｉ ｎ＝１ 。 （ ３ ） 网络 层 数 选 取 。理 论 上 早 已经 证 明 ， 具 有 至 少一 个 Ｓ ｉ ｇ ｍｏ ｉ ｄ型 隐 含 层 加 上 一 个 线 性 输 出 层 的 网
重要。
输入 与 输 出之 间有一 种非 线性 映 射 的表现 关 系 。如 果 输 出层 得不 到期 望输 出 ， 则转 入反 向传 播 ， 根据 预测 误 差调 整 网络 权 值 和 阈值 ， 从而 使 Ｂ Ｐ神 经 １所示 。
基于BP神经网络的教学质量评价模型研究
ｐ ｒ ｉ ｎ ｃ ｉ ｐ ｌ ａ ｃ ｏ ｍｐ ｏ ｎ ｅ ｎ ｔ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ，ｔ ｈ ｅ ｎ ａ ｔ ｅ ａ ｃ ｈ ｉ ｎ ｇ ｑ ｕ ｌｉ ａ ｔ ｙ ｅ ｖ ｌｕ ａ ａ ｔ ｉ ｎ ｇ ｍｏ ｄ ｅ ｌ ｂ ａ ｓ ｅ ｄ ｏ ｎ Ｂ Ｐ ｎ ｅ ｕ ｒ ｌ ａ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｉ ｓ ｂ ｕ ｉ ｌ ｔ ｕ ｐ ，ｆ ｉ ｎ ａ ｌ ｌ ｙ ，ｔ ｈ ｅ ｍｏ ｄ — ｅ ｌ ’ Ｓ ｒ ｅ ｌ ｉ ａ ｂ ｉ ｌ ｉ ｔ ｙ ａ ｎ ｄ ｅ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｎ ｅ ｓ ｓ ｉ ｓ ｖ ｌｉ ａ ｄ ａ ｔ ｅ ｄ ｂ ｙ ｕ ｓ ｉ ｎ ｇ ａ ｇ ｒ ｏ ｕ ｐ ｏ ｆ ｄ ａ ｔ ａ ．
客观上需要构建一套阵作为神经网络的输入量时在训练样本数并未减少既在实践上行得通又能在理论上得到论证的既使用的基础上消除了网络输入间的相关性同时减少了网于定量指标评价又适合于定性指标评价的科学评价络的输入数简化了网络结构从整体上提高了网络方法引
２ 化 Ｊ Ｉ Ｓ Ｕ Ａ Ｎ Ｊ Ｉ Ｙ Ｕ Ｘ Ｉ Ａ Ｎ Ｄ Ａ １ Ｈ Ｕ Ａ
既在 实践 上行得 通 又能在 理论 上得 到论证 的 ， 既 使用 于定 量指标 评 价又 适 合 于定 性 指 标 评 价 的科 学评 价 方法 ¨ 。由于学 生评 教 和专 家 、 同行 评 教 的 方式 具
神经 网络模 型 的输入 分量 ， 必然 会导致 网络 的规 模 过 大， 影 响神 经 网络 的收敛 速度 ， 降低预 报 的准确 率 ， 甚 至 出现无法 收敛 的情 况 。 因此 ， 应对 此类样 本 和众 多
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｆ ｉ ｒ ｓ ｔ ，ｔ ｈ ｅ ｉ ｎ ｄ ｉ ｃ ａ ｔ ｏ ｒ ｓ ｏ ｆ ｔ ｈ ｅ ｃ ｕ ｒ ｒ ｅ ｎ ｔ ｔ ｅ ａ ｃ ｈ ｉ ｎ ｇ ｅ ｖ ａ ｌ ｕ ａ ｔ ｉ ｎ ｇ ｓ ｙ ｓ ｔ ｅ ｍ ｉ ｓ ｓ ｉ ｍｐ ｌ ｉ ｉ ｆ ｅ ｄ ｂ ｙ ｔ ｈ ｅ ｍｅ ａ ｎ ｓ ｏ ｆ ｑ ｕ ｅ ｓ ｔ ｉ ｏ ｎ ｎ ａ ｉ ｒ ｅ ｓ ｕ ｒ ｖ ｅ ｙ ａ ｎ ｄ
客观上需要构建一套阵作为神经网络的输入量时在训练样本数并未减少既在实践上行得通又能在理论上得到论证的既使用的基础上消除了网络输入间的相关性同时减少了网于定量指标评价又适合于定性指标评价的科学评价络的输入数简化了网络结构从整体上提高了网络方法引
２ 化 Ｊ Ｉ Ｓ Ｕ Ａ Ｎ Ｊ Ｉ Ｙ Ｕ Ｘ Ｉ Ａ Ｎ Ｄ Ａ １ Ｈ Ｕ Ａ
既在 实践 上行得 通 又能在 理论 上得 到论证 的 ， 既 使用 于定 量指标 评 价又 适 合 于定 性 指 标 评 价 的科 学评 价 方法 ¨ 。由于学 生评 教 和专 家 、 同行 评 教 的 方式 具
神经 网络模 型 的输入 分量 ， 必然 会导致 网络 的规 模 过 大， 影 响神 经 网络 的收敛 速度 ， 降低预 报 的准确 率 ， 甚 至 出现无法 收敛 的情 况 。 因此 ， 应对 此类样 本 和众 多
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｆ ｉ ｒ ｓ ｔ ，ｔ ｈ ｅ ｉ ｎ ｄ ｉ ｃ ａ ｔ ｏ ｒ ｓ ｏ ｆ ｔ ｈ ｅ ｃ ｕ ｒ ｒ ｅ ｎ ｔ ｔ ｅ ａ ｃ ｈ ｉ ｎ ｇ ｅ ｖ ａ ｌ ｕ ａ ｔ ｉ ｎ ｇ ｓ ｙ ｓ ｔ ｅ ｍ ｉ ｓ ｓ ｉ ｍｐ ｌ ｉ ｉ ｆ ｅ ｄ ｂ ｙ ｔ ｈ ｅ ｍｅ ａ ｎ ｓ ｏ ｆ ｑ ｕ ｅ ｓ ｔ ｉ ｏ ｎ ｎ ａ ｉ ｒ ｅ ｓ ｕ ｒ ｖ ｅ ｙ ａ ｎ ｄ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘 要：研究网络学习评价问题对推动网络教学资源的使用具有十分重要的意义，传统的网络
学习评价方法具有很强的主观性，且仅限于线性模型，缺少科学性。为克服传统网络学习评价方法
的不足，实现网络学习评价的智能化，提出了一种基于 BP 神经网络的的网络学习评价模型，并利
用 MATLAB 进行实验仿真，测试结果表明，该评价模型准确率高，能为网络学习评价提供可靠数据。
1 网络学习评价问题的提出
网络学习评价问题实质上属于模式识别中的一个分类问题，即根据学生网络学习的各种数据， 依据网络学习评价指标体系，对数据进行分析、处理，并得出学生网络学习评价等级。设
x1, x2 ,, xn 为网络学习评价的 n 个评价指标， y 为网络学习评价结果等级，网络学习评价结果等 级 与 评 价 指 标 的 关 系 可 表 示 为 y f (x1, x2 ,, xn ) ， 进 行 网 络 学 习 评 价 就 是 找 出 评 价 指 标 x1, x2 ,, xn 与评价等级 y 之间的函数关系。
指标体系的确定
样本数据采集
模式的确定
模式内样本奇异点去除
样本抽样
模式的学习样本
图 2 建立有效样本的步骤
借助计算机应用基础课网络学习评价数据通过剔除奇异点的方法，将留下的 400 组数据作为有 效样本，并取其中的 370 组数据作为训练数据，其余 30 组数据作为测试数据，用来对训练生成的 模型的进行检验。评价采用五级制（优、良、中、及格、差）。模型对样本处理规则如下：评价指 标优、良、中、及格、差分别转化成相应数字 5、4、3、2、1，而输出优、良、中、及格、差分别 对应 5 个区间，即[4.5 5]、[4 4.5]、[3.5 4]、[3 3.5]、[0 3]。
研究表明，最近邻算法（KNN）对不相关属性非常敏感。[3][4]笔者采用最络学习综合评价与在线时长、作业平均得分、作业完成率、自测平均成绩等 7 个评价指标之 间的关联程度。通过关联分析，发现各指标对综合评价结果影响都比较明显，且考虑到输入维数并 不高，所以笔者将选择所有的指标作为神经网络系统的输入进行建模。
20
学习态度
网络学习评价指标体 学习过程
学习效果
周 均 在 线 时 长
作 业 完 成 率
周
讨
讨
均
论
论
浏
中
中
作
测
览
发
回
业
试
辅
起
答
平
平
导
的
的
均
均
材
问
问
得
得
料
题
题
分
分
时
次
次
间
数
数
图 1 网络学习评价指标体系
3 评价样本库的构建
在智能计算模型中，样本是训练的对象，样本选取的好坏，直接影响到模型的训练结果。因此， 样本一定要选择有代表性的数据，并对数据进行有效性分析。因为样本数据来源于不同的对象、不 同的角色类别，故样本采集时存在人主观上的因素，评价结果差异可能非常大，如果不剔除掉那些 偏离中心太远的样本点，整个样本集的数据势必会受到这些奇异样本的影响，使得整个样本集的信 息受到弱化。所以在选取样本时，必须考虑样本中奇异点的剔除，从而建立有效样本。建立有效样 本的步骤如图 2 所示。
4.1 网络结构 1．确定输入层节点数。网络学习评价指标体系有 7 个二级指标，将 7 个评价指标作为神经网 络的输入层的输入，所以 BP 神经网络的输入层节点数相应确定为 7。 2．确定输出层节点数。由于网络学习评价结果只有一个，因此网络输出层只设 1 个输出节点，
而传统评价法是在评价指标体系中明确各项指标的权重，使用线性模型进行计算，这种方法缺 陷是权值的确定具有很强的主观性，且评价只限线性模型。由于影响网络学习质量的因素很多，且 各因素影响的程度也不同，很难用一个线性模型来表达他们之间的函数关系，属于复杂的非线性分 类问题。[2]而人工神经网络作为一种智能计算技术, 以其非线性映射并具有学习能力等基本特性已 广泛应用于模式识别和非线性分类问题。
在建模过程中，最重要的是确定网络的结构，而网络结构关键在于隐含层及节点数。对网络学 习评价问题，可以看作是输入（学习评价指标）到输出（对学生网络学习评价的最终结果）的非线 性映射。由于一个 3 层网络（只含一个隐含层）可以任意精度去逼近任意映射关系，[6]因此采用 3 层 BP 网络结构，即只包含输入层、隐含层和输出层来建立模型。下面介绍评价模型的建立。
第 11 卷第 1 期 2012 年 2 月
广州职业教育论坛 GUANGZHOU VOCATIONAL EDUCATION FORUM
Vol.11 No.1 Feb. 2012
文章编号：2095-364X（2012）01-0020-06
基于 BP 神经网络的网络学习评价模型研究
李绍中
（广州番禺职业技术学院 教务处，广东 广州 511483）
关键词：神经网络；MATLAB；网络学习评价
中图分类号：TP183
文献标识码：A
随着教育信息技术的进一步推广和网络教学资源的不断丰富，网络学习作为一种主要学习方式 已经被越来越多的人所接受。近几年，各级精品课程、网络课程的建设所取得的成效已是有目共睹， 但重建设、轻使用的现象已成为困扰今后精品课程、网络课程建设的主要因素。教学资源之所以建 起来容易用起来难，原因是多方面的，但网络学习评价机制不健全无疑是其中的一个重要方面。[1] 全面地、科学地评价网络学习，对推动网络教学资源的使用具有十分重的意义。
2 网络学习评价指标体系构建
要进行网络学习评价，首先必须确定网络学习评价的内容和评价标准，即评价的指标体系。在 分析已有的网络学习评价体系的基础上，根据学习评价的基本原则与方法，从学习态度、学习过程 和学习效果 3 个方面构建评价指标（如图 1 所示）。
收稿日期：2011-12-22 作者简介：李绍中（1969-），男，湖南娄底人，硕士，副教授，研究方向：智能计算和高等职业教育。
4 基于 BP 神经网络的网络学习评价模型的建立
BP（Back Propagation，BP，误差反向后传）神经网络是指基于误差反向传播算法（BP 算法） 的多层馈神经网络，是 1986 年 Rumelhart 和 McCelland 提出来的，也是目前数十种神经网络模型 中应用最为广泛的模型。[5]在此，选用 BP 神经网络来构建网络学习评价模型。