人工神經(jīng)網(wǎng)絡(luò)是信息科學(xué)與技術(shù)研究領(lǐng)域中一門令人矚目的新興學(xué)科，它的理論是近年來得到迅速發(fā)展的一個國際前沿研究領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)借鑒了神經(jīng)科學(xué)的基本成果，它是基于模仿人類大腦的結(jié)構(gòu)和功能而構(gòu)成的一種信息處理系統(tǒng)，具有廣泛的應(yīng)用前景。人工神經(jīng)網(wǎng)絡(luò)的基本特征為非線性映射、學(xué)習(xí)分類和實時優(yōu)化，因此它為模式識別、非線性分類等研究開辟了新的途徑。我國教師的教學(xué)水平問題一直以來都是人們關(guān)注的熱點，每個學(xué)校每個學(xué)期都要對教師進行教育教學(xué)水平評估，因此對教師教育教學(xué)質(zhì)量的正確評價也是近年來各個中職學(xué)校研究的重要課題。

BP神經(jīng)網(wǎng)絡(luò)的綜合考評模型

1.原理BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)又稱為多層前饋神經(jīng)網(wǎng)絡(luò)。它的主要特點：各層神經(jīng)元僅與相鄰層神經(jīng)元之間有連接，各層內(nèi)神經(jīng)元之間無任何連接，各層神經(jīng)元之間無反饋連接，其輸入與輸出關(guān)系是一個高度非線性映射關(guān)系。因此，我們將用于綜合考評的各指標(biāo)屬性值進行歸一化處理后作為BP網(wǎng)絡(luò)模型的輸入向量，將評價結(jié)果作為BP網(wǎng)絡(luò)模型的輸出，用足夠多的樣本訓(xùn)練這個網(wǎng)絡(luò)，使其獲取評價專家的經(jīng)驗、知識、主觀判斷及其對指標(biāo)重要性的傾向，這樣BP網(wǎng)絡(luò)模型所具有的那組權(quán)系數(shù)值便是網(wǎng)絡(luò)經(jīng)過自適應(yīng)學(xué)習(xí)所得到的正確知識內(nèi)部表示，訓(xùn)練好的BP網(wǎng)絡(luò)模型根據(jù)教師綜合考評各指標(biāo)的屬性值，就可得到綜合考評的評價結(jié)果，再現(xiàn)專家的經(jīng)驗、知識、主觀判斷及其對指標(biāo)重要性的傾向，實現(xiàn)定性與定量的有效結(jié)合，保證評價的客觀性和一致性[1]。

2.綜合考評指標(biāo)體系的確立。綜合考評就是通過分析影響綜合考評的因素及各因素的影響程度而得出結(jié)論和等級，因而從教師教育、教學(xué)工作總體角度出發(fā)，可以確立以下指標(biāo)體系（如右圖1）:

根據(jù)中職學(xué)校教學(xué)工作的特點，將教師綜合考評指標(biāo)體系分為教學(xué)質(zhì)量、學(xué)歷職稱、教研教改及學(xué)術(shù)水平、教書育人等四大板塊共11個指標(biāo)，分別由：學(xué)生測評、教師測評、學(xué)校考評委會測評、專業(yè)科測評、教師最終學(xué)歷、職稱、雙師型教師、教研教改活動、學(xué)術(shù)水平、教師參與學(xué)生課外活動、教師擔(dān)任班主任情況組成。每個部分都有嚴格的操作步驟，包含有豐富的內(nèi)涵，這對促進教師不斷提高自身素質(zhì)，不斷探索新的、好的教育教學(xué)方法，積極參加學(xué)校各項教育、教學(xué)工作都起到了很好的推動作用。

3.BP神經(jīng)網(wǎng)絡(luò)的綜合考評模型的確立網(wǎng)絡(luò)模型結(jié)構(gòu)的選擇是一項十分重要的工作，選擇得好可以減少網(wǎng)絡(luò)訓(xùn)練次數(shù)，提高網(wǎng)絡(luò)學(xué)習(xí)精度。

(1)輸入層神經(jīng)元個數(shù)的確定。根據(jù)綜合考評指標(biāo)體系，影響考評結(jié)果的主要指標(biāo)有11項指標(biāo)，因此取輸入層個數(shù)=11；(2)輸出層神經(jīng)元個數(shù)的確定。評價結(jié)果作網(wǎng)絡(luò)的輸出，因此取輸出層個數(shù)=1；(3)網(wǎng)絡(luò)隱含層數(shù)的確定。隱含層數(shù)越多，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度就越慢，根據(jù)Kosmogorov定理，在合理的結(jié)構(gòu)和恰當(dāng)?shù)臋?quán)值條件下，3層BP網(wǎng)絡(luò)可以逼近任意的連續(xù)函數(shù)，因此，我們選取結(jié)構(gòu)相對簡單的3層BP網(wǎng)絡(luò)；(4)隱含層神經(jīng)元個數(shù)的確定。隱含層神經(jīng)元個數(shù)是根據(jù)網(wǎng)絡(luò)收斂性能的好壞來確定的，在總結(jié)大量網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，得出經(jīng)驗公式:根據(jù)以上公式，可以得出隱含層神經(jīng)元個數(shù)=7[2]。(5)神經(jīng)元轉(zhuǎn)換函數(shù)的確定。BP神經(jīng)網(wǎng)絡(luò)神經(jīng)元轉(zhuǎn)換函數(shù)，一般均采用型，函數(shù)形式為:(6)模型結(jié)構(gòu)的確定。由上述結(jié)果可以確定BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如上圖2所示。

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法可歸納描述為:⑴設(shè)置變量和參量：=[，，…，]，(=1，2，…，)，為輸入向量，或稱為訓(xùn)練樣本，為訓(xùn)練樣本的個數(shù)。

，為第n次迭代時輸入層與隱含層之間的權(quán)值向量。

，為第次迭代時隱含層與隱含層之間的權(quán)值向量。

為第次迭代時隱含層與輸出層之間的權(quán)值向量。

為第n次迭代時網(wǎng)絡(luò)的實際輸出。

為期望輸出。為學(xué)習(xí)速率。為迭代次數(shù)。

⑵初始化網(wǎng)絡(luò)及學(xué)習(xí)參數(shù)，賦給各一個較小的隨機非零值，=0。

⑶隨機輸入樣本。

⑷對輸入樣本，前向計算BP網(wǎng)絡(luò)每層神經(jīng)元的輸入信號和輸出信號。其中。

⑸由期望輸出和上一步求得的實際輸出計算誤差，判斷其是否滿足要求，若滿足轉(zhuǎn)至8）；不滿足轉(zhuǎn)至第6）。

⑹判斷是否大于最大迭代次數(shù)，若大于轉(zhuǎn)至8），若不大于，對輸入樣本對樣本，反向計算每層神經(jīng)元的局部梯度。其中=

⑺按下列計算權(quán)值修正量w，并修正權(quán)值；n=n+1，轉(zhuǎn)至4）。

=…，;=1，2，…，

=1，2，…，；

=1，2，…，；

⑻通過迭代計算，達到誤差的允許值。重復(fù)以上算法，判斷是否學(xué)完所有樣本，直至所有樣本全部訓(xùn)練結(jié)束，神經(jīng)網(wǎng)絡(luò)評價模型建立。

綜合考評神經(jīng)網(wǎng)絡(luò)模型的實現(xiàn)

模型的實現(xiàn)，我們選用高性能的數(shù)值計算可視化軟件MATLAB7.0系統(tǒng)，建立三層BP神經(jīng)網(wǎng)絡(luò)，輸入層神經(jīng)元11

個，輸出層神經(jīng)元1個，隱含層神經(jīng)元7個，學(xué)習(xí)次數(shù)為2000次，迭代次數(shù)為1000次，初始步長選取0.9，M取值400，動量系數(shù)為0.9，允許誤差0.0001[3]，選取20對樣本數(shù)據(jù)及20對測試數(shù)據(jù)，采用MATLAB7.0神經(jīng)網(wǎng)絡(luò)工具箱學(xué)習(xí)訓(xùn)練網(wǎng)絡(luò)，得到神經(jīng)網(wǎng)絡(luò)評價模型。通過對測試數(shù)據(jù)的驗證，結(jié)果比較滿意，符合學(xué)校制訂的綜合考核目標(biāo)，其結(jié)果如表1所示。

表1測試結(jié)果與評委專家評價結(jié)果表

將神經(jīng)網(wǎng)絡(luò)應(yīng)用于綜合考評中，克服了專家在評價過程中的主觀因素，具有廣泛的適用前景。通過采用變步長算法，大大改善了網(wǎng)絡(luò)的收斂速度，提高了學(xué)習(xí)訓(xùn)練效率，從而給出較滿意的評價結(jié)果。

[1]高雋.人工神經(jīng)元網(wǎng)絡(luò)原理及仿真實例[M].北京:機械工業(yè)出版社出版社，2007.

[2]葛哲學(xué)，孫志強.神經(jīng)網(wǎng)絡(luò)理論與MATLABR2007實現(xiàn)[M].北京:電子工業(yè)出版社，2007.

[3]周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計[M].2005.

注：本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文。