張居設(shè)

(廣西工商職業(yè)技術(shù)學院,南寧 530008)

高校教師教學質(zhì)量評價是提升教學管理水平和教師教學能力的重要途徑[1,2].利用教學質(zhì)量評價,學生能夠反饋教師教學情況,教師可以反思教學效果,學?？梢杂行嵤┙虒W管理改進,有針對性地對教師進行培訓.英語教學是高校教育中的重要一環(huán),且英語教學質(zhì)量評價過程較為復雜,因此構(gòu)建客觀科學的英語教學質(zhì)量評價模型是一個熱點研究方向[3,4].

針對高校教學質(zhì)量評價問題,研究人員提出了多種評價方法,如灰關(guān)聯(lián)分析法[5]、層次分析法[6],模糊綜合評價法[7]等.但這些方法適用于線性模型,難以適應(yīng)于具有非線性的教學質(zhì)量評價問題,存在主觀性和隨機性缺陷,不能很好地實現(xiàn)教學質(zhì)量評價.為此,文獻[8]構(gòu)建了一種遠程教學質(zhì)量評價模型,并基于支持向量機實現(xiàn)教學質(zhì)量評價,取得了較好的評價效果.文獻[9]提出了基于智能算法的教學質(zhì)量評價方法,利用遺傳算法改進BP 神經(jīng)網(wǎng)絡(luò)評價教學質(zhì)量,具有較快的收斂速度和評價精度.

本文研究了高校英語教學質(zhì)量評價問題,提出了一種基于遺傳算法改進RBF 神經(jīng)網(wǎng)絡(luò)的教學質(zhì)量評價方法.該方法利用RBF 神經(jīng)網(wǎng)絡(luò)評價英語教學質(zhì)量,采用遺傳算法優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和徑向基參數(shù),通過主成分分析方法篩選評價指標,測試結(jié)果驗證了該方法的有效性和優(yōu)越性.

1 遺傳算法優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)

1.1 RBF 神經(jīng)網(wǎng)絡(luò)

RBF 神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)是函數(shù)逼近理論,是一種具有很強全局尋優(yōu)能力的前饋式神經(jīng)網(wǎng)絡(luò),在信號處理、圖像處理以及模式識別領(lǐng)域有著十分廣泛的應(yīng)用[10].RBF 神經(jīng)網(wǎng)絡(luò)通常由輸入層、輸出層和隱含層組成,常見結(jié)構(gòu)如圖1 所示.

圖1 RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

RBF 神經(jīng)網(wǎng)絡(luò)中,3 層神經(jīng)網(wǎng)絡(luò)共有2 個權(quán)值向量,其中輸入層與隱含層的權(quán)值為靜態(tài)權(quán)值(固定為1),輸出層與隱含層之間為動態(tài)權(quán)值,并且隱含層的激活函數(shù)為徑向基函數(shù).因此,輸出層的輸出為輸入數(shù)據(jù)通過隱含層激活函數(shù)后的加權(quán)求和.徑向基函數(shù)與動態(tài)權(quán)值是RBF 神經(jīng)網(wǎng)絡(luò)的關(guān)鍵,徑向基函數(shù)的表達式為:

式中,ωij表示隱含層與輸出的權(quán)值.根據(jù)RBF 神經(jīng)網(wǎng)絡(luò)的求解過程可知,網(wǎng)絡(luò)尋優(yōu)過程就是根據(jù)訓練數(shù)據(jù)不斷更新動態(tài)權(quán)值、徑向基函數(shù)的中心和寬度,直到整個神經(jīng)網(wǎng)絡(luò)實現(xiàn)所需的非線性函數(shù)逼近.

應(yīng)用RBF 神經(jīng)網(wǎng)絡(luò)實現(xiàn)英語教學質(zhì)量評價需要預先設(shè)定網(wǎng)絡(luò)的初始權(quán)值和徑向基函數(shù)參數(shù),初始參數(shù)設(shè)置對于網(wǎng)絡(luò)性能具有較大影響.為提高RBF 神經(jīng)網(wǎng)絡(luò)英語教學質(zhì)量評價的準確性和計算效率,采用遺傳算法對RBF 神經(jīng)網(wǎng)絡(luò)參數(shù)進行優(yōu)化.

1.2 遺傳算法

基于RBF 神經(jīng)網(wǎng)絡(luò)的英語教學質(zhì)量評價模型在進行訓練之前,采用遺傳算法確定最優(yōu)網(wǎng)絡(luò)初始參數(shù).遺傳算法通過隨機生成多個起始點進行并行尋優(yōu),以適應(yīng)度函數(shù)確定尋優(yōu)方向,基于選擇、交叉和變異操作實現(xiàn)高維空間自適應(yīng)快速參數(shù)尋優(yōu).

(1)染色體編碼

RBF 神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化是一個連續(xù)參數(shù)的優(yōu)化過程,為了提高參數(shù)尋優(yōu)精確性,采用浮點數(shù)編碼方式.浮點數(shù)編碼既能夠避免后續(xù)選擇、交叉和變異過程中的編碼與解碼,提高收斂效率,還能夠突破傳統(tǒng)二進制編碼字長的限制,獲得較高的參數(shù)尋優(yōu)精度.如果構(gòu)建的RBF 神經(jīng)網(wǎng)絡(luò)的拓撲解構(gòu)為4-7-3,則隱含層到輸出層共有21 個權(quán)值,隱含層中共需要設(shè)置6 個徑向基函數(shù)的中心和寬度,因此遺傳算法的染色體編碼長度為33.

(2)適應(yīng)度函數(shù)

針對RBF 神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化問題,網(wǎng)絡(luò)輸出值與期望值之差越小,說明對應(yīng)的染色體越優(yōu).為此,采用期望輸出與種群中所有個體的均方誤差倒數(shù)作為遺傳算法進化操作的適應(yīng)度函數(shù),具體計算方式如下:

式中,N表示種群中染色體個數(shù),Y表示模型的實際輸出值,T表示模型的期望輸出值.

(3)遺傳算子

選擇操作采用經(jīng)典的比例選擇方法(輪盤賭法),首先計算每個染色體的個體適應(yīng)度函數(shù)值,按照適應(yīng)度函數(shù)值的大小對染色體進行排序,并且規(guī)定適應(yīng)度函數(shù)值越大,對應(yīng)染色體被選擇的概率就越高.對于染色體bi,假設(shè)其適應(yīng)度函數(shù)值為Ebi,則其被選擇的概率為:

其中,E表示種群中所有染色體的總體適應(yīng)度函數(shù)值.由式(4)可知,染色體適應(yīng)度高低決定了該染色體被選擇的概率.但是,為了增加種群的多樣性以及避免陷入局部最優(yōu)解,也需要在適應(yīng)度較小的染色體中選擇一部分遺傳入下一代種群.

交叉操作是指遺傳算法的進化過程中,為了增加種群的多樣性,對兩個染色體的編碼按照一定規(guī)則進行部分基因位的交換,最終進化出兩個新的染色體的過程.在遺傳算法尋優(yōu)過程中,絕大多數(shù)新染色體均是由交叉操作得出的,交叉操作是遺傳尋優(yōu)的核心.遺傳進化早期,染色體個體的適應(yīng)度函數(shù)值較小,需要對染色體進行大概率交叉操作,以提高遺傳算法的全局尋優(yōu)能力.遺傳進化后期,多次選擇交叉變異操作已經(jīng)使得染色體個體的適應(yīng)度函數(shù)值較大,此時應(yīng)該以較小的概率進行交叉操作,以提高算法的局部尋優(yōu)能力.為此,文中遺傳進化中交叉概率設(shè)置為:

式中,Emax表示父代種群中兩個待交叉染色體的最大適應(yīng)度函數(shù)值,Emean表示父代種群中染色體的適應(yīng)度函數(shù)均值,iter表示遺傳進化當前迭代次數(shù),itermax表示遺傳進化的最大迭代次數(shù),Pcmax為預先設(shè)定的最大交叉概率值.

變異操作是指在生物進化過程中,指染色體的某些基因位干擾受到而出現(xiàn)突變,產(chǎn)生新的染色體個體的過程.遺傳算法進化過程中,變異也是更新染色體個體,增加遺傳尋優(yōu)能力的重要環(huán)節(jié).變異概率設(shè)置是遺傳變異操作的關(guān)鍵,變異概率較大時有利于遺傳算法擴大尋優(yōu)搜索范圍,獲得全局搜索能力,但不利于保持選擇和交叉得出的高適應(yīng)度染色體個體;變異概率較小能夠有效保存優(yōu)良染色體個體.傳統(tǒng)遺傳算法的變異概率設(shè)置為固定值,通常情況下介于0.001 到0.1 之間,這不利于獲得優(yōu)秀染色體.為此,參照交叉概率設(shè)置方法,進行變異概率的自適應(yīng)設(shè)置,變異概率設(shè)置方法為:

其中,E表示父代種群中要進行變異操作的染色體適應(yīng)度函數(shù)值,iter和itermax分別表示當前迭代次數(shù)和最大迭代次數(shù).式(6)表明,進化早期染色體適應(yīng)度函數(shù)值低于均值時,變異概率設(shè)置較小,能夠保留優(yōu)良染色體個體.隨著遺傳進化不斷進行,染色體的適應(yīng)度函數(shù)值高于均值時,可以調(diào)高變異概率,增加遺傳算法的局部尋優(yōu)能力.

1.3 RBF 神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化模型

遺傳算法能夠?qū)BF 神經(jīng)網(wǎng)絡(luò)的動態(tài)權(quán)值、徑向基函數(shù)的中心和寬度進行優(yōu)化.針對英語教學質(zhì)量評價問題,基于遺傳算法優(yōu)化的RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示.

圖2 遺傳算法優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)

2 評價指標主成分分析

目前,用于英語教學質(zhì)量評價的指標眾多,如果不加選擇直接將這些指標輸入到RBF 神經(jīng)網(wǎng)絡(luò)中,與教學質(zhì)量評價相關(guān)性較弱或冗余的指標會影響最終評價結(jié)果的準確性以及評價效率.為此,本節(jié)采用主成分分析方法對英語教學質(zhì)量評價指標進行篩選,以精簡評價指標,提高英語教學質(zhì)量評價準確性和實時性.

主成分分析能夠?qū)ΜF(xiàn)有英語教學質(zhì)量評價指標進行綜合分析,去除指標中的冗余成分,生成教學評價新指標[11].新指標大的降低了數(shù)據(jù)量,但能夠包含原有指標的絕大部分信息.指標數(shù)量的減少不但能夠提高教學質(zhì)量評價的效率,還能降低RBF 神經(jīng)網(wǎng)絡(luò)的復雜程度.基于主成分分析的教學質(zhì)量評價具體過程如下.

假設(shè)原始英語教學質(zhì)量評價指標集為:

其中,p為教學評價指標的個數(shù).英語教學質(zhì)量評價指標之間的數(shù)據(jù)差異較大,為了降低大數(shù)據(jù)對小數(shù)據(jù)的影響,需要對采集數(shù)據(jù)進行標準化處理,標準化處理公式為:

式中,

教學質(zhì)量評價指標經(jīng)過標準化處理后,計算評價指標的相關(guān)系數(shù)矩陣:

其中,rij表示第i個教學質(zhì)量評價樣本與第j個指標的相關(guān)系數(shù),計算方式為:

構(gòu)建特征方程 λu=Ru,并計算特征方程的特征值和特征向量:

計算英語教學質(zhì)量評價指標主要成分對累計方差的貢獻量:

式中,αi代表教學質(zhì)量評價指標中第i個主要成分的貢獻.為了從教學質(zhì)量評價指標中選取最能代表全部指標信息的主要指標(即主成分),如果前m個主要成分的累計貢獻大于85%,可以認定這m個主要成本能夠基本代表全部的英語教學質(zhì)量評價指標.基于主成分分析選定的指標作為新的評價評價英語教學質(zhì)量的特征向量,能夠在保持教學質(zhì)量評價性能不變的同時,有效降低特征的維度,提高評價效率.

3 英語教學質(zhì)量評價模型

評價指標體系是英語教學質(zhì)量評價的基礎(chǔ),科學合理的指標體系是保證教學質(zhì)量評價性能的有力保障.目前,評價教學質(zhì)量的指標體系有多種原則,例如基于教學內(nèi)容的指標構(gòu)建,基于學生成績的指標構(gòu)建等.針對英語教學質(zhì)量評價問題,本文構(gòu)建了具體的評價指標體系,結(jié)構(gòu)如圖3 所示.

圖3 教學質(zhì)量評價指標

本文提出的基于RBF 神經(jīng)網(wǎng)絡(luò)的英語教學質(zhì)量評價流程如下:

步驟1.構(gòu)建評價指標體系,收集教學質(zhì)量評價相關(guān)數(shù)據(jù);

步驟2.數(shù)據(jù)標準化處理,生成評價指標相關(guān)系數(shù)矩陣;

步驟3.基于主成分分析對英語教學質(zhì)量評價指標進行選擇,去除冗余指標,實現(xiàn)特征降維;

步驟4.利用遺傳算法改進的RBF 神經(jīng)網(wǎng)絡(luò)進行教學質(zhì)量的評價,輸出評價結(jié)果.

4 模型測試與分析

為測試本文提出的基于遺傳算法優(yōu)化的RBF 神經(jīng)網(wǎng)絡(luò)英語教學質(zhì)量評價方法的有效性,本節(jié)利用收集到的高校英語教師教學質(zhì)量評價數(shù)據(jù)對其進行性能測試.按照上一節(jié)構(gòu)建的英語教學質(zhì)量評價指標模型,共采集了400 組英語質(zhì)量評價數(shù)據(jù),其中360 組作為訓練數(shù)據(jù),剩余40 組作為測試數(shù)據(jù),部分采集數(shù)據(jù)如表1 所示,表中x1～x18依次對應(yīng)圖3 中的教學質(zhì)量評價指標.

表1 部分測試輸入數(shù)據(jù)

4.1 主成分分析選擇評價指標

利用提出的英語評價指標主成分分析法對表1 中的英語教學質(zhì)量評價指標進行分析,篩選出對教學質(zhì)量評價貢獻度最大的指標,主成分分析結(jié)果如圖4 所示.

圖4 主成分分析對評價指標處理結(jié)果

圖3 結(jié)果表明,前8 個主成分指標對英語教學質(zhì)量評價的累積貢獻率已經(jīng)高達94.3%,超過了設(shè)定的累積貢獻率門限.這表明前8 個指標已經(jīng)能夠有效代表全部指標中包含的重要信息,后續(xù)將采用這8 個指標對英語教學質(zhì)量進行評價.

4.2 教學質(zhì)量評價結(jié)果分析

采用本文構(gòu)建的遺傳算法優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)模型對英語教學質(zhì)量進行評價,模型訓練過程中均方誤差變化曲線如圖5 所示,測試組數(shù)據(jù)的教學質(zhì)量評價精度如圖6 所示.圖5 表明,原始RBF 神經(jīng)網(wǎng)絡(luò)經(jīng)過約45 次迭代達到收斂,而經(jīng)過遺傳算法優(yōu)化后只需約30 次即可達到收斂,這表明遺傳算法能夠有效提升RBF 神經(jīng)網(wǎng)絡(luò)的收斂速度,降低模型訓練時間.并且,經(jīng)過遺傳算法優(yōu)化后的RBF 神經(jīng)網(wǎng)絡(luò)的軍方誤差也始終低于原始RBF 神經(jīng)網(wǎng)絡(luò),表明遺傳算法能夠提升模型的預測準確性.

圖5 模型均方誤差曲線

圖6 模型評價精度曲線

圖6 表明,原始RBF 神經(jīng)網(wǎng)絡(luò)對英語教學質(zhì)量評價精度較高,均高于81%,但遺傳算法優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)的評價精度優(yōu)于原始RBF 神經(jīng)網(wǎng)絡(luò).統(tǒng)計結(jié)果表明,在40 組測試樣本中,遺傳算法優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)模型對36 組評價準確度均大于90%,且其中30 組評價準確度大于93%,表明了模型具有很高的逼近精度.

4.3 評價結(jié)果對比分析

為進一步測試本文構(gòu)建的基于遺傳算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)英語教學質(zhì)量評價性能,將其與文獻[9]提出的GA-BPNN 評價模型和文獻[8]提出的基于支持向量機(SVM)的評價模型進行性能對比測試.仿真數(shù)據(jù)不變,英語教學質(zhì)量評價性能對比如表2 所示.實驗結(jié)果表明,本文構(gòu)建的遺傳算法優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)模型具有較高的評價準確度和運算效率.這是因為文獻[9]的GA-BPNN 評價模型中BP 神經(jīng)網(wǎng)絡(luò)存在過擬合現(xiàn)象,影響評價準確性,文獻[8]的SVM 評價模型中評價指標過多,指標之間互相干擾,影響評價準確性的同時也增加了運算成本.

表2 評價性能對比結(jié)果

5 結(jié)論

高校英語教學質(zhì)量評價是提升教學質(zhì)量的重要措施,本文構(gòu)建了一種基于遺傳算法優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)的英語教學質(zhì)量評價模型.該模型利用主成分分析篩選評價指標,通過遺傳算法對RBF 網(wǎng)絡(luò)權(quán)值參數(shù)進行優(yōu)化,實現(xiàn)了英語教學質(zhì)量的高準確率評價,測試結(jié)果驗證了該方法具有較高的評價準確性,且運算效率較高.研究內(nèi)容為高校教學質(zhì)量評價提供了一種新方法.