基于Elman神经网络的实验教学质量评价模型

常宁

(1.中国人民武装警察部队学院基础部，河北廊坊 065000；

2.中国人民武装警察部队学院灭火救援技术公安部重点实验室，河北廊坊 065000）

基于Elman神经网络的实验教学质量评价模型

常宁1，2

(1.中国人民武装警察部队学院基础部，河北廊坊 065000；

2.中国人民武装警察部队学院灭火救援技术公安部重点实验室，河北廊坊 065000）

结合课程特点和实验教学的需要建立了实验教学质量评价指标体系，并利用Elman人工神经网络方法建立了评价模型。测试结果表明，该模型应用于实验课程教学质量评价中，精度较高，具有广泛的适用性。

人工神经网络；教学质量评价；实验

0 引言

实验教学是理工科类课程重要的教学环节，它能够加深学生对理论知识的理解，提高他们观察问题、分析问题和动手解决问题的能力。

在学校的教学工作中，教学质量是生命线，直接关系到学校的生存发展和人才培养质量。特别是在一些高校中，将教学质量评价结果引入到教师职称评定工作中，进一步提升了教学质量的导向作用。因此，课堂教学质量的评价结果是否客观、公平，与被听课教师的切身利益息息相关。

目前，通过建立综合评价指标体系的方法来评价实验教学质量，涵盖了实验准备、实验过程、实验效果全过程。具体方法包括专家评价法、模糊综合评价法、层次分析法等，在确定指标权重时，专家的主观因素对第一种方法的影响较大，而后两种方法的计算量大、计算复杂，自学习能力也比较缺乏［1-2］。

上述方法存在的缺限，往往使学校教学质量评价工作流于形式。因此，如何建立一套可操作性强且科学有效的教学质量评价体系就成为教学管理部门迫切需要解决的一道难题［3］。近年来，许多学者尝试在教学质量评价中引入人工神经网络。人工神经网络是根据仿生学的原理，模拟生物神经元，由大量的人工神经元交织而成的网络，是一种新型信息处理系统，它可以模仿和扩展人类的脑功能。输入信号通过神经元传递，获得输出，具有高度非线性的特征，类似于人类大脑神经网络的结构和行为，并且系统可以通过学习大量的现有知识样本，提取有效的知识和规则，不断完善和发展［4-6］。

在本文中，考虑到实验课程的特点并结合实验教学的需要，拟定了实验课教学质量评价指标体系，并将Elman神经网络引入到评价中。

1 设定实验课教学质量评价指标［7-8］

首先，通过向具有丰富教学经验的实验课教师和教学管理人员征求意见，调研走访兄弟院校的成功经验，并结合教育部《高等学校专业实验室评估标准》设定了实验课程教学质量评价表，见表1。

组织专家、同行、学员队领导和学员听课并根据表1选取的指标对被评价教师进行打分，随后选取四者打分比较一致的评价结果作为样本［9］，基于神经网络输入的需要，同时也为了减小权值调整幅度，把样本数据归一化为［0 1］之间的数据。

表2为本文选取的数据。

2 Elman神经网络用于教学质量评价

2.1 Elman神经网络［10-11］

Elman神经网络是1990年由J.L.Elman提出的一种网络模型，是在前馈神经网络的隐含层中增加一个特别的隐含层，称之为承接层，也叫状态层或上下文层，承接层从隐含层中接收到反馈信号，它的输出又被前向至隐含层，可以起到延时算子的作用，并且使网络具有记忆功能，使系统能够适应时变特性，是一种部分反馈型网络模型，特别适合对非线性系统进行识别和分析。

表1 实验课程教学质量评价表

表2 样本数据

图1所示为Elman神经网络结构图，共分为四层:输入层、隐含层、承接层和输出层。前三层的连接类似于前馈神经网络，输入层各单元起到传输信号的作用，隐含层各单元的传递函数既可以是线性的也可以是非线性的，承接层各单元起到延时作用，输出层单元起到线性加权的作用。

图1 Elman神经网络结构图

其中，u(k）、y(k）、x(k）、xc(k）分别为神经网络输入量、神经网络输出量、隐含层输出量、承接层输出量；w3、w2、w1分别表示隐含层到输出层、输入层到隐含层以及承接层到隐含层各结点的连接权值矩阵；g(·）是输出层传递函数；f(·）是隐含层传递函数，多采用S型的非线性函数。

2.2 Elman神经网络训练过程

上述实验教学质量评价指标共有7个，因此用于分类的Elman神经网络输入层的结点数为7。评价目标只有1个，即教学质量综合得分，因此可确定Elman神经网络输出层的结点数为1。理论上来说，隐含层和承接层的结点个数不受限制，可以任意取值，但对于处理较复杂的问题，为了提高网络计算精度，一般为这两层选取较多的结点。在兼顾计算速度和精确度的前提下，将这两层的节点数都设置为25。采用双曲正切S型函数作为隐含层传递函数［12］，即

采用S型对数函数作为输出层传递函数［12］，即

首先对该网络进行训练，训练函数采用梯度下降反向传播算法，训练数据选用表2前15组数据，训练目标为0.001。图2所示为训练误差曲线。从图中可以看出，经过253次训练之后，误差达到了要求。

2.3 Elman神经网络功能测试

为了检验Elman神经网络的分类能力，选取表2后9组数据对网络进行测试。测试结果如表3所示。

图2 训练误差曲线

表3 测试结果

3 结论

本文所构建的基于Elman神经网络的实验课程教学质量评价模型，其训练和预测误差和精度完全在可以接受的范围内，可以替代专家对各指标权重的分配，减少指标权重确定时人为因素的干扰。因为神经网络具有自主学习的能力，因而该模型能够很容易地实现权值的动态更新，能及时跟踪和反映各评价指标的权值变化，是一个合理的、可行的、适用性较强的评价模型。

［1］包小兰，万玉成.基于属性识别模型的军校课堂教学质量评价方法［J］.徐州空军学院学报，2006，17(2）: 80-84.

［2］刘思峰，郭天榜，党耀国.灰色系统理论及其应用［M］.北京:科学出版社，1999.

［3］廖蓉苏，丁来欣，刘松.关于高校教师教学质量评价的几点思考［J］.中国林业教育，2005，20(4）:36-39.

［4］洪顺华.BP神经网络在教学质量评估中的应用［J］.机械制造与自动化，2005，34(6）:160-162.

［5］李阳倩，袁斓，杨帆，等.构建高校实验教学监管体系的思考［J］.实验科学与技术，2012，10(5）:254-256.

［6］陈阿梅，秦军伟，呼汉卫.农业院校实验教学质量监控体系的构建［J］.实验科学与技术，2010，8(6）:117-119.

［7］李克.加强实验教学管理，提高实验教学质量［J］.实验室研究与探索，2008，27(1）:128-130.

［8］汤志军.过程视角下高校实验教学质量调查研究［J］.南京审计学院学报，2011(3）:103-109.

［9］洪顺华.模糊神经网络在课堂教学质量评价中的应用［J］.计算机仿真，2008，25(5）:287-289.

［10］蔡辰光，尹华鑫，邓日青.Elman神经网络与遗传算法在变速器故障诊断中的融合应用［J］.农业装备与车辆工程，2007，38(9）:56-59.

［11］李慧芳，常宁，基于神经网络的金属与非金属材料粘接质量定量检测［J］.北京工业大学学报，2009，35 (8）:1122-1126.

［12］周开利，康耀红.神经网络模型及其MATLAB仿真程序设计［M］.北京:清华大学出版社，2005.

(责任编辑 陈小明）

D035.319

河北省软科学项目“基于数据挖掘技术的河北省新型城镇化进程与消防安全关系研究”(13455411）。

常宁(1975—），男，副教授，内蒙古临河人。主要从事数字信号处理、安全技术及工程方面的研究与教学。