模糊神经网络 (Fuzzy Neural Network, FNN) 是模糊理论同神经网络相结合的产物, 它汇集了神经网络与模糊理论的优点, 集学习、联想、识别、自适应及模糊信息处理于一体, 它既具备强大的结构性知识表达能力又具备自身参数调整优化的能力, 特别适合于多变量、非线性强并且自身数学描述不易得到的复杂控制系统。
教学是高校教师的基本任务之一, 科学、合理、全面地评估教学活动, 对最大限度地调动教师的教学积极性, 切实有效地提高教学质量, 具有十分重要的导向性意义。在传统的评估方法中, 往往将各评价指标的得分值通过简单的算术运算, 如加权求和, 得出总分值来评价教师的教学质量优劣。但这种做法存在着明显的不足, 因为评价指标的设计不可能包罗万象, 各指标没有明确的外延边界, 具有很大的“模糊性”, 评价指标和教学效果之间并不是简单的线性关系, 而且量化过程、评价者所给的分数都带有一定的主观性。将模糊神经网络理论应用于教学质量评估中, 一方面可以利用它的模糊推理功能, 实现教学评估本身的模糊化特征;另一方面可以利用神经网络在自动学习、并行处理、高度鲁棒性和容错能力等方面的优势提高评估的智能化水平和评估的公平性、合理性。本文结合茂名广播电视大学教师教学质量评估体系, 探讨基于模糊神经网络的教学质量评估系统的设计和实现方法。
1 基于模糊神经网络的教学质量评估系统的基本结构
模糊神经网络有多种形式, 模糊BP神经网络 (FBPNN) 是一种结构和算法都比较简单的模糊神经网络, 它是在一般BP神经网络的输入层和输出层分别增加一层模糊化层而构成。
基于模糊BP神经网络的教学质量评估系统基本结构如图1所示。系统核心的模糊神经网络模式块包括的FBPNN学习、知识库和FBPNN推理机。知识的获取、存储和问题的求解过程中的推理均在系统的模糊神经网络模块中进行, 接受规范化处理后的原始数据输入, 给出处理后的结果。输入/输出模式转换则主要负责知识表述的规范化及表达式的转换, 是神经网络与外界联接的“接口”。
2 基于F B P N N的教学质量评估系统设计和实现
2.1 系统网络结构模型
本文以茂名广播电视大学教师教学质量评估体系为实例。茂名电大教师教学质量评估体系由学生评价和教学督导专家组评价两个部分组成, 其中学生评价内容包括教学态度、教学内容、教学水平、教学效果四个方面共15个指标, 教学督导专家组评价内容包括教学态度、教学研究、课程建设、教学内容、教学方法、讲授能力、学生情绪七个方面共23个指标。两个部分的评价总分都是100分, 综合评分 (y) 由学生评价平均分的45%和教学督导专家组评价平均分的55%组成, 综合评价结果分为优秀 (y≥90) 、良好 (80≤y<90) 、一般 (60≤y<80) 、较差 (y<60) 四个等级。
图2是用于教学质量评估系统的网络结构图。图2中第1层的节点为输入节点, X1、X2是精确量输入, 它们对应为经过规范化处理后的学生评价平均分和教学督导专家组评价平均分。考虑到不同班级的学生对教师上课水平的要求有所差异, 教学督导专家对某个学科组的全体教师的认同上也可能存在差异, 会导致不同班级的任课教师或者不同学科组的教师的原始评分具有一定的不可比性。为消除这种差异, 本系统对全校教师的原始评分进行统筹分析, 根据某个教学班或某个学科组的全体教师的总体水平偏离全校教师的总体水平面的程度, 将他们的原始评分乘以一个相应的系数, 使他们受到的评价处于同一水平线上。
图2中第2层由隶属函数节点组成, 它们表示输入量的全部模糊集, 并完成从精确输入值至模糊值的映射;第3层为中间层, 即传统BP网络的隐含层;第4层的节点表示输出变量 (-6~+6) 离散域内的点;第5层为输出层, 它执行解模糊过程。本文采用平均加权法解模糊, 输出Y经反模糊规则转换即得到评估结论。
2.2 定义隶属度函数
对FBPNN的输入、输出变量X1、X2、Y各定义四个模糊集合:PB、PS、NS、NB, 分别表示优秀、良好、一般和较差四个等级。对输入量X1、X2, 参照综合评价结果的分数段设计出如图3所示的隶属度函数, 对输出量Y采用对称、均匀分布方法设计出如图4所示的隶属度函数。
2.3 模糊控制规则集设计
由于X1、X2各有四个模糊集合, 再结合综合评价结果的计算方法可归纳出如表1所示的16条模糊控制规则。
2.4 网络参数确定
对由第2、3、4层构成的BP网络, 第2层输出可表示为:
第4层的输出可表示为:
由16条模糊规则可构造出16组训练样本, 为了对网络进行校验, 本文将茂名电大2007至2008学年第二学期会计学科组9位教师的评估结果作为9组校验样本。固定隐含层节点数为11, 用MATLAB6.5语言编写程序对网络进行25次的训练 (使用trainlm函数) 和校验 (使用simuff函数) , 从中挑选出网络误差最小时对应的那一组参数作为网络最终学习得到的权值和阀值。
2.5 系统开发及测试
系统前台开发工具选用Visual C++6.0语言, 后台使用SQL Server2000数据库, 数据库访问使用ADO技术。为提高代码的可靠性、可维护性和可复用性, 系统软件开发采用面向对象技术。系统主要包括输入数据、教师评估、查询打印、数据更新、系统管理五个功能模块。本文随机抽取茂名电大2007至2008学年第二学期17位教师的评估得分对系统进行了测试, 测试结果与理论分析值完全吻合, 并且有较高的分辨率。
3 结语
教学质量评估是一个综合、多准则、多因素的复杂问题, 结合了模糊神经网络理论的教学质量评估系统能模仿人类的模糊信息处理能力和综合判断能力, 同时又具有较强的自学习和联想功能, 与基于规则式的人工评估相比有明显的优越性, 可以减少人为不确定性因素的干扰, 增强评估的科学性、客观性和可靠性。对不同学校的教学质量评估体系, 只要相应地改变系统网络结构和模糊控制规则集, 本文所述的方法同样是可以取得较好的效果的。
摘要:为提高教学质量评估的智能性和科学性, 建立了基于模糊神经网络的教学质量评估系统, 详细介绍了该系统的组成原理、方法和实现技术。实例测试结果证明, 该系统有较高的辨识精度和可靠性。
关键词:模糊神经网络,教学质量,评估
参考文献
[1] 张乃尧, 阎平凡.神经网络与模糊控制[M].北京:清华大学出版社, 1998.
[2] 诸静.模糊控制原理与应用[M].北京:机械工业出版社, 2003.
[3] 蔡自兴, 徐光祐.人工智能及其应用[M.北京:清华大学出版社, 2004.
[4] 闻新, 周露, 王丹力, 等.MATLAB神经网络应用设计[M].北京:科学出版社, 2000.
[5] 任哲.MFC Windows应用程序设计[M].北京:清华大学出版社, 2004.