劉鵬，賈文雅

（山西藥科職業(yè)學院，太原 030031）

0 引言

為了高質(zhì)量完成高職教育立德樹人的根本任務，為黨和國家培養(yǎng)高素質(zhì)技能型人才，全面提高教學質(zhì)量意義重大，教學質(zhì)量評價科學準確刻不容緩，勢在必行。采用信息化手段，應用到當今的課堂教學中，是貫穿教育改革的十分重要的步驟，也是教師改進工作手段的核心要求。它的教學質(zhì)量直接影響著整個學校的質(zhì)量。尤其在疫情期間，搞好線上信息化教學尤為重要。而目前，高職傳統(tǒng)教學質(zhì)量評價中普遍存在“評價模糊化，方法單一化”、“碎片改革多，系統(tǒng)構(gòu)建少”、“教學信息溝通不暢”等問題，這些都已成為高職教育持續(xù)健康發(fā)展的瓶頸。為此，運用科學的方法對課堂教學質(zhì)量進行全面、合理的評價，對于評價學校的教學水平和教學質(zhì)量具有重要意義。然而，單純的對教學水平和教學質(zhì)量進行評價，相關的工作量大、統(tǒng)計復雜，很難形成系統(tǒng)的評價體系，因此，一些教學質(zhì)量評價工作往往流于形式，必要尋求一種新的科學的評價方法。近年來，一些學者考慮利用神經(jīng)網(wǎng)絡，提升相關評價標準的準確性。因為神經(jīng)網(wǎng)絡算法具有很強的非線性函數(shù)逼近能力，對相關模糊指標的或不準確的參數(shù)，有較好的分析能力。但是，由于神經(jīng)網(wǎng)絡訓練過程較為復雜，需要較多先驗知識，對操作者有較高的要求。因此，將神經(jīng)網(wǎng)絡引入到教學質(zhì)量的評價中，結(jié)果存在不準確的問題。

本文考慮到神經(jīng)網(wǎng)絡在教學質(zhì)量評價中的進展和局限性，引入粒子群算法對原有神經(jīng)網(wǎng)絡模型進行優(yōu)化，根據(jù)教學評估信息大量存在的特點，以及粒子群算法改進神經(jīng)網(wǎng)絡是模糊邏輯和神經(jīng)網(wǎng)絡的結(jié)合，集合各自的優(yōu)勢，集學習、聯(lián)想、識別、自適應和模糊信息處理特性于一體。本文采用粒子群改進神經(jīng)網(wǎng)絡對教學質(zhì)量進行評價。

1 基于粒子群算法的神經(jīng)網(wǎng)絡教學評價模型

1.1 粒子群算法

粒子群算法（PSO）是一種進化計算，是一種類似于遺傳算法的迭代優(yōu)化工具。粒子群算法模擬鳥類的捕食行為。你可以想象這樣一個場景：一群鳥隨機搜尋食物。在這個地區(qū)，只有一種食物，然而所有的鳥都不知道食物在哪里，但它們清楚的知道到食物之前的距離。怎么才能形成最優(yōu)覓食策略呢？當前較為簡單、有效的方法是從鳥食周圍的區(qū)域?qū)ふ沂澄?。粒子群算法從該模型中得到解決此類問題的啟示。每一次優(yōu)化都是為了在空間中搜索一只被稱為“粒子”的鳥。所有粒子都有由優(yōu)化函數(shù)確定的適應值，每個粒子也有一個速度來確定方向和距離。然后粒子跟隨優(yōu)化粒子搜索粒子群，將其作為一個隨機粒子（隨機解）進行搜索，采用迭代的方法尋找最優(yōu)解。在每次迭代中，粒子通過跟蹤兩個“極端”粒子進行自我更新。第一個是粒子找到的最優(yōu)解。這類解被稱為PBest，另一種方法是按物種尋優(yōu)。這類解被稱為全局極值。

當找到這兩個最優(yōu)解時，粒子通過公式（1）和公式（2）進行自我更新，以定位自己的速度和位置。

其中v 是粒子的速度，Present 是粒子當前的位置。rand（）是（0,1）中的隨機數(shù)。C1,C2是學習因子，通常C1=C2=2。任何維度的速度都受最大速度的限制，如果更新后的速度超過Vmax，則速度為Vmax。

1.2 RBF神經(jīng)網(wǎng)絡

徑向基函數(shù)是一個實值函數(shù)，它的值只取決于到原點的距離，因此Φ(x)=Φ(||x||)；或者，也可以取決于到另一個點 c 的距離，稱為中心，那么有φ(x,c)=φ(||x-c||)。任何滿足性質(zhì)φ(x)=φ(||x||)的函數(shù)φ都是徑向函數(shù)。范數(shù)通常是歐幾里得距離。

徑向基函數(shù)通常用于建立以下形式的函數(shù)：

這種近似函數(shù)y(x)的計算結(jié)果，可以看成N 個徑向基函數(shù)的總和，每個徑向基函數(shù)與不同的中心ci相關聯(lián)，并且由適當?shù)臄?shù)wi加權。這種近似方法特別適用于表現(xiàn)出足夠簡單混沌行為的非線性系統(tǒng)的時間序列預測和控制、計算圖形學中的三維重建（例如分層RBF）。

有三個學習參數(shù)：RBF 中心CK、σk、Wk。算法流程如下：

（1）從輸入矩陣中選擇一個系列Ck；

（2）計算方差

式中，dmax是最大距離，K 是Ck的個數(shù)；

圖1 RBF神經(jīng)網(wǎng)絡結(jié)構(gòu)

（4）更新 RBF 參數(shù)

其中yd(n)是失效輸出；μN,μC,μσ是三個參數(shù)的映象。

（5）如果網(wǎng)絡收斂，則停止計算，否則轉(zhuǎn)到步驟（3）。具體步驟見圖2。

1.3 用粒子群算法訓練BBPP神經(jīng)網(wǎng)絡

PSO 算法對BP 神經(jīng)網(wǎng)絡的優(yōu)化是用梯度下降法來訓練權值和閾值。關鍵是建立連接維度空間和神經(jīng)網(wǎng)絡的權重與閾值之間的映射關系。本文的學習過程主要是權值和閾值的更新過程。BP 算法中的權值和閾值對應于粒子的位置。

粒子的適應度函數(shù)是最小均方差MSE

其中N 是輸出矩陣的維數(shù)；P 是樣本數(shù)。粒子群算法訓練神經(jīng)網(wǎng)絡權值的步驟如下：

（1）對神經(jīng)網(wǎng)絡結(jié)構(gòu)進行建模，包括輸入層、隱藏層、輸出層和神經(jīng)元數(shù)目。

（2）初始粒子群。

（3）適應度函數(shù)的確定。

（4）根據(jù)公式（3）計算適應度；

（5）更新 pBest 和 gBest；

（6）更新w。

（7）更新任意粒子的速度和位置，確定最優(yōu)解。

圖2 RBF神經(jīng)網(wǎng)絡流程圖

2 教學質(zhì)量評價模式

2.1 評價指標體系

根據(jù)該指標體系，影響教學質(zhì)量的主要指標為12個（見表1），因此可以采用12 個輸入層數(shù)，準確計算合理的輸入模式，是設計神經(jīng)網(wǎng)絡模型的關鍵因素。一旦設計不合理，輸入神經(jīng)元較多，會導致模型結(jié)構(gòu)越復雜，訓練周期長。否則，很難得到非線性關系。

表1 藥學專業(yè)信息化教學學生評教綜合評價指標

2.2 訓練神經(jīng)網(wǎng)絡

輸入層數(shù)為12 層，隱藏層數(shù)為10 層，輸出層數(shù)為1 層，結(jié)構(gòu)為 12-10-1。

Dimsize 賦值為 141，popsize 賦值為 25，Wmax=0.9，Wmin=0.4，C1=C2=2，MSE 為 le-5，最大映象為10000。

2.3 實驗結(jié)果

疫情期間，為準確有效評價我院藥學專業(yè)所有課程在線教學的質(zhì)量，對500 份調(diào)查問卷進行了測評。其中400 份問卷為訓練樣本，100 份問卷為測試樣本，如表2 所示。

表2 檢測結(jié)果表

3 結(jié)語

（1）從表2 可以得出，該模型的結(jié)果中，計算得到的真實值和輸出值之間的誤差變化成負相關，結(jié)果越小導致訓練樣本越多，數(shù)學模型描述教學質(zhì)量的好壞的作用也越明顯。

（2）引入PSO 后的神經(jīng)網(wǎng)絡，可以大幅度降低神經(jīng)網(wǎng)絡計算時間，尋優(yōu)結(jié)果也更準確，一旦涉及模糊神經(jīng)網(wǎng)絡，相關結(jié)果也是可以預見的，教學管理人員可以實時調(diào)整模型的相關參數(shù)，在一定程度上解決了神經(jīng)網(wǎng)絡的盲目性問題。

（3）綜上所述，本模型不失為評價教學質(zhì)量的一種良好方法。