论文部分内容阅读
高校教学质量评价是高校教学管理过程中的重要环节,其受到诸多因素的影响,并且它的评价指标与教学质量之间是复杂抽象的非线性关系。然而,现有评价方法和模型存在主观性和随机性太强、指标权重确定难、易出现过拟合、收敛速度慢、计算能力弱等问题。此外,评价指标体系多集中于教学态度、教学内容、教学方法等,很少考虑教学前准备和教学过程中教学情况而导致评价缺乏全面性。因此,如何构建模型客观、真实、全面、准确地评价高校教学质量不仅有助于提高教学质量、促进教学目标不断完善并提升教育决策科学化,而且还有利于推动高校教学管理走向规范化和智能化。为解决高校教学质量评价这个复杂的非线性问题,本文对神经网络模型和高校教学质量评价进行深入研究。鉴于现有研究存在的不足,本文提出自适应BP神经网络模型和DDAE-SVR深度神经网络模型评价高校教学质量,其中DDAE-SVR是以深度降噪自动编码器(DDAE)进行无监督训练、支持向量回归(SVR)进行有监督预测的深度神经网络。本文主要研究贡献有以下两点:(1)提出自适应BP神经网络模型(Adaptive-BPNN)。该模型引入自适应学习率、动量项改进BP神经网络的梯度下降法以提高模型的收敛速度,优化网络结构以保证模型的稳定性。然后传统的评价指标中加入新的评价指标以保证模型全面评价教学活动,归一化评价样本数据集作为模型的输入特征向量以提高计算效率。将小规模低维度评价数据集输入到模型中训练和验证,并用MSE(均方差误差)、预测准确率、训练时间、迭代次数作为性能指标与标准BP神经网络模型、决策树模型、支持向量机进行对比。实验结果表明,该模型在一定程度上解决了现有方法和模型的权重确定难、易出现过拟合、收敛速度慢和易出现局部最小值等问题。尽管在训练时间上稍弱于支持向量机和决策树模型,但是该模型的MSE、预测准确率是最优的,从而验证了该模型在高校教学质量评价方面的有效性。(2)提出DDAE-SVR深度神经网络模型。面对高维大规模评价数据集时,由于自适应BP神经网络模型仅有一个隐藏层,它的计算能力、预测能力和建模表示能力会受限,因此本文提出DDAE-SVR深度神经网络模型。该模型具有多个隐藏层,在无监督训练过程中进行多次特征转换,实现重构输出数据与原始输入数据之间的误差最小化以获取数据的本质特征。该模型的输出层以支持向量回归作为预测器实现有监督评价预测。分别输入小规模评价样本数据集和大规模数据集对进行实验,并以训练时间和MAPE(平均绝对百分比误差)、MSE(均方差误差)等性能指标与其他模型进行对比。实验结果表明,在处理小规模数据集时,虽然DDAE-SVR模型在训练时间高于Adaptive-BPNN模型,但是在其他性能指标上却优于Adaptive-BPNN模型,从而验证了DDAE-SVR模型的有效性。另一方面,Adaptive-BPNN模型的误差性能指标与DDAE-SVR模型之间差别较小,并且它的训练时间要远远优于DDAE-SVR模型,从而验证Adaptive-BPNN模型更适合处理小规模评价数据集。对于处理大规模数据集,虽然DDAE-SVR模型在训练时间上仍高于Adaptive-BPNN模型,但是它在误差性能指标方面要远比Adaptive-BPNN模型更优,从而验证了DDAE-SVR模型不仅具有强大的计算能力和建模能力,而且在一定程度上证明了它具有良好的预测精度和收敛性。