改进神经网络的大学物理实验教学质量评价
辛建英
摘 要： 针对当前大学物理实验教学质量评价模型存在的局限性，提出改进神经网络大学物理实验教学质量评价模型。对当前大学物理实验教学质量评价研究现状进行分析和探讨，并根据相关研究建立大学物理实验教学质量评价指标体系；采用BP神经网络建立大学物理实验教学质量评价模型，并针对BP神经网络参数优化问题进行改进；最后通过大学物理实验教学质量评价实验对模型的可行性进行测试。结果表明，改进神经网络提高了大学物理实验教学质量的评价精度，评价结果更加科学、可靠，具有广泛的应用前景。
關键词： 大学物理； 实验教学； 质量评价； 神经网络； 指标体系
中图分类号： TN711?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）15?0146?04
Abstract： An improved neural network based teaching quality evaluation model of university physics experiment is proposed according to the limitation existing in teaching quality evaluation model of university physics experiment. The research status of the current university physics experiment teaching quality evaluation is analyzed and discussed. The index system of the university physics experiment teaching quality evaluation was established according to the related research. The BP neural network is adopted to establish the teaching quality evaluation model of university physics experiment. The BP neural network parameter optimization was improved. The feasibility of the model was tested by mean of university physics experiment teaching quality evaluation experiment. The results show that the improved neural network can improve the accuracy of university physics experiment teaching quality evaluation， make the evaluation result more scientific and reliable， and has broad prospect.
Keywords： university physics； experiment teaching； quality evaluation； neural network； indicator system
0 引 言
近年来，随着经济的高速发展，高等教育发生了跨越式发展，招生规模空前扩大，教学资源严重短缺，如何保证教学质量是所有大学面临的问题，其中大学物理实验是一门基础课程，其教学质量对后继许多课程的教学有直接影响，因此建立科学、客观的大学物理实验教学质量评价模型引起了教学管理部门的高度重视[1?2]。
大学物理实验教学质量评价过程受到多种条件的影响，是一个具有众多评价指标的复杂问题[3]。针对大学物理实验教学质量评价问题，许多老师和管理人员对其进行了深入分析，提出了许多可行的大学物理实验教学质量评价模型[4]。最原始的大学物理实验评价模型为专家系统，由许多有大学物理实验教学背景的专家进行估计，得到评价结果，该方法十分繁锁，结果的可信性差，而且评价结果与专家们的自身知识密切相关，导致大学物理实验教学质量评价结果主观性比较严重[5]。随着现代信息技术的发展，出现了模糊理论、灰色关联分析、因子分析等传统统计学理论的大学物理实验教学质量评价模型[3，6?7]，这些方法比较简单，评价效率高，但它们难以找到大学物理实验教学质量评价指标与评价值之间的联系，使得建立大学物理实验教学质量评价模型不理想，评价结果不合理[8]。近年来，随着机器学习理论的研究不断深入，有学者将神经网络、支持向量机等引入到大学物理实验教学质量评价中，它们能够找到大学物理实验教学质量评价指标与结果间的联系，获得较高精度的评价结果，也成为大学物理实验教学质量评价研究的主要工具[9]。尤其是BP神经网络的学习速度快、非线性拟合能力强，在大学物理实验教学质量评价中应用最为广泛，但BP神经网络参数优化是一个待解决的难题，如果参数确定不合理，那么大学物理实验教学质量评价效果大幅度下降。
为了提高大学物理实验教学质量的评价精度，针对传统大学物理实验教学质量评价模型存在的局限性，提出改进神经网络大学物理实验教学质量的评价模型，实验结果表明，改进神经网络提高了大学物理实验教学质量的评价精度，评价结果可以真实反映老师的教学水平，为教学管理者提供一定的参考信息。
1 改进神经网络
1.1 BP神经网络
BP神经网络没有一个固定的结构，通常情况下三层网络可以无限逼近任意的非线性函数，结构如图1所示。
1.2 混沌粒子群优化算法
在BP神经网络的建模过程中，权值和阈值直接影响其性能，为了解决该问题，选择混沌粒子群优化算法（CPSO算法）估计BP神经网络的权值和阈值，以获得更高精度的大学物理实验教学质量评价模型。
设和表示粒子的位置和速度，和为自身粒子和种群的最佳位置，那么当迭代次数为时，粒子对问题求解过程的更新方式为：
1.3 改进神经网络的工作步骤
改进神经网络的工作步骤具体如下：
（1） 初始化粒子群，每一个粒子与BP神经网络的权值和阈值对应。
（2） 对粒子进行反编码，将训练样本输入到BP神经网络进行训练，计算粒子适应度值，根据适应度值得到和适应度值的计算公式为：
（3） 若那么用粒子更新当前最优位置若用粒子更新當前最优位置
（4） 对粒子的速度和位置进行更新操作。
（5） 计算根据计算结果判断是否获得了局部最优解，如果得到了局部最优解，那么对
进行混沌操作，即：
（7） 计算适应度值，采用最优解替换质量差的粒子位置。
（8） 满足结束条件，根据最优粒子位置得到BP神经网络的权值和阈值。
2 改进神经网络的大学物理实验教学质量评价模型
2.1 大学物理实验教学质量评价模型的工作原理
根据专家和相关研究建立大学物理实验教学质量评价指标体系，采用神经网络对训练样本进行学习，建立大学物理实验教学质量评价模型，并采用混沌粒子群优化算法确定BP神经网络的最优权值和阈值，采用大学物理实验教学质量评价的测试样本对模型的有效性进行验证，具体如图2所示。
2.2 大学物理实验教学质量评价指标
根据专家评论和参照相关文献[10]建立如图3所示的大学物理实验教学质量评价指标体系。
由于大学物理实验教学质量评价指标体系的单位不同，值的差异大，影响BP神经网络的学习速度，采用式（12）进行预处理：
式中和为指标的最小值和最大值。
2.3 改进神经网络的大学物理实验教学质量评价步骤
改进神经网络的大学物理实验教学质量评价步骤如下：
（1） 建立大学物理实验教学质量评价指标体系。
（2） 根据大学物理实验教学质量评价指标体系收集数据。
（3） 将训练样本输入到BP神经网络进行训练，并采用混沌粒子群优化算法确定BP神经网络的最优权值和阈值。
（4） 根据最优权值和阈值的BP神经网络再次对训练样本进行学习，建立大学物理实验教学质量评价模型。
（5） 采用具体数据对大学物理实验教学质量评价模型的性能进行分析。
3 仿真实验
3.1 大学物理实验教学质量评价的数据来源
选自某大学的大学物理实验教学质量评价数据，得到2 000个样本，如表1所示。
3.2 结果与分析
将表1中的大学物理实验教学质量评价的数据分为训练样本集和测试样本集两部分。训练样本建立大学物理实验教学质量的评价模型，测试样本的大学物理实验教学质量评价结果如图4所示。从图4可知，大学物理实验教学质量评价精度超过了95%，远远高于大学物理实验教学质量评价的实际应用要求，结果证明改进神经网络的大学物理实验教学质量评价结果可靠、科学、合理，具有较高的实验应用价值。
3.3 与经典模型的结果比较
为了分析本文模型的大学物理实验教学质量评价结果的优越性，选择文献[3，6?7]的评价模型进行对比实验，它们的评价精度如表2所示。对表2的结果进行分析可知，经典模型的大学物理实验教学质量评价精度要低于改进神经网络的大学物理实验教学质量评价精度，这主要是由于本文模型采用混沌粒子群优化算法对神经网络的参数进行优化，解决了神经网络参数确定不合理的缺陷，更加精确地描述了大学物理实验教学过程，获得了高精度的大学物理实验教学质量评价结果。
4 结 语
在大学物理实验教学过程中，受到各种条件的综合影响，导致大学物理实验教学质量变化具有随机性，针对传统模型无法获得高精度的大学物理实验教学质量评价结果，提出改进神经网络的大学物理实验教学质量评价模型，首先建立大学物理实验教学质量评价指标体系，然后采用BP神经网络建立大学物理实验教学质量评价模型，并针对BP神经网络参数优化问题进行改进，最后通过实验对模型的可行性进行测试。结果表明，改进神经网络的大学物理实验教学质量评价值与理想值相差不大，两者之间的偏差小，可以用于实际的大学物理实验教学质量评价，能够为大学物理实验教学管理部门提供科学决策依据。
大学物理实验教学质量评价是一个复杂的过程，仍然有许多问题有待解决，如何确定每一个指标对大学物理实验教学质量评价的影响，提供更加客观的大学物理实验教学质量评价结果是下一步研究的内容。
参考文献
[1] 洪月华.基于模糊综合评价的课堂教学质量数据挖掘[J].计算机科学，2008，35（2）：154?156.
[2] 陈健，孙济庆，吉久明.基于定量方法的外国教学参考书评价研究[J].图书馆论坛，2014，34（3）：34?39.
[3] 马红.运用灰色趋势关联方法评价教学质量[J].武汉理工大学学报，2010，32（15）：181?184.
[4] 刘伟，孙林.基于支持向量机的教学质量评价[J].合肥工业大学学报（自然科学版），2010，33（7）：968?971.
[5] 许敏，王士同.PSO优化的神经网络在教学质量评价中的应用[J].计算机工程与设计，2008，29（20）：5327?5329.
[6] 杨秀平.基于AHP的教学质量评价模型研究[J].实验技术与管理，2009，26（9）：138?141.
[7] 王正武，杜春彦，张瑞平.基于神经网络的课堂教学质量综合评估[J].大学数学，2005，21（3）：1?5.
[8] 杨珍，赵利娜，包苏荣.高校教师教学质量评价方法研究[J].内蒙古农业大学学报，2010，12（1）：92?96.
[9] 范雪扬，陈小卫，马琳，等.基于变精度粗糙集的高校课堂教学质量评价模型[J].数学的实践与认识，2013，43（8）：98?103.
[10] 刘嘉南，胡今鸿，王晓迪.高校实验教学质量保障与评价体系探析与实践[J].实验技术与管理，2013，30（8）：129?131.
摘 要： 针对当前大学物理实验教学质量评价模型存在的局限性，提出改进神经网络大学物理实验教学质量评价模型。对当前大学物理实验教学质量评价研究现状进行分析和探讨，并根据相关研究建立大学物理实验教学质量评价指标体系；采用BP神经网络建立大学物理实验教学质量评价模型，并针对BP神经网络参数优化问题进行改进；最后通过大学物理实验教学质量评价实验对模型的可行性进行测试。结果表明，改进神经网络提高了大学物理实验教学质量的评价精度，评价结果更加科学、可靠，具有广泛的应用前景。
關键词： 大学物理； 实验教学； 质量评价； 神经网络； 指标体系
中图分类号： TN711?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）15?0146?04
Abstract： An improved neural network based teaching quality evaluation model of university physics experiment is proposed according to the limitation existing in teaching quality evaluation model of university physics experiment. The research status of the current university physics experiment teaching quality evaluation is analyzed and discussed. The index system of the university physics experiment teaching quality evaluation was established according to the related research. The BP neural network is adopted to establish the teaching quality evaluation model of university physics experiment. The BP neural network parameter optimization was improved. The feasibility of the model was tested by mean of university physics experiment teaching quality evaluation experiment. The results show that the improved neural network can improve the accuracy of university physics experiment teaching quality evaluation， make the evaluation result more scientific and reliable， and has broad prospect.
Keywords： university physics； experiment teaching； quality evaluation； neural network； indicator system
0 引 言
近年来，随着经济的高速发展，高等教育发生了跨越式发展，招生规模空前扩大，教学资源严重短缺，如何保证教学质量是所有大学面临的问题，其中大学物理实验是一门基础课程，其教学质量对后继许多课程的教学有直接影响，因此建立科学、客观的大学物理实验教学质量评价模型引起了教学管理部门的高度重视[1?2]。
大学物理实验教学质量评价过程受到多种条件的影响，是一个具有众多评价指标的复杂问题[3]。针对大学物理实验教学质量评价问题，许多老师和管理人员对其进行了深入分析，提出了许多可行的大学物理实验教学质量评价模型[4]。最原始的大学物理实验评价模型为专家系统，由许多有大学物理实验教学背景的专家进行估计，得到评价结果，该方法十分繁锁，结果的可信性差，而且评价结果与专家们的自身知识密切相关，导致大学物理实验教学质量评价结果主观性比较严重[5]。随着现代信息技术的发展，出现了模糊理论、灰色关联分析、因子分析等传统统计学理论的大学物理实验教学质量评价模型[3，6?7]，这些方法比较简单，评价效率高，但它们难以找到大学物理实验教学质量评价指标与评价值之间的联系，使得建立大学物理实验教学质量评价模型不理想，评价结果不合理[8]。近年来，随着机器学习理论的研究不断深入，有学者将神经网络、支持向量机等引入到大学物理实验教学质量评价中，它们能够找到大学物理实验教学质量评价指标与结果间的联系，获得较高精度的评价结果，也成为大学物理实验教学质量评价研究的主要工具[9]。尤其是BP神经网络的学习速度快、非线性拟合能力强，在大学物理实验教学质量评价中应用最为广泛，但BP神经网络参数优化是一个待解决的难题，如果参数确定不合理，那么大学物理实验教学质量评价效果大幅度下降。
为了提高大学物理实验教学质量的评价精度，针对传统大学物理实验教学质量评价模型存在的局限性，提出改进神经网络大学物理实验教学质量的评价模型，实验结果表明，改进神经网络提高了大学物理实验教学质量的评价精度，评价结果可以真实反映老师的教学水平，为教学管理者提供一定的参考信息。
1 改进神经网络
1.1 BP神经网络
BP神经网络没有一个固定的结构，通常情况下三层网络可以无限逼近任意的非线性函数，结构如图1所示。
1.2 混沌粒子群优化算法
在BP神经网络的建模过程中，权值和阈值直接影响其性能，为了解决该问题，选择混沌粒子群优化算法（CPSO算法）估计BP神经网络的权值和阈值，以获得更高精度的大学物理实验教学质量评价模型。
设和表示粒子的位置和速度，和为自身粒子和种群的最佳位置，那么当迭代次数为时，粒子对问题求解过程的更新方式为：
1.3 改进神经网络的工作步骤
改进神经网络的工作步骤具体如下：
（1） 初始化粒子群，每一个粒子与BP神经网络的权值和阈值对应。
（2） 对粒子进行反编码，将训练样本输入到BP神经网络进行训练，计算粒子适应度值，根据适应度值得到和适应度值的计算公式为：
（3） 若那么用粒子更新当前最优位置若用粒子更新當前最优位置
（4） 对粒子的速度和位置进行更新操作。
（5） 计算根据计算结果判断是否获得了局部最优解，如果得到了局部最优解，那么对
进行混沌操作，即：
（7） 计算适应度值，采用最优解替换质量差的粒子位置。
（8） 满足结束条件，根据最优粒子位置得到BP神经网络的权值和阈值。
2 改进神经网络的大学物理实验教学质量评价模型
2.1 大学物理实验教学质量评价模型的工作原理
根据专家和相关研究建立大学物理实验教学质量评价指标体系，采用神经网络对训练样本进行学习，建立大学物理实验教学质量评价模型，并采用混沌粒子群优化算法确定BP神经网络的最优权值和阈值，采用大学物理实验教学质量评价的测试样本对模型的有效性进行验证，具体如图2所示。
2.2 大学物理实验教学质量评价指标
根据专家评论和参照相关文献[10]建立如图3所示的大学物理实验教学质量评价指标体系。
由于大学物理实验教学质量评价指标体系的单位不同，值的差异大，影响BP神经网络的学习速度，采用式（12）进行预处理：
式中和为指标的最小值和最大值。
2.3 改进神经网络的大学物理实验教学质量评价步骤
改进神经网络的大学物理实验教学质量评价步骤如下：
（1） 建立大学物理实验教学质量评价指标体系。
（2） 根据大学物理实验教学质量评价指标体系收集数据。
（3） 将训练样本输入到BP神经网络进行训练，并采用混沌粒子群优化算法确定BP神经网络的最优权值和阈值。
（4） 根据最优权值和阈值的BP神经网络再次对训练样本进行学习，建立大学物理实验教学质量评价模型。
（5） 采用具体数据对大学物理实验教学质量评价模型的性能进行分析。
3 仿真实验
3.1 大学物理实验教学质量评价的数据来源
选自某大学的大学物理实验教学质量评价数据，得到2 000个样本，如表1所示。
3.2 结果与分析
将表1中的大学物理实验教学质量评价的数据分为训练样本集和测试样本集两部分。训练样本建立大学物理实验教学质量的评价模型，测试样本的大学物理实验教学质量评价结果如图4所示。从图4可知，大学物理实验教学质量评价精度超过了95%，远远高于大学物理实验教学质量评价的实际应用要求，结果证明改进神经网络的大学物理实验教学质量评价结果可靠、科学、合理，具有较高的实验应用价值。
3.3 与经典模型的结果比较
为了分析本文模型的大学物理实验教学质量评价结果的优越性，选择文献[3，6?7]的评价模型进行对比实验，它们的评价精度如表2所示。对表2的结果进行分析可知，经典模型的大学物理实验教学质量评价精度要低于改进神经网络的大学物理实验教学质量评价精度，这主要是由于本文模型采用混沌粒子群优化算法对神经网络的参数进行优化，解决了神经网络参数确定不合理的缺陷，更加精确地描述了大学物理实验教学过程，获得了高精度的大学物理实验教学质量评价结果。
4 结 语
在大学物理实验教学过程中，受到各种条件的综合影响，导致大学物理实验教学质量变化具有随机性，针对传统模型无法获得高精度的大学物理实验教学质量评价结果，提出改进神经网络的大学物理实验教学质量评价模型，首先建立大学物理实验教学质量评价指标体系，然后采用BP神经网络建立大学物理实验教学质量评价模型，并针对BP神经网络参数优化问题进行改进，最后通过实验对模型的可行性进行测试。结果表明，改进神经网络的大学物理实验教学质量评价值与理想值相差不大，两者之间的偏差小，可以用于实际的大学物理实验教学质量评价，能够为大学物理实验教学管理部门提供科学决策依据。
大学物理实验教学质量评价是一个复杂的过程，仍然有许多问题有待解决，如何确定每一个指标对大学物理实验教学质量评价的影响，提供更加客观的大学物理实验教学质量评价结果是下一步研究的内容。
参考文献
[1] 洪月华.基于模糊综合评价的课堂教学质量数据挖掘[J].计算机科学，2008，35（2）：154?156.
[2] 陈健，孙济庆，吉久明.基于定量方法的外国教学参考书评价研究[J].图书馆论坛，2014，34（3）：34?39.
[3] 马红.运用灰色趋势关联方法评价教学质量[J].武汉理工大学学报，2010，32（15）：181?184.
[4] 刘伟，孙林.基于支持向量机的教学质量评价[J].合肥工业大学学报（自然科学版），2010，33（7）：968?971.
[5] 许敏，王士同.PSO优化的神经网络在教学质量评价中的应用[J].计算机工程与设计，2008，29（20）：5327?5329.
[6] 杨秀平.基于AHP的教学质量评价模型研究[J].实验技术与管理，2009，26（9）：138?141.
[7] 王正武，杜春彦，张瑞平.基于神经网络的课堂教学质量综合评估[J].大学数学，2005，21（3）：1?5.
[8] 杨珍，赵利娜，包苏荣.高校教师教学质量评价方法研究[J].内蒙古农业大学学报，2010，12（1）：92?96.
[9] 范雪扬，陈小卫，马琳，等.基于变精度粗糙集的高校课堂教学质量评价模型[J].数学的实践与认识，2013，43（8）：98?103.
[10] 刘嘉南，胡今鸿，王晓迪.高校实验教学质量保障与评价体系探析与实践[J].实验技术与管理，2013，30（8）：129?131.
