主成分分析与BP网络结合的教学质量评价.pdf

《主成分分析与BP网络结合的教学质量评价.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、《自动化技术与应用》2016年第35卷第4期控制理论与应用ControlTheowandApplications主成分分析与BP网络结合的教学质量评价★胡帅，顾艳，曲巍巍(渤海大学大学外语教研部，辽宁锦州121013)摘要：为了进一步提高教学质量评价精度，提出了一种基于主成分分析和BP神经网络相结合的教学质量评价模型。首先利用主成分分析对教学质量评价体系中的12个评价指标的原始特征变量进行分析，然后作数据降维处理，提取出前4个主成分，再以这些主成分作为BP神经网络的输入，构建了3层神经网络评价模型。仿真结果表明：与标准BP神经网络相比，

2、PeA—BP网络模型的结构更为简化，收敛速度更快，评价精度更高且泛化能力强。关键词：主成分分析；BP神经网络；教学质量；评价模型中图分类号：G434文献标识码：A文章编号：1003—724l(2016)04—00l0—05TeachingQualityEvaluationModelBasedonPrincipalComponentAnalysisandBPNeuralNetworkHUShuai，GUYan，QUWei-wei(TeachingandResearchInstituteofForeignLanguages，BohaiUni

3、versity,Jinzhou121013China)Abstract：Toincreasetheprecisionofteachingqualityevaluation，ateachingqualityevaluationmodelbasedonprincipalcomponentanalysis(PCA)andBPneuralnetworkisproposedinthispaper．PCAisusedtoanalyzetheoriginalcharactervariablesofthe12indexesinthesystem．The

4、first4principalcomponentsareextractedafterdatadimensionreduction．ThecomponentsareputintotheBPneuralnetworkandathree-layeredneuralnetworkassessmentmodelisbuilt．ThesimulationresultshowsthatcomparedwithstandardBPneuralnetwork，PeA—BPnetworkmodelhassimplerstructure，fasterconv

5、ergencerateandbeRergeneralizationability．Keywords：principalcomponentanalysis；BPneuralnetwork；teachingquality；evaluationmodel1引言成分分析(PrincipalComponentAnalysis，PeA)对复随着人工智能技术的不断发展，近年来，BP神经网杂的评价体系作数据降维处理，将提取到的前4个主成络被广泛应用于高校教学质量的评价当中。目前大多数分作为BP网络的输入，构建了PCA-BP网络模型，并的研究成果都关注于

6、如何构建BP网络评价模型以及如和标准BP网络模型作对比，验证PCA-BP网络模型的何对BP网络结构参数进行优化，尽管BP网络具有强有效性。大的非线性映射能力，但BP网络自身收敛速度慢、易陷入局部极小值等缺点仍未从根本上得到解决u】。如果2主成分分析理论基础能够从BP神经网络输入神经元的数目人手，在尽可能主成分分析可以对原始数据中的多个相关变量进行多地保留原始特征信息的情况下，将复杂的指标体系作转换，生成较少的、互不相关的且正交的综合变量，从降维处理，对BP网络的输入层和隐含层结构进行优化而降低原始数据中多余信息干扰，在尽可能多地保存多将

7、会大幅提升网络的学习能力和预测精度。本文运用主维数据集信息的前提下，提取原始数据的核心信息叫：(1)初始数据标准化。设有原始样本矩阵x(x)，n·基金项目：辽宁省社会科学基金资助项目(编号LI4CYY022)为样本个数，P为每个样本对应的评价指标。用均值标收稿El期：2Ol5-05-11准差标准化方法对原始样本矩阵进行标准化处理，具体控制理论与应用自动化技术与应用》2016年第35卷第4期ControlTheo~andApplications方法如式(1)所示，Xj与oj为原始矩阵中第j个评价指标的均值与标准差，标准化的样本矩阵如式(2

8、)所示。巨(<(4)求主成分得分系数矩阵(新的样本矩阵)。将主抱=X2z-7C223C23-．．OC2p成分系数矩阵与经过标准化处理后的样本矩阵按照式(7)相乘即可求得新的样本矩阵。(2)计算评价指标的相关