摘 要：基于對人工神經(jīng)網(wǎng)絡和CELTS-22的研究，建立了以CELTS-22中主要評價規(guī)范為參照的指標體系。該系統(tǒng)應用三層BP神經(jīng)網(wǎng)絡結構，設計出能模擬專家進行評價的計算機輔助評價模型，可以彌補評價過程中的人為失誤。
關鍵詞：BP神經(jīng)網(wǎng)絡;CELTS;網(wǎng)絡課程
教育部教育信息化技術標準委員會發(fā)布的CELTS-22，即網(wǎng)絡課程評價規(guī)范，對網(wǎng)絡課程的規(guī)范化起到了極大的作用。網(wǎng)絡課程評價對象含有的多種屬性從不同側面反映了評價對象的不同特征，而這些特征往往又帶有一定程度的模糊性[1]，且標準本身是用自然語言描述的，存在很大的二義性[2]，從而在人為評價過程中，難免會出現(xiàn)人為失誤，很難保證評價的一致性。評價模型固然重要，而保證評價的客觀性和一致性卻是作為一種評價規(guī)范的根本。筆者根據(jù)CELTS-22規(guī)范選取指標體系作為示范，設計BP神經(jīng)網(wǎng)絡模型，并給出可行的評價程序。在計算方法上，用Matlab的神經(jīng)網(wǎng)絡工具箱(NNT)來進行網(wǎng)絡設計和計算。通過大量樣本的訓練和測試，模型的誤差在預定的范圍內。
1 建立基于BP神經(jīng)網(wǎng)絡的評價模型
1.1 BP神經(jīng)網(wǎng)絡原理簡介
BP人工神經(jīng)網(wǎng)是Rmenlhart、McClelland等[3]研究并設計的基于誤差反向傳遞算法(Back-propagation) 的一種多層前饋型神經(jīng)網(wǎng)絡。在人工神經(jīng)網(wǎng)絡發(fā)展歷史中，在很長一段時間內沒有找到隱層的連接權值調整問題的有效算法，直到誤差反向傳播算法(BP算法）的提出，才成功地解決了求解非線性連續(xù)函數(shù)的多層前饋神經(jīng)網(wǎng)絡權重調整的問題。
它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調整網(wǎng)絡的權值和閾值，使網(wǎng)絡的誤差平方和最小。BP神經(jīng)網(wǎng)絡模型拓撲結構包括輸入層(input）、隱層(hide layer)和輸出層(output layer)。其結構示意圖如圖1所示。
BP算法具體過程可歸納如下[4]：
(1)選定u個樣本，作為訓練集；
(2)權值、閥值初始化，即對神經(jīng)網(wǎng)絡中所有的權值閥值進行初始化，初始值通常設為(－1，1)之間的隨機數(shù)；
(3)將作為輸入層的數(shù)據(jù)按照各個連接權重的大小加權輸入至隱含層的激活函數(shù)，然后再得到新的值，按照各個連接權重的大小加權輸入至輸出層的激活函數(shù)，計算出輸出層的輸出結果；
(4)如果輸出結果與預期的結果有誤差，則計算訓練誤差；
(5)調整權值和閾值；
(6)按新權值與閾值計算各層的輸出，直至訓練集滿足停止條件為止。
1.2 評價指標體系的選取
2002年教育部教育信息化技術標準委員會發(fā)布了網(wǎng)絡課程評價規(guī)范，規(guī)范從以下4個基本維度來評價網(wǎng)絡課程的質量特性：（1）課程內容：指課程內容本身的學術質量和組織結構，這是決定網(wǎng)絡課程質量的核心要素；（2）教學設計：指對課程的教學目標、教學過程及教學測評方法的合理設計，這是決定網(wǎng)絡課程質量的關鍵，是網(wǎng)絡課程區(qū)別于一般網(wǎng)絡軟件的特色所在；（3）界面設計：指對學習者與網(wǎng)絡課程系統(tǒng)之間的信息交流方式的設計，簡便易用的人性化的界面設計是決定網(wǎng)絡課程質量的另一個重要因素；（4）技術：可靠、適當?shù)募夹g是網(wǎng)絡課程質量的前提和基本保障。每個維度下包含有具體的評價指標。課程內容維度有7 條指標，用以評價課程內容本身的質量及組織結構。教學設計維度有14 條指標，用來衡量網(wǎng)絡課程的教學目標設計、教學過程策略設計和測評方法設計。界面設計維度有9 條指標，用來評價影響網(wǎng)絡課程的易用性的要素。技術維度有6 條指標，用來評價所采用技術的可靠性和適當性。整個規(guī)范共包括了36條評價指標，共包含20個M(must)必選項，16個(Option)可選項，其中所有M項必須全部通過才算合格。
基礎指標數(shù)量多、各指標之間仍然會有復雜的耦合，因此網(wǎng)絡課程指標體系與網(wǎng)絡課程的質量之間是一個復雜的非線性關系。人工神經(jīng)網(wǎng)絡由大量簡單的神經(jīng)元廣泛連接而成，可用以模擬人腦思維方式的復雜網(wǎng)絡系統(tǒng)，還可以充分利用積累的各種信息以非線性系統(tǒng)來表示輸入、輸出之間的復雜關系[5]。筆者主要以CELTS-22規(guī)范中的第一個一級指標，即“課程內容”中的若干二級指標作為訓練樣本，以其他的一級指標中的若干二級指標作為測試樣本。
2 BP神經(jīng)網(wǎng)絡的層次設計
2.1 基于BP神經(jīng)網(wǎng)絡的網(wǎng)絡課程質量模型設計
以一級指標“課程內容”中的7個子指標作為輸入層，輸出層為“課程內容質量”，隱層單元數(shù)目與問題的要求、輸入和輸出單元的數(shù)目都有著直接關系[6]。其經(jīng)驗計算公式為[7]：
在式(1)中，n和m為輸入單元個數(shù)和輸出單元個數(shù);L為隱含層單元個數(shù)。在實際網(wǎng)絡設計中，根據(jù)收斂速度、設定精度進行進一步的調整[8]。設計好的評價的模型如圖2所示。
2.2 評價指標歸一化處理
在BP神經(jīng)網(wǎng)絡的課程內容質量模型中，輸入層的7個輸入指標在進行訓練之前首先應進行歸一化處理。其中前4個指標為M (must)必選項，后3個為( Option)可選項。
根據(jù)要求，M選項必須達到要求，所以將前4個M指標歸一化處理中只要樣本中有一個不達標(即樣本中有的M指標小于1.0)，則該項子標的專家期望值都為0.0。后3個(Option)可選項可用實際值除以最高要求值，使之在[0，1]之間，專家期望值可根據(jù)根據(jù)我國現(xiàn)行網(wǎng)絡課程質量認證標準。課程對可選指標選項的符合程度越高，分值也越接近這一指標的滿分。任何課程必須達到一定量的可選項要求，才有可能通過認證[9]。所以筆者將專家期望值計算方法設為：情況一，M項中至少有一個小于1，則專家期望值為0.0；情況二，當M項中全為1.0時，專家期值T為：
其中a、b、c分別代表內容編排、內容鏈接、資源擴展的樣本值。這樣，一方面保證了專家期望值在[0，1]之間；另一方面，針對M項與O項的不同約束性的不同權重的考慮采用以上公式計算，保持與我國現(xiàn)行網(wǎng)絡課程質量認證標準的統(tǒng)一性。
2.3 BP神經(jīng)網(wǎng)絡訓練方法分析
在進行BP神經(jīng)網(wǎng)絡設計時，應從網(wǎng)絡的層數(shù)、每層中的神經(jīng)元數(shù)、初始值及學習速率等幾個方面進行考慮。已經(jīng)證明：三層BP神經(jīng)網(wǎng)絡可以實現(xiàn)多維單位立方Rm~Rn的映射，即能夠逼近任何有理函數(shù)[10]。因此，筆者采用三層結構設計，并且優(yōu)先考慮增加隱含層中的神經(jīng)元數(shù)。根據(jù)公式(1)計算機可以得到隱含層的神經(jīng)元數(shù)初值，可以設為4。
采用Matlab7.0神經(jīng)網(wǎng)絡工具箱對網(wǎng)絡進行訓練時，實現(xiàn)方法有很多種，常用的有梯度下降法（traingd）、動量的梯度下降法（traingdm）和自適應lr的梯度下降法（traingda）等。前面已考慮到了層次數(shù)以及隱層神經(jīng)元個數(shù)，因此在訓練方法選擇上考慮了訓練速率問題。有自適應lr的梯度下降法就能夠自適應調整學習速率，從而增加穩(wěn)定性，提高速度精度。因此，筆者選用有自適應lr的梯度下降法（traingda），并設學習速率為lr=0.06。
2.4 最優(yōu)隱層數(shù)分析
盡管由經(jīng)驗公式（1）可以確定隱含層數(shù)，但為了更為精確地確定最優(yōu)隱含層次數(shù)，采用Matlab7.0神經(jīng)網(wǎng)絡工具箱對網(wǎng)絡進行訓練，直到訓練誤差達到了精度要求時，訓練停止?？梢运愠霾煌[層數(shù)的訓練實際步數(shù)以及最大誤差值。給定的學習精度為e=0. 01，對隱含層數(shù)進行測試，得到如表1所示測試結果。
通過表1可以看出當隱含層數(shù)為5步時，其訓練誤差最小，且所需訓練步數(shù)最少。因此，采用的隱層神經(jīng)元個數(shù)為5個。
2.5 程序代碼及結果分析
模擬專家打分得到10組樣本，對樣本按照公式（2）以及前面所述方法歸一化。利用前面所確定的訓練方法、隱含層數(shù)、學習精度進行訓練。訓練程序及代碼說明如下：
p=[1 1 1 1 0.9 0.8 0.7;1 1 1 1 0.7 0.8 0.6; 1 1 1 1 0.5 0.6 0.7;1 1 0 1 0.5 0.6 0.7;1 1 1 1 0.5 0.4 0.3;1 1 1 0 0.5 0.6 0.7;1 1 1 1 0.4 0.6 0.5; 1 1 1 1 0.1 0.3 0.2;1 0 1 1 0.8 0.9 0.9; 1 1 1 1 0.75 0.9 0.9]; %輸入訓練樣本
t=[0.9;0.85;0.8;0;0.7;0;0.75;0.6;0;0.925]; %期望輸出樣本
p=p';t=t'; %樣本矩陣轉置
net=newff(minmax(p)，[5，1]，{'tansig'，'purelin'}，'traingda'); %訓練函數(shù)
net.trainParam.show = 100; %每步顯示100步
net.trainParam.lr = 0.06; %學習速率
net.trainParam.epochs = 5500; %最大訓練步數(shù)
net.trainParam.goal = 1e-3; %學習精度
[net，tr]=train(net，p，t); %進行訓練
p=sim(net，p);
shiji=p %實際訓練結果顯示
wucha=p-t %計算機誤差
abs(wucha) %取誤差絕對值
max(wucha(:)) %求最大誤差值
程序運行后得相關結果及學習過程圖如圖3所示。
從圖中可以看出運行152步以后網(wǎng)絡訓練完成。
對程序結果歸納后得到表2所示內容。
從表中可以看出當BP神經(jīng)網(wǎng)絡隱層神經(jīng)元個數(shù)為5時，測試最大誤差為0.047 8，最小誤差為0.006 3，基本上控制在0.6%~5%之間，誤差相對人工測試評價，小很多。
通過訓練結果可以看出，運用該BP神經(jīng)網(wǎng)絡模型能較為精確地模擬專家進網(wǎng)絡課程的內容質量評價，能較好地反映專家結論，從而避免了專家的重復勞動，并減少人為因素導致的誤差?？梢越柚朔椒ㄟM一步對網(wǎng)絡課程其他的指標進行評價，也可將其他指標進行綜合作為輸入神經(jīng)元，最終得到多個輸出評價結果。
參考文獻
[1] 胡水星.基于模糊理論的網(wǎng)絡課程評價系統(tǒng)設計與實現(xiàn)[J]. 電化教育研究，2006，（6）:52.
[2] 陶勇，楊貫中，也婷.CELTS.10標準一致性測試系統(tǒng)[J].計算機工程，2004，30(20):101.
[3] HARRIS J M.Carrying capacity in agriculture:global and regio-nal issue[J].Economics，1999，l29(3) : 443 - 461.
[4] 陳京民. 數(shù)據(jù)倉庫原理、設計與應用[M].北京：中國水利水電出版社，2004:163-164.
[5] HECHT N. Theory of the back propagation neural network[A]. International Joint conference on Neural network[A]，New York，F(xiàn)eb. 1989：875-878.
[6] 申慧，劉知貴，李春菊.基于BP神經(jīng)網(wǎng)絡的交通流量預測設計[J].西南科技大學學報，2008，23(2):73.
[7] 胡守仁.神經(jīng)網(wǎng)絡應用技術[M].長沙:國防科技大學出版社，1993.
[8] 奚麗波，孟凡芹，黃永平.基于BP網(wǎng)絡的物資保障能力評價方法的研究[C].第三屆全國決策科學/多目標決策研討會論文，成都，2005.
[9] 張會杰，聶鋼.網(wǎng)絡課程質量認證標準的研究初探[J].現(xiàn)代遠 距離教育，2004，(1):55.
[10] 楊淑瑩.模式識別與智能計算機-Matlab技術實現(xiàn)[M].北京: 電子工業(yè)出版社，2008.