数学建模系列(三)-评价模型(六)---神经网络评价

该博客介绍了如何使用BP神经网络进行教学评价。通过设置输入层(10个教学指标)、输出层(1个评价结果)和1层隐含层(8个神经元),并调整学习率和误差最小值,训练网络以实现教学质量的精确评价。通过实例展示,经过5116次训练达到预期误差,验证了模型的有效性。
摘要由CSDN通过智能技术生成

神经网络我们在里面讲过多次,目前讲一下他的评价上的应用:

在这里插入图片描述
在这里插入图片描述
入层反传,周而复始,直至误差达到期望最小,认为网络训练成功。之后就可以利用训练好的网络处理新的教学质量指标,得到准确的教学质量评价结果。
BP神经网络逻辑结构图如下:
在这里插入图片描述
2、接下来给一个应用实例:
教学评价指标(每个指标打分范围0-10)
(1) 输入层神经元个数的确定
根据我们调查中的的教学评价指标, 一共有10个指标, 可将这10个指标作为模型的输入神经元, 所以输入层神经元个数n= 10.
(2) 输出层神经元个数的确定
我们将评价结果作为网络的输出, 输出层个数m=1
(3) 网络隐含层数的确定
隐含层可以是一层也可以是多层,根据之前的理论证明,在对教学质量评价模型中, 我们选择隐含层为1层
(4) 隐含层神经元个数的确定
一般情况下, 隐含层神经元个数是根据网络收敛性能的好坏来确定的。隐含层神经元个数过少可能训练不出网络或者网络不够强壮, 但隐含层神经元个数过多, 又会使学习时间过长, 误差也不一定最佳, 因此存在一个如何确定合适的隐含层神经元个数的问题。一般可以采用试凑法, 通过比较网络输出值与期望输出值之间

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值