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:
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:
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