摘 要：基于對人工神經(jīng)網(wǎng)絡(luò)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(biāo)體系。該系統(tǒng)應(yīng)用三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)計(jì)出能模擬專家進(jìn)行評價的計(jì)算機(jī)輔助評價模型，可以彌補(bǔ)評價過程中的人為失誤。
 關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);CELTS;網(wǎng)絡(luò)課程

　　教育部教育信息化技術(shù)標(biāo)準(zhǔn)委員會發(fā)布的CELTS-22，即網(wǎng)絡(luò)課程評價規(guī)范，對網(wǎng)絡(luò)課程的規(guī)范化起到了極大的作用。網(wǎng)絡(luò)課程評價對象含有的多種屬性從不同側(cè)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(biāo)準(zhǔn)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(biāo)體系作為示范，設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)模型，并給出可行的評價程序。在計(jì)算方法上，用Matlab的神經(jīng)網(wǎng)絡(luò)工具箱(NNT)來進(jìn)行網(wǎng)絡(luò)設(shè)計(jì)和計(jì)算。通過大量樣本的訓(xùn)練和測試，模型的誤差在預(yù)定的范圍內(nèi)。
1 建立基于BP神經(jīng)網(wǎng)絡(luò)的評價模型
1.1 BP神經(jīng)網(wǎng)絡(luò)原理簡介
　　BP人工神經(jīng)網(wǎng)是Rmenlhart、McClelland等[3]研究并設(shè)計(jì)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(luò)。在人工神經(jīng)網(wǎng)絡(luò)發(fā)展歷史中，在很長一段時間內(nèi)沒有找到隱層的連接權(quán)值調(diào)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(luò)權(quán)重調(diào)整的問題。
　　它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層(input）、隱層(hide layer)和輸出層(output layer)。其結(jié)構(gòu)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(xùn)練集；
　　(2)權(quán)值、閥值初始化，即對神經(jīng)網(wǎng)絡(luò)中所有的權(quán)值閥值進(jìn)行初始化，初始值通常設(shè)為(－1，1)之間的隨機(jī)數(shù)；
　　(3)將作為輸入層的數(shù)據(jù)按照各個連接權(quán)重的大小加權(quán)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(quán)重的大小加權(quán)輸入至輸出層的激活函數(shù)，計(jì)算出輸出層的輸出結(jié)果；
　　(4)如果輸出結(jié)果與預(yù)期的結(jié)果有誤差，則計(jì)算訓(xùn)練誤差；
　　(5)調(diào)整權(quán)值和閾值；
　　(6)按新權(quán)值與閾值計(jì)算各層的輸出，直至訓(xùn)練集滿足停止條件為止。
1.2 評價指標(biāo)體系的選取
　　2002年教育部教育信息化技術(shù)標(biāo)準(zhǔn)委員會發(fā)布了網(wǎng)絡(luò)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(luò)課程的質(zhì)量特性：（1）課程內(nèi)容：指課程內(nèi)容本身的學(xué)術(shù)質(zhì)量和組織結(jié)構(gòu)，這是決定網(wǎng)絡(luò)課程質(zhì)量的核心要素；（2）教學(xué)設(shè)計(jì)：指對課程的教學(xué)目標(biāo)、教學(xué)過程及教學(xué)測評方法的合理設(shè)計(jì)，這是決定網(wǎng)絡(luò)課程質(zhì)量的關(guān)鍵，是網(wǎng)絡(luò)課程區(qū)別于一般網(wǎng)絡(luò)軟件的特色所在；（3）界面設(shè)計(jì)：指對學(xué)習(xí)者與網(wǎng)絡(luò)課程系統(tǒng)之間的信息交流方式的設(shè)計(jì)，簡便易用的人性化的界面設(shè)計(jì)是決定網(wǎng)絡(luò)課程質(zhì)量的另一個重要因素；（4）技術(shù)：可靠、適當(dāng)?shù)募夹g(shù)是網(wǎng)絡(luò)課程質(zhì)量的前提和基本保障。每個維度下包含有具體的評價指標(biāo)。課程內(nèi)容維度有7 條指標(biāo)，用以評價課程內(nèi)容本身的質(zhì)量及組織結(jié)構(gòu)。教學(xué)設(shè)計(jì)維度有14 條指標(biāo)，用來衡量網(wǎng)絡(luò)課程的教學(xué)目標(biāo)設(shè)計(jì)、教學(xué)過程策略設(shè)計(jì)和測評方法設(shè)計(jì)。界面設(shè)計(jì)維度有9 條指標(biāo)，用來評價影響網(wǎng)絡(luò)課程的易用性的要素。技術(shù)維度有6 條指標(biāo)，用來評價所采用技術(shù)的可靠性和適當(dāng)性。整個規(guī)范共包括了36條評價指標(biāo)，共包含20個M(must)必選項(xiàng)，16個(Option)可選項(xiàng)，其中所有M項(xiàng)必須全部通過才算合格。
　　基礎(chǔ)指標(biāo)數(shù)量多、各指標(biāo)之間仍然會有復(fù)雜的耦合，因此網(wǎng)絡(luò)課程指標(biāo)體系與網(wǎng)絡(luò)課程的質(zhì)量之間是一個復(fù)雜的非線性關(guān)系。人工神經(jīng)網(wǎng)絡(luò)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(fù)雜網(wǎng)絡(luò)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(fù)雜關(guān)系[5]。筆者主要以CELTS-22規(guī)范中的第一個一級指標(biāo)，即“課程內(nèi)容”中的若干二級指標(biāo)作為訓(xùn)練樣本，以其他的一級指標(biāo)中的若干二級指標(biāo)作為測試樣本。
2 BP神經(jīng)網(wǎng)絡(luò)的層次設(shè)計(jì)
2.1 基于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)課程質(zhì)量模型設(shè)計(jì)
　　以一級指標(biāo)“課程內(nèi)容”中的7個子指標(biāo)作為輸入層，輸出層為“課程內(nèi)容質(zhì)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(guān)系[6]。其經(jīng)驗(yàn)計(jì)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(shí)際網(wǎng)絡(luò)設(shè)計(jì)中，根據(jù)收斂速度、設(shè)定精度進(jìn)行進(jìn)一步的調(diào)整[8]。設(shè)計(jì)好的評價的模型如圖2所示。

2.2 評價指標(biāo)歸一化處理
　　在BP神經(jīng)網(wǎng)絡(luò)的課程內(nèi)容質(zhì)量模型中，輸入層的7個輸入指標(biāo)在進(jìn)行訓(xùn)練之前首先應(yīng)進(jìn)行歸一化處理。其中前4個指標(biāo)為M (must)必選項(xiàng)，后3個為( Option)可選項(xiàng)。
　　根據(jù)要求，M選項(xiàng)必須達(dá)到要求，所以將前4個M指標(biāo)歸一化處理中只要樣本中有一個不達(dá)標(biāo)(即樣本中有的M指標(biāo)小于1.0)，則該項(xiàng)子標(biāo)的專家期望值都為0.0。后3個(Option)可選項(xiàng)可用實(shí)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(luò)課程質(zhì)量認(rèn)證標(biāo)準(zhǔn)。課程對可選指標(biāo)選項(xiàng)的符合程度越高，分值也越接近這一指標(biāo)的滿分。任何課程必須達(dá)到一定量的可選項(xiàng)要求，才有可能通過認(rèn)證[9]。所以筆者將專家期望值計(jì)算方法設(shè)為：情況一，M項(xiàng)中至少有一個小于1，則專家期望值為0.0；情況二，當(dāng)M項(xiàng)中全為1.0時，專家期值T為：
　　

　　其中a、b、c分別代表內(nèi)容編排、內(nèi)容鏈接、資源擴(kuò)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(xiàng)與O項(xiàng)的不同約束性的不同權(quán)重的考慮采用以上公式計(jì)算，保持與我國現(xiàn)行網(wǎng)絡(luò)課程質(zhì)量認(rèn)證標(biāo)準(zhǔn)的統(tǒng)一性。
2.3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法分析
　　在進(jìn)行BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)時，應(yīng)從網(wǎng)絡(luò)的層數(shù)、每層中的神經(jīng)元數(shù)、初始值及學(xué)習(xí)速率等幾個方面進(jìn)行考慮。已經(jīng)證明：三層BP神經(jīng)網(wǎng)絡(luò)可以實(shí)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(jié)構(gòu)設(shè)計(jì)，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(jì)算機(jī)可以得到隱含層的神經(jīng)元數(shù)初值，可以設(shè)為4。
　　采用Matlab7.0神經(jīng)網(wǎng)絡(luò)工具箱對網(wǎng)絡(luò)進(jìn)行訓(xùn)練時，實(shí)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(yīng)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(xùn)練方法選擇上考慮了訓(xùn)練速率問題。有自適應(yīng)lr的梯度下降法就能夠自適應(yīng)調(diào)整學(xué)習(xí)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(yīng)lr的梯度下降法（traingda），并設(shè)學(xué)習(xí)速率為lr=0.06。
2.4 最優(yōu)隱層數(shù)分析
　　盡管由經(jīng)驗(yàn)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(luò)工具箱對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到訓(xùn)練誤差達(dá)到了精度要求時，訓(xùn)練停止。可以算出不同隱層數(shù)的訓(xùn)練實(shí)際步數(shù)以及最大誤差值。給定的學(xué)習(xí)精度為e=0. 01，對隱含層數(shù)進(jìn)行測試，得到如表1所示測試結(jié)果。

　　通過表1可以看出當(dāng)隱含層數(shù)為5步時，其訓(xùn)練誤差最小，且所需訓(xùn)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(jié)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(xùn)練方法、隱含層數(shù)、學(xué)習(xí)精度進(jìn)行訓(xùn)練。訓(xùn)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(xùn)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(zhuǎn)置
　　net=newff(minmax(p)，[5，1]，{'tansig'，'purelin'}，'traingda');           %訓(xùn)練函數(shù)
　　net.trainParam.show = 100;       　　　　　　　　　　　　　　　 %每步顯示100步
　　net.trainParam.lr = 0.06;   　　　　　　　　　　　　　　　　　　    %學(xué)習(xí)速率
　　net.trainParam.epochs = 5500;    　　　　　　　　　　　　　　　 %最大訓(xùn)練步數(shù)
　　net.trainParam.goal = 1e-3;     　　　　　　　　　　　　　　　　　　  %學(xué)習(xí)精度
　　[net，tr]=train(net，p，t);    　　　　　　　　　　　　　　　　　　　　  %進(jìn)行訓(xùn)練
　　p=sim(net，p);
　　shiji=p         　　　　　　　　　　　　　　　　　　　　　　　　　%實(shí)際訓(xùn)練結(jié)果顯示
　　wucha=p-t          　　　　　　　　　　　　　　　　　　　　　　　　　  %計(jì)算機(jī)誤差
　　abs(wucha)         　　　　　　　　　　　　　　　　　　　　　　　　%取誤差絕對值
　　max(wucha(:))       　　　　　　　　　　　　　　　　　　　　　　　　 %求最大誤差值
　　程序運(yùn)行后得相關(guān)結(jié)果及學(xué)習(xí)過程圖如圖3所示。

　　從圖中可以看出運(yùn)行152步以后網(wǎng)絡(luò)訓(xùn)練完成。
　　對程序結(jié)果歸納后得到表2所示內(nèi)容。

　　從表中可以看出當(dāng)BP神經(jīng)網(wǎng)絡(luò)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(xùn)練結(jié)果可以看出，運(yùn)用該BP神經(jīng)網(wǎng)絡(luò)模型能較為精確地模擬專家進(jìn)網(wǎng)絡(luò)課程的內(nèi)容質(zhì)量評價，能較好地反映專家結(jié)論，從而避免了專家的重復(fù)勞動，并減少人為因素導(dǎo)致的誤差?？梢越柚朔椒ㄟM(jìn)一步對網(wǎng)絡(luò)課程其他的指標(biāo)進(jìn)行評價，也可將其他指標(biāo)進(jìn)行綜合作為輸入神經(jīng)元，最終得到多個輸出評價結(jié)果。
參考文獻(xiàn)
[1] 胡水星.基于模糊理論的網(wǎng)絡(luò)課程評價系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].  電化教育研究，2006，（6）:52.
[2] 陶勇，楊貫中，也婷.CELTS.10標(biāo)準(zhǔn)一致性測試系統(tǒng)[J].計(jì)算機(jī)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(shè)計(jì)與應(yīng)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(luò)的交通流量預(yù)測設(shè)計(jì)[J].西南科技大學(xué)學(xué)報(bào)，2008，23(2):73.
[7] 胡守仁.神經(jīng)網(wǎng)絡(luò)應(yīng)用技術(shù)[M].長沙:國防科技大學(xué)出版社，1993.
[8] 奚麗波，孟凡芹，黃永平.基于BP網(wǎng)絡(luò)的物資保障能力評價方法的研究[C].第三屆全國決策科學(xué)/多目標(biāo)決策研討會論文，成都，2005.
[9] 張會杰，聶鋼.網(wǎng)絡(luò)課程質(zhì)量認(rèn)證標(biāo)準(zhǔn)的研究初探[J].現(xiàn)代遠(yuǎn) 距離教育，2004，(1):55.
[10] 楊淑瑩.模式識別與智能計(jì)算機(jī)-Matlab技術(shù)實(shí)現(xiàn)[M].北京: 電子工業(yè)出版社，2008.