论文部分内容阅读
［摘要］文章利用神经网络方法建立了教育信息资源管理评估系统的数学模型。为了确保教育信息资源管理评估的科学性和合理性，该研究将评价指标作为神经网络的输入，将教育信息资源的管理效益作为输出，基于最小二乘法原理，运用梯度搜索技术，力图使网络的实际输出值与期望输出值的误差均方值达到最小。经仿真分析，所建立的数学模型较好地拟合了高校教育信息资源管理的实践状况，具有较好的辨识精度。
［关键词］神经网络教育信息资源管理评价模型仿真
［作者简介］蒋鸣（1957- ），男，上海第二工业大学人文学院副院长，副研究员，主要研究方向为高等教育、继续教育和职业教育。（上海200060）
［中图分类号］G647［文献标识码］A［文章编号］1004-3985（2010）36-0056-02
一、引言
随着信息技术的发展，高校教育信息资源在高校的教学过程中发挥着越来越重要的作用。但是，由于教育信息资源建设资金投入的不断加大，信息资源的种类不断增多、数量逐渐增加、技术含量空前提高。如何提高教育信息资源管理效益，最大限度地利用教育信息资源，提高信息保障能力，已经成为摆在高校信息管理者面前的现实课题。教育信息资源管理评估是提高高校教育信息资源管理水平的关键环节。由于高校教育信息资源管理系统含有许多不确定性因素，这些因素一般比较难以量化，评价误差往往较大。目前，评价教育信息资源管理质量的方法有很多，但大都基于传统的定性方法或者模糊数学的方法，这些方法基本都局限于线性的运算方式，而由于评价体系的输入（各评价指标）和输出（管理质量）之间的关系并不一定是简单的线性关系，所以寻找评价体系的输入和输出的准确数学关系，建立一个合理的、科学的数学模型，将对教育信息资源管理质量的评估有着重要的意义。本文利用神经网络理论建立了教育信息资源管理质量评价系统的神经网络数学模型，以期为教育信息资源管理质量评估体系的研究提供有益的借鉴。
二、教育信息资源管理评估指标体系的建立
（一）教育信息资源管理的内涵
狭义的教育信息资源管理是指对教育信息本身即教育信息内容实施管理的过程；广义的教育信息资源管理是指对教育信息内容及与信息内容相关的资源，包括对信息设备设施、信息技术、信息资源费效、人员等进行管理的过程。高校教育信息资源管理过程始于信息人员对用户的信息需求的分析，经过信源分析、信息采集与转换、信息组织、信息存储、信息检索、信息再生和信息传递等环节，最终满足用户的信息需求。
（二）教育信息资源管理评估指标体系
为了评价教育信息资源管理质量，通常对其信息设备设施管理质量、信息技术管理质量、教育信息资源管理费效、管理人员素质等内容进行评价。教育信息资源管理评估指标共有7个，分别为X1、X2、X3、X4、X5、X6、X7。X1表示教育信息设备设施的使用状况；X2表示信息设备设施的维护状况；X3表示技术手段运用状况；X4表示教育信息资源管理的投入经费；X5表示教育信息资源管理经费的使用状况；X6表示人员的履行管理职能的状况；X7表示人员的管理创新能力状况等。在实践中，为了便于操作，我们给出了具体的下一级指标，限于篇幅，在此省略。假设评价指标的论域为［0，10］。评价矩阵要素运用德尔斐法确定，即分别由专家填写相应的分值，汇总后的教育信息资源管理质量情况如表1所示。
三、教育信息资源管理评估的神经网络评估模型
神经网络理论是近几年来国内外的一个前沿研究领域，它可用于预测、分类、模式识别和过程控制等各种数据处理场合。相对于传统的数据处理方法，它更适合处理像教育信息资源管理这样的模糊、非线性和模式特征不明确的问题。
（一）建模引理
BP模型是一种用于前向多层神经网络的反向传播算法，由鲁梅尔哈特（D.Ruvmelhar）和麦克莱伦德（McClelland）于1985年提出。
1.神经网络模型的结构。BP算法可用于多层网络，网络中不仅有输入层节点及输出层节点，而且还有一层至多层隐层节点。采用BP神经网络可以实现对高校教育信息资源管理质量评估系统的辨识。假设将7个评估指标作为神经网络系统的输入，把信息管理质量作为系统的输出，具体如图1所示。
当有信息向网络输入时，信息首先由输入层传至隐层节点，经特性函数作用后，再传至下一隐层，直到最终传到输出层输出，其间每经过一层都要由相应的特性函数进行变换。
2.BP算法。反向传播算法旨在对评估体系进行辨识，以使网络的实际输出值与期望输出值的误差均方值最小为目标，运用最小二乘和梯度搜索技术进行辨识。由于网络的修正过程是误差一边向后传播一边修正加权系数的过程，因此，可用其对高校教育信息资源管理质量评估体系进行辨识。BP的修正目的是对网络的连接权值进行调整，以使任何一个输入都能得到所期望的输出。修正的方法是用一组训练样例对网络进行训练，每一个样例都包括输入和期望输出两部分。训练时，首先把样例的输入信息输入到网络中，由网络自第一个隐层开始逐层地进行计算，并向下一层传递，直至传至输出层，其间每一层神经元只影响到下一层神经元的状态。然后，将其输出与样例的期望输出进行比较，如果它们的误差不能满足要求，则沿着原来的连接通路逐层返回，并根据二者的误差按照一定的原则对各层节点的连接权值进行调整，使误差逐步减小，直到达到要求为止。
（二）模型的建立
设BP网络的输入层为：
Ｘ={x（1），…x（n）}（1）
其中x是信息资源管理质量评估系统的各个评价指标,n=7。
BP网络的隐层为：
neti=vijX （2）
Oi=a（neti） （3）
其中{vij}为权系数，a（x）为系统的激励函数或传递函数，取Sigmoid函数，即：
a（x）=（4）
BP网络的输出层为：
其中 是神经网络系统的输出变量，{wi}为权系数。
设准则函数为：
利用BP算法可使性能指标最小化，为了保证系统的稳定性，把被辨识对象信息资源管理质量评估系统的实际输出y作为反馈信号，将其与神经网络辨识器的输出 比较，使E＜?着，其中?着为一个很小的数，如果不满足要求，则不断调整权系数，以达到期望要求。
根据反向传播计算公式，可得如下权系数修正规律。
其中η为修正率，0＜?浊≤1。
另外由（4）式，可得到：a1（x）=a（x）-a2（x）。
四、仿真分析
采用三层BP神经网络对上述教育信息资源管理质量评估系统进行辨识，输入层、隐含层和输出层的结点数分别为7×14×1，激活函数采用sigmoid型，修正率η=0.9，学习训练算法采用反向传播算法，将表1中的数据作为神经网络辨识模型的训练样本，目标误差为0.001，仿真流程框图和训练过程如图2和图3所示。学习训练达到要求后，可得到如58页表2所示的辨识值。从表2可以看出，原始数据与神经网络系统的辨识值非常接近，也就是说，该模型能较为准确地根据各评价指标来评估信息管理工作质量。
五、结论
运用BP神经网络建立的教育信息资源管理质量评估系统的数学模型，其输出辨识值与真实值之间的误差很小。一旦神经网络的结构及其算法确定后，数学模型的准确程度则与输入的训练样本的数量密切相关。训练样本越多，该数学模型就越能准确地根据各评价指标来描述教育信息资源管理质量的好坏。当然，在教育信息资源管理实践中，个别指标的突变可能会导致评估结果的错误。这种现象是客观存在的，个别指标灾变的突然性和不可预见性较强，极小的输入会导致灾变的输出，离差巨大，本文所研究的神经网络评估模型没有考虑个别指标信息的灾变现象，还需在后续的工作中加以解决。
［参考文献］
［1］蒋宗礼.人工神经网络导论［M］.北京：高等教育出版社，2001.
［2］赵振宇，徐用懋.模糊理论和神经网络的基础与应用［M］.北京：清华大学出版社，1995.
［3］George D.Magoulas,Michael N.Vrahatis,George S.Androulakis. Effective back propagation training with variable step size［J］.Neural Networks,1997,10（1）.
［4］Charles W L.Training Feed Forward Neural Networks:an Algorithm Giving Improved Generalization［J］.Neural Networks,1997,10（1）.
［5］Mohsen Attaran.Exploring the relationship between information technology and business process reengineering［J］.Information and Management,2004,41（5）.
［关键词］神经网络教育信息资源管理评价模型仿真
［作者简介］蒋鸣（1957- ），男，上海第二工业大学人文学院副院长，副研究员，主要研究方向为高等教育、继续教育和职业教育。（上海200060）
［中图分类号］G647［文献标识码］A［文章编号］1004-3985（2010）36-0056-02
一、引言
随着信息技术的发展，高校教育信息资源在高校的教学过程中发挥着越来越重要的作用。但是，由于教育信息资源建设资金投入的不断加大，信息资源的种类不断增多、数量逐渐增加、技术含量空前提高。如何提高教育信息资源管理效益，最大限度地利用教育信息资源，提高信息保障能力，已经成为摆在高校信息管理者面前的现实课题。教育信息资源管理评估是提高高校教育信息资源管理水平的关键环节。由于高校教育信息资源管理系统含有许多不确定性因素，这些因素一般比较难以量化，评价误差往往较大。目前，评价教育信息资源管理质量的方法有很多，但大都基于传统的定性方法或者模糊数学的方法，这些方法基本都局限于线性的运算方式，而由于评价体系的输入（各评价指标）和输出（管理质量）之间的关系并不一定是简单的线性关系，所以寻找评价体系的输入和输出的准确数学关系，建立一个合理的、科学的数学模型，将对教育信息资源管理质量的评估有着重要的意义。本文利用神经网络理论建立了教育信息资源管理质量评价系统的神经网络数学模型，以期为教育信息资源管理质量评估体系的研究提供有益的借鉴。
二、教育信息资源管理评估指标体系的建立
（一）教育信息资源管理的内涵
狭义的教育信息资源管理是指对教育信息本身即教育信息内容实施管理的过程；广义的教育信息资源管理是指对教育信息内容及与信息内容相关的资源，包括对信息设备设施、信息技术、信息资源费效、人员等进行管理的过程。高校教育信息资源管理过程始于信息人员对用户的信息需求的分析，经过信源分析、信息采集与转换、信息组织、信息存储、信息检索、信息再生和信息传递等环节，最终满足用户的信息需求。
（二）教育信息资源管理评估指标体系
为了评价教育信息资源管理质量，通常对其信息设备设施管理质量、信息技术管理质量、教育信息资源管理费效、管理人员素质等内容进行评价。教育信息资源管理评估指标共有7个，分别为X1、X2、X3、X4、X5、X6、X7。X1表示教育信息设备设施的使用状况；X2表示信息设备设施的维护状况；X3表示技术手段运用状况；X4表示教育信息资源管理的投入经费；X5表示教育信息资源管理经费的使用状况；X6表示人员的履行管理职能的状况；X7表示人员的管理创新能力状况等。在实践中，为了便于操作，我们给出了具体的下一级指标，限于篇幅，在此省略。假设评价指标的论域为［0，10］。评价矩阵要素运用德尔斐法确定，即分别由专家填写相应的分值，汇总后的教育信息资源管理质量情况如表1所示。
三、教育信息资源管理评估的神经网络评估模型
神经网络理论是近几年来国内外的一个前沿研究领域，它可用于预测、分类、模式识别和过程控制等各种数据处理场合。相对于传统的数据处理方法，它更适合处理像教育信息资源管理这样的模糊、非线性和模式特征不明确的问题。
（一）建模引理
BP模型是一种用于前向多层神经网络的反向传播算法，由鲁梅尔哈特（D.Ruvmelhar）和麦克莱伦德（McClelland）于1985年提出。
1.神经网络模型的结构。BP算法可用于多层网络，网络中不仅有输入层节点及输出层节点，而且还有一层至多层隐层节点。采用BP神经网络可以实现对高校教育信息资源管理质量评估系统的辨识。假设将7个评估指标作为神经网络系统的输入，把信息管理质量作为系统的输出，具体如图1所示。
当有信息向网络输入时，信息首先由输入层传至隐层节点，经特性函数作用后，再传至下一隐层，直到最终传到输出层输出，其间每经过一层都要由相应的特性函数进行变换。
2.BP算法。反向传播算法旨在对评估体系进行辨识，以使网络的实际输出值与期望输出值的误差均方值最小为目标，运用最小二乘和梯度搜索技术进行辨识。由于网络的修正过程是误差一边向后传播一边修正加权系数的过程，因此，可用其对高校教育信息资源管理质量评估体系进行辨识。BP的修正目的是对网络的连接权值进行调整，以使任何一个输入都能得到所期望的输出。修正的方法是用一组训练样例对网络进行训练，每一个样例都包括输入和期望输出两部分。训练时，首先把样例的输入信息输入到网络中，由网络自第一个隐层开始逐层地进行计算，并向下一层传递，直至传至输出层，其间每一层神经元只影响到下一层神经元的状态。然后，将其输出与样例的期望输出进行比较，如果它们的误差不能满足要求，则沿着原来的连接通路逐层返回，并根据二者的误差按照一定的原则对各层节点的连接权值进行调整，使误差逐步减小，直到达到要求为止。
（二）模型的建立
设BP网络的输入层为：
Ｘ={x（1），…x（n）}（1）
其中x是信息资源管理质量评估系统的各个评价指标,n=7。
BP网络的隐层为：
neti=vijX （2）
Oi=a（neti） （3）
其中{vij}为权系数，a（x）为系统的激励函数或传递函数，取Sigmoid函数，即：
a（x）=（4）
BP网络的输出层为：
其中 是神经网络系统的输出变量，{wi}为权系数。
设准则函数为：
利用BP算法可使性能指标最小化，为了保证系统的稳定性，把被辨识对象信息资源管理质量评估系统的实际输出y作为反馈信号，将其与神经网络辨识器的输出 比较，使E＜?着，其中?着为一个很小的数，如果不满足要求，则不断调整权系数，以达到期望要求。
根据反向传播计算公式，可得如下权系数修正规律。
其中η为修正率，0＜?浊≤1。
另外由（4）式，可得到：a1（x）=a（x）-a2（x）。
四、仿真分析
采用三层BP神经网络对上述教育信息资源管理质量评估系统进行辨识，输入层、隐含层和输出层的结点数分别为7×14×1，激活函数采用sigmoid型，修正率η=0.9，学习训练算法采用反向传播算法，将表1中的数据作为神经网络辨识模型的训练样本，目标误差为0.001，仿真流程框图和训练过程如图2和图3所示。学习训练达到要求后，可得到如58页表2所示的辨识值。从表2可以看出，原始数据与神经网络系统的辨识值非常接近，也就是说，该模型能较为准确地根据各评价指标来评估信息管理工作质量。
五、结论
运用BP神经网络建立的教育信息资源管理质量评估系统的数学模型，其输出辨识值与真实值之间的误差很小。一旦神经网络的结构及其算法确定后，数学模型的准确程度则与输入的训练样本的数量密切相关。训练样本越多，该数学模型就越能准确地根据各评价指标来描述教育信息资源管理质量的好坏。当然，在教育信息资源管理实践中，个别指标的突变可能会导致评估结果的错误。这种现象是客观存在的，个别指标灾变的突然性和不可预见性较强，极小的输入会导致灾变的输出，离差巨大，本文所研究的神经网络评估模型没有考虑个别指标信息的灾变现象，还需在后续的工作中加以解决。
［参考文献］
［1］蒋宗礼.人工神经网络导论［M］.北京：高等教育出版社，2001.
［2］赵振宇，徐用懋.模糊理论和神经网络的基础与应用［M］.北京：清华大学出版社，1995.
［3］George D.Magoulas,Michael N.Vrahatis,George S.Androulakis. Effective back propagation training with variable step size［J］.Neural Networks,1997,10（1）.
［4］Charles W L.Training Feed Forward Neural Networks:an Algorithm Giving Improved Generalization［J］.Neural Networks,1997,10（1）.
［5］Mohsen Attaran.Exploring the relationship between information technology and business process reengineering［J］.Information and Management,2004,41（5）.