论文部分内容阅读
摘要：随着信息技术的高速发展和高职院校对教学质量的不断重视，对高职院校的教学质量的评测已经受到广大专家学者的关注。本文针对目前高职院校的现状，提出了一种基于高职院校质量评测的改进BP神经网络模型。该模型在传统BP神经网络模型的基础上，对学习率进行了优化，并加入了动量项，克服局部极小值，还提出了自调整学习速率，最后对激励函数进行了改进和优化。模型仿真结果表明，根据改进后的BP神经网络建立的高职院校教学质量评测模型性能良好，值得推广使用。
关键词：教学质量评测；改进BP网络；自调整学习速率；优化激励函数
中图分类号：TP273+.5文献标识码：A文章编号：1007-9599 (2013) 05-0000-05
现今由于高职院校数量和招生规模的不断增加导致高职教育的质量问题不断涌现，比如：教学资源不完善，人才培养目标不具体，学院专业设置和企业需求不相符等，正因为此类问题导致无法保障教学质量。通过系统化、科学化、规范化的持续监控实施教学质量监控体系，从而提高教学质量管理，并且鼓励大家提升教育教学水平，保证高职教育的可持续发展[1]。
对教学过程各环节质量的持续监控，进而及时找出存在影响教学质量的各种因素是教学质量监控体系的重要内容，持续发展和调整教学行为，进一步实现稳定提升教学质量的目标[2]。实践表明，为了提高高职教育人才培养质量最重要的就是加强创建科学的、系统的、有效的教学质量监控体系。
本文基于存在的问题针对高职院校教学质量管理与监控体系，将高职院校教学质量管理与监控体系设计成一个功能强大的系统，从而大大提高了高职院校教学质量管理与监控体系的效率。
1高职院校教学质量管理与监控体系现状分析
目前，高职院校在管理方面还存在许多漏洞。大部分表现在：第一，教学质量概念相对含糊。虽然绝大部分的高职院校非常重视教学质量，可是什么才是教学质量人们的认识大多数都是不清楚的。正因为概念模糊，所以管理落后，评定教学质量高低的主要措施就只剩下考试[4]。为了有效解决此类问题国家开始鼎立提倡素质教育，可因为人们的思想仍停留在“学生学的如何”，而不是“学生和社会的需要满足的如何”导致此举施行效果并不是很理想[5]。第二，教学管理思想需待提升。高职院校并没有深刻意识到教学服务的质量和学生产品的质量，在教学服务质量方面，它们没有足够重视如何满足学生的需要，而在学生产品质量方面，它们没有留下足够大的空间来给学生如何满足社会需要[6]。尽管人人都已经知晓“以人为本”的管理观念，可许多学校并没有落实甚至不知道如何落实这种观念。第三，质量管理手段、技术相对落后。现今质量管理从低级到高级，经历了末端检验阶段、统计检验阶段和全面质量管理阶段等[7]。现在我国高职院校绝大部分还仅仅处于末端检验阶段，主要进行考试和考察，事前掌控差，质量成本高。以此看来，高职院校的质量管理水平相比于企业的管理水平明显落后[8]。第四，质量管理的评价措施不够规范化。对的教育教学的检查与评定主要依据教学大纲、教学计划等静态的文本，可操作性不高，措施不够规范化和科学化，评价的主体主要依据上级主管部门的评定，也就是行政评定，从而缺少自我评定、自我修正的鼓励机制和措施，结果让被评定者处于相对被动的位置，以至于导致为评定而评定[9]。
对于这样的问题，如何构建一个教学质量内部监控体系来满足中国高校资源整合的实用性、稳定性、安全性和技术先进性等多方面需求成为了目前急需考虑的问题。
2教学质量监控体系研究
2.1教学质量监控体系的内容
教学质量管理体系是一项管理系统，它是由两部分构成，一部分是院校内部教学质量的设计、物质保证、实践、监测、改正和防范等措施构成的校内教学质量监控系统，另一部分是上级教学行政主管部门、企业用人单位、与院校教学有关的单位和毕业生构成的校外教学质量监控系统[10]。
教学质量监控体系是构成教学质量管理体系的重要部分[11]。教学质量监控体系是通过教育和教学规律，依靠相关专业培养计划和教学目标，对教学过程实施评定和调整以至于实现最优化状态的程序、组织和方法的汇总[12]。教学质量监控体系是通过全面利用质量管理理论和质量管理原则构建的，它主要包含：目标管理（质量标准）体系、结构（教育、学生、招生、就业服务）体系、规章制度与教育文件体系、督促评定体系、信息回馈调整体系、政策鼓励体系与技能支持体系。通过构建教学质量监控体系，对教学活动实施检查、监督和评定，不断改正错误实现教育教学质量目标，从而形成一套相对较完善的组织机构与信息网络。
2.2高职院校教学质量管理与监控体系的跟本准则
（1）科学性和可操作性相结合。要注重科学性的建立教学质量监控体系，理论上要把常设机构监控与有关单位监控相统一，集中监控与日常监控相统一，定性监控与定量监控相统一，校内监控与校外监控相统一，自我评定与他人评定相统一。
（2）导向性和鼓励性相同步。要保证高等院校教育教学质量监控评定与党和国家的教学政策、方针相一致，要着重表现社会主义教学方向，表现全面发展的政策，与此同时表现“以就业为导向”的高职教育质量观。监控评定活动是依据目标和标准以及对教育工作进行测评和判定，进而进行鼓励和引导，促进院校、老师、学生等整体教育质量的高效提升，目标是总结经验、肯定成绩、发现问题、明确方向、推进工作进展和持续提升教育教学质量，而不是简单的强制管理。
（3）动静结合。建立教学质量监控体系一定要坚持动静结合，着重体现动态性。教育质量是一个持续变化发展的标准，因为质量标准虽然经过制定后要有相对的稳定性，但也不能完全不变，需要随着院校内部条件和社会需求的变化而变化，所以监控教育质量的措施、方案和政策也是相对较动态的、灵活的和发展的。依靠回馈的信息监控主体应不断对质量标准进行调整。不同的地区、不同专业的院校要参考自身特征、生源素质、环境地域特征等制定符合自身院校的质量标准，同时随着市场需求和企业发展不断修改质量标准体系，做到动静相结合，着重突出动态性。
（4）意识与现实相配合。教学质量直接影响着学校的生存和发展，是学校的生命线，为了提升教学质量管理水平，要时刻保证树立教育质量监控理念，提升教育质量监控意识；通过强化学校领导干部和全体教职工的紧迫感和责任感，进一步提升教育质量监控意识，让他们能够热情主动加入到教育质量监控工作中，保证教育质量监控体系顺利实施。
（5）要推陈出新。随着时代的发展和教学过程的持续变化，教学质量监控体系在内容、形式、理论和实践这四个方面都应该与时俱进，力求创新完善。
3教学质量监管体系概括
教学质量监管影响到院校的教育质量管理，关系着院校的发展，同时与老师个人利益、教育质量监管的顺利、成功实施挂钩，也就导致它是一项严肃且复杂的工作，更需要来自多方面的努力，因此需要严谨的设计才能完成系统所要完成的任务，达到系统设计的最终目的。
3.1体系需求评估
教学质量监管体系主要是对教师的教学水平进行多方综合打分，施行学生评教、教师互评、专家评教、领导评教相结合，同时把评定结果直接回馈给主讲教师，进而督促教室及时发现并解决在教学中出现的问题，保证完成教学任务和实现教学目标。传统的评教体系因为各种各样因素的限制，学校在一个学期内只能对每个教师组织一次评教活动，同时只能运用人工的方法统计评估结果，因此导致评教结果尤其是作为教学主体的学生的评教结果，不能快速及时的回饋给主讲教师，评教活动也没有达到相应的效果。我们通过充分运用校园网信息传递快的特征以解决上述种种问题，开发基于B/S结构的教学质量监管体系。体系的模块图如图1所示。
图1系统模块示意图
Fig1Systemblockdiagram
3.2体系功效概述
教学质量评定包含学生评教、教师互评、专家评教、领导评教四个部分。教学质量的高低既要注重教授知识，也要拓展学生的思维和培养学生综合能力与素质。监管范围主要有课堂和实验教学，此外还包含辅导环节、考试形式的改革、试题质量和试卷评估、学生学习态度和积极性以及教学环境因素等。教育质量评定的群体主要是学生和老师。
学校主要依据两个方面的数据指标来评定学生，一方面是教师评定（体现在平时成绩），另一方面是考试成绩，学生最终的评定成绩由这两方面结果综合得到。同时评定教师也主要依据两个方面，一方面是指标数据，起初由任课教师进行自我评定并且申请评教，然后教学管理者根据其提交的申请组织学生、老师、专家和领导听课，接着按具体数据指标进行逐个打分，评分结果可以本人亲自录入数据库也可以交由教学辅助人员代理。
4教学质量管理与监控体系算法设计
本文将BP神经网络模型引入高职院校教学质量管理与监控体系中，并对传统BP神经网络模型进行改进，采用改进后的BP神经网络模型结构建立数学模型。
4.1BP神经网络理论
BP神经网络是现今广泛应用于各种评估计算理论中的一种前馈式神经网络，基本神经网络由三个部分构成，分别是：输入层、若干隐含层以及输出层。网络构成如图1所示。
图1神经网络模型图
Fig.2Neuralnetworkmodeldiagram
BP神经网络理论主要根据梯度搜索技术，搜索输入层传递进来的样本，从而进行自主学习，是一种反馈自主学习的算法。根据迭代计算输出值和估算值的方差大小从而对其进行相应的调整。此理论的基本学习过程如下：
（1）对BP神经网络状态进行初始化。给网络的链接权值 ， ，阈值 和 赋初值；
（2）将第一个样本数据输入到网络中；
（3）通过传递各层之间的输入样本，对 和输出 进行运算。公式如下：
（1）
（2）
（4）对肿神经网络的输出层各神经元的输入 和输出 进行计算法，即
（3）
（4）
（5）计算输出层神经单元 上的权值误差 ，计算公式如下：
（5）
公式中 是样本的平均值。
（6）计算从神经网络的输出到中间层中神经单元 上的权值误差 ，即
（6）
（7）对BP神经网络的连接权值 和阈值 值进行更新，即
（7）
（8）
（8）对BP神经网络的连接权值 和阈值 值进行更新，即
（9）
（10）
（9）将接下来的学习样本输入到神经网络中，进行步骤（3），重复运算，直到得到理想的结果为止。
（10）练习新样本，若符合以下条件，那么算法结束。
（11）
公式中， 为代表精度的先验值， 代表误差值的大小
（12）
4.2BP神经网络弊端
尽管BP神经网络有其优势，可是现在作为多层神经网络练习方法的算法，它仍然产生了一些重大的弊端：
（1）约束速率问题。算法是对客观对象的识别，它是根据训练误差反传修改网络权值来实现的。一般对一个非线性方程的识别大概需要几千次训练，而对相对复杂的非线性关系或模糊不确定关系的识别，则可能甚至需要几万次、几十万次训练，耗费几个小时甚至十几个小时。
此外，因为网络学习的调整步长一般都非常小，从而导致了缓慢的约束速率和较长的约束时间。
（2）部分极小问题。在组成结构上，由于网络输入输出间的非线性关系，导致网络的误差或能量函数是一个具有多极点的非线性空间，然而算法通过梯度下降法改变网络权值，换句话说就是，算法给予网络的是只能“下坡”而不能“爬坡”的能力。由于此项缺陷，经常致使网络落入部分极小点不能自拔，最后不能到达全局最小点。
（3）隐含层与隐含层节点数目无法肯定。理论研究已经表示在隐含层数的确定上隐含层数最多两层就可以，只是当学习不连续函数时，需要两个隐含层，包含单隐含层的神经网络能够映射所有连续函数。可是这不是完全绝对的，就某些实际问题研究来说，单隐含层网络所需要的隐节点数目可能比包含两个甚至更多隐含层的网络多，因此两个甚至更多隐含层的网络也能很好的工作。针对隐含层神经元数目的确定，学术界有许多公式和经验。现在最基本的方法就是实验试凑法，它是利用同一个样本不断训练包含不同隐节点数目的网络，截止到权值不再改变以及网络稳定。接着，根据最小测验误差，确定网络的隐节点数目。
（4）网络具有不稳定的学习和记忆。假如学习样本增多，那么就需要重新训练训练好的网络，而先前的权值和阈值不存在记忆功能
4.3BP神经网络的完善
此文意在摆脱BP理论的弊端，提升BP网络的功效，使不同问题的需要都能得以解决，从而提出了一种完善BP神经网络的理论。普遍的完善理论包括基于符号变换的局部学习速率自适应、学习速率渐小法、学习速率自动调整。接下来提出本文的完善方案：
BP神经网络理论完善方案如下：
（1）修改学习效率。算法约束较慢的主要原因就是学习效率（步长） 的难以选择。一般很难做到在训练开始就确定最优学习效率。针对学习效率的设置算法体现的十分敏感：如果学习效率太小，那么约束速率过慢；如果学习效率太大，那么约束速率可能就过快，从而出现训练震荡现象。所以能够依靠训练情况动态改变步长，修改学习效率。对其修改有四步：
计算网络的初始输出和误差，从而得出：
（13）
其中 ，即 时刻的负梯度。
（14）
（15）
通过目前得出的学习效率计算每一步的权值和阈值是新误差的产生经过。新误差与旧误差的比值大于设计值并且通过一定比率减少学习效率是保留旧权值的条件。以此看来，主要根据修改权值的学习效率可以达到使算法平稳的作用。通过加强调整力度，能够将误差减小，让算法能够更快地接近最优值；假如误差变大，那么返回原来的位置之前再次进行搜索。
采取此算法，如果产生连续两次迭代梯度方向相同，表示能量下降过慢，此时应该将步长加倍增长，提升训练约束速率；如果产生连续两次迭代梯度方向相反，表示能量下降过头，此时应该将步长减半，防止震荡。
（2）增加动量项，摆脱部分极小值。真正的梯度下降法应该使所取的间隔无限小。有效的梯度下降法应该保证所取的间隔无限小。 是学习速度，同时也是一个常数型比例系数。由于 的变化能影响权值的变化，因此选择适当的速度能给系统提供较好的学习方法。但速度的选择不会引起震荡，并且速度应该尽可能的大。此方法把动量项添加到调整量中，每一次都要标记调整量，加权调整公式是：
（16）
一般状态下 等于0．9左右，上式中 是动量系数。
在引进动量后，误差函数面将会有很小的误差变化，因此 近似与△彩相等，使平均 成为：
（17）
式中 是系数，动量项让此系数更加有效从而达到更快脱离饱和区的目的。
如果 是一个权值变量，可以將式（14）改写成下面形式：
（18）
因为 ，表示目前的方向。若 和 的符号相同，那么就表示误差在 轴上出现逐渐渐小的趋势，此时能够增加修改 的幅度。由于 和 正好能够符合这个要求，如果 和 的符号不相同，那么就表示 和 已经逃离了在 轴上的一个部分最小点，此时为了防止产生较震荡的现象应该减小 的修改的幅度，同时应该将 和 加起来，以便满足要求。
在误差曲面部分细节方面上，引入动量项以后，不仅降低了网络对误差曲面部分细节的敏感性，而且还抑制了网络陷于部分极小值，同时减小了训练过程中的震荡趋势，保证不陷于部分极小值，并且提高了学习效率，进而收敛性得以完善。
（3）自调整学习速率。在标准的BP算法中，权值调整公式为
（19）
公式（17）中的学习效率一般都是凭经验选取，所以它的值是不变的。而算法的收敛速度和稳定性与它的选取有着极大的关系：如果学习效率太大，那么就能够加快收敛速度，但也许引起网络出现震荡，更可能发散；反过来，如果学习效率太小，那么就能够使训练更稳定的收敛，可是会导致训练时间较长，收敛过慢。由此看来，网络的整个学习过程不可能单独依靠一个固定的学习效率。
原始的选择不当的BP算法学习效率是导致收敛速率过慢的主要原因。通过调整学习效率的BP算法可以缩短学习时间。学习速率和网络收敛的关系是互相约束，假如学习效率太小，那么网络收敛的速度就会过慢；而假如学习效率太大，那么网络就有可能修改过头，进而导致其不能收敛。因此选择恰当的学习效率十分重要，需要不断更新它的权值与阈值 ，那么描述自调整学习效率的BP算法可以是：
（20）
其中，学习速率是个变量，表示为 ，动量为 。
需要检查训练中权值的修正值是否真正降低了误差函数。调整学习速率 的要点是：若误差函数减小，那么就将学习效率提升一小量；反过来，将产生过调现象，此时应该将学习效率减小。下面是调节自适应学习效率 的公式：
（21）
式中，能够调节初始学习效率 的值，网络的输出误差和用 表示。通过调节学习效率 可以让收敛速度快于标准的BP算法。
以上兩种求法都是通过标准下降梯度法，运用目标函数的一阶导数信息并对网络权值和阈值进行求导，同时在此种做法上进行改进。由于求导会使收敛速度变慢，因此当处理较为复杂的问题，把这两种求法结合起来可以有效抑制网络陷入部分极小，同时加快训练速度。
（4）改进激励函数。任意阶可导并且为非常数的函数理论上都能够组成BP网络的激励函数。BP算法通常使用S型函数作为激励函数。然而S型函数会导致网络收敛速度变慢，降低学习效率，容易使网络陷入部分极小值。所以，改善激励函数就是改进BP算法模型。
1）三角函数的改善。将S型函数用以下的三角函数替换：
（22）
式中根据经验选取1.2~1.8作为 的取值。仿真结果表明：在全局最优化上采用此三角函数对网络学习效率的提高效果要远远高于BP网络的激励函数。但是经过更深入的实验和分析显示：公式中的0.5和 两个参数并无联系，这也就导致了没有明显提高学习速率，假如把公示改为：
（23）
改变之后，不仅可以改变函数 的周期，使其幅值也可以随函数周期的变化而变化，进而改变了对应的连接权值，同时还可以将两个相连的神经元之间的兴奋程度改变。式中仍选择1.2~1.8作为 的值，不但显著提高了学习速率，还保证了网络全局的最优化。
2）改善S型函数。传统的BP网络通常使用S型函数 。可是网络的收敛速度也受到了影响，因此为了加快网络收敛速度，而引入了陡峭度因子（即形态因子） ，此时改进的激励函数变成：
（24）
（25）
（26）
式中， 表示形态因子， 表示第 个神经元的状态值， 表示 至第 个神经元的权重， 而表示此神经元的阈值。针对输入来说，因为陡峭度因子 的引入，能够自由地对S型函数进行平移和伸缩变换，激励函数的形状随 的取值的改变而改变。
尽管某些实际问题在经过改进后得到很好的解决，可是每次训练时的BP算法的收敛性和全局最优性仍然不能严格的被保证，也因此在设计过程中常常需要不断进行训练。
4.4构建教学质量评定模型
为了减少网络训练的次数并且提高网络的学习精度，选择恰当合理的网络模型是非常重要的，所以做出以下改进：
（1）设置层数。在理论上已经得出，可以用只有一个隐含层的BP网络逼近任何在闭区间的一个连续函数。所以为了达到任意的 维到 维的映射都能够用一个三层的BP网络完成，然而运用2层以上的隐含层只会增加网络训练时间，没有其他优势。所以，本文选取了只有1个隐含层的三层的BP神经网络作为BP神经网络模型。
（2）设置隐含层。由于选择隐含层神经元个数相对复杂，因此只好依靠往常实验和经验去确定。 为经验公式，输入层神经元数表示为 ，输出层神经元数表示为 ，隐含层神经元数表示为 ，取1~10之间的整数作为 的取值。通过试验，本文将隐含层数目确定为5。
（3）设置输入层。普通情况下，输入层根据具体问题的改变而改变。由指标体系得出，主要有11项指标影响教学质量，所以将 作为输入层个数的取值。
（4）设置输出层。由于本文选取单输出层的网络结构，所以教学质量的综合评定值即为网络输出值。
（5）选择激励函数。选取激励函数时，应该使用Sigmoid激励函数作为隐含层和输出层的传递函数
（27）
（6）调整学习参数。通过参考BP神经网络的公式来设置学习系数和动量系数。
4.5数据处理解析的评估
教学管理人员负责完成对各项教学质量指标数据的权重等参数的处理解析，根据数据库读取录入的教学质量指标数据，参照计算公式和预设参数，系统经过运算能够分别计算出对教师和学生的评定成果。以下是学生和老师得分的计算公式：
（28）
（29）
其中，评学得分和考试乘积多占学生得分的权重分别由 、 表示，学生评学得分由 表示，学生考试成绩由 表示，教师评教得分由 表示，及格率指标和优秀率指标分别由 、 表示，完成及格率每个百分点的奖惩分值由 表示，完成及格率每个百分点的奖惩分值由 表示，及格率和优秀率分别由 、 表示。
评教得分的计算公式为
（30）
其中， 、 、 、 均为权重。 为学生评教得分， 为教师互评得分， 为专家评教得分， 为领导评教得分。
教导处管理人员能够对以上学生得分和教师得分的计算公式中的参数进行统一设置，这不仅提高了教学质量监管，而且还增强了监管系统的适应性和灵活性。
5算法仿真及系统执行
5.1算法仿真
通过MATLAB对其进行初始化，构建3层的BP神经网络，1000次的学习次数，600次的迭代次数，选择0.9的初始步长，将400作为M的取值，0.9作为动量系数，0.001作为允许误差，用10对样本和10对测试数据作为初始数据，然后用MATLAB将这些初始化后的样本和测试数据输入到程序中并进行训练，进而产生相对满意的训练成果。表2为测试后的结果：
表1网络计算结果与专家评价结果表
序号 网络计算值 专家评价值
1 0.503 0.5
2 0.611 0.6
3 0.805 0.8
4 0.724 0.7
5 0.883 0.9
6 0.792 0.8
7 0.405 0.4
8 0.984 1.0
9 0.615 0.6
10 0.814 0.8
通过仿真结果显示可知，经过改进后BP神经网络，高职院校教学质量评定模型训练与预测精度达到标准，由此证明此模型是一个可行的、精度较高的、合理的预测模型。该改进BP网络模型基本可以替代专家对各权重的把握，有着准确的“专家思维”，能够用“专家思维”对各指标体系的分数进行评判。基于改进BP神经网络的高职院校教学质量评价模型建立成功完成。
5.2系统实现
基于上述系统分析，本文实现了高職院校教学管理与监控系统的实例化过程，完成了整个系统，其系统界面如下图所示。
图3系统登录界面图4系统主界面
该系统经过实际运行测试后，评价良好，有一定的效果，所以本文提出的方案切实有效，值得推广。
6总结
本文针对高职院校教学目前的质量管理与监控体系的研究现状，把质量管理与监控体系结合到质量管理与监控体系模型中，大大提高了高职院校教学资源整合系统的效率，还可以整合教学信息资源、提高资源的利用率、提升教学水平，建立了系统的、高效率的、可操作的科学合理质量监控制度，保证质量监控体系的有效运行，增进了教职员工的质量观念。促进了学校人才培养质量的稳步提高。
参考文献：
[1]刘瑞军.“三联互动”教学质量管理方式的探索与实践——以内蒙古师范大学国际现代设计艺术学院为例[J].内蒙古师范大学学报:教育科学版,2012,3:101-103.
[2]王源远,王丽萍.高校实践教学质量管理体系的研究与构建[J].实验技术与管理,2012,37(29):14-16.
[3]谢庆伟,秦华奇.运用ISO构建高校体育俱乐部教学质量管理体系的研究[J].沈阳体育学院学报,2012,1(13):99-102.
[4]陈小洁.高校成人教育教学质量管理的研究思路创新[J].计算机工程与设计,2012,5:12-13.
[5]张正兢.浅谈高职院校教学质量管理的规范与创新[J].中国成人教育,2011,21:39-41.
[6]周毅钧,王传礼,李雪斌.高校多媒体教学质量监控体系研究[J].安徽理工大学学报:社会科学版.2012,14(1):77-80.
[7]马玉涵,金光明,董杰,孙玉军.加强二级学院教学质量监控体系建设——安徽科技学院建设应用型本科院校实践探讨[J].安徽农学通报,2012,17(17):201-202.
[8]张莹,陈艾华,阳璞琼.构建实验教学质量监控体系的研究与实践[J].实验室科学,2011,14(4):38-40.
[9]赵贤淑.建立健全教学质量保障与监控体系[J].科学技术与工程.2010,19(9):9-9.
[10]赵建茹.高职教育教学质量监控体系的构建与运行研究[J].当代职业教育,2011,1:45-48.
[11]李玉香.构建高职院校教学质量管理体系[J].天津职业院校联合学报,2010,4:3-7.
[12]张丽勉,玄以晶.独立学院建立教学质量监控体系初探[J].中国科教创新导刊,2010,19:8-8.
[课题项目]2012年度浙江省教育技术研究规划课题（编号：JB036）
关键词：教学质量评测；改进BP网络；自调整学习速率；优化激励函数
中图分类号：TP273+.5文献标识码：A文章编号：1007-9599 (2013) 05-0000-05
现今由于高职院校数量和招生规模的不断增加导致高职教育的质量问题不断涌现，比如：教学资源不完善，人才培养目标不具体，学院专业设置和企业需求不相符等，正因为此类问题导致无法保障教学质量。通过系统化、科学化、规范化的持续监控实施教学质量监控体系，从而提高教学质量管理，并且鼓励大家提升教育教学水平，保证高职教育的可持续发展[1]。
对教学过程各环节质量的持续监控，进而及时找出存在影响教学质量的各种因素是教学质量监控体系的重要内容，持续发展和调整教学行为，进一步实现稳定提升教学质量的目标[2]。实践表明，为了提高高职教育人才培养质量最重要的就是加强创建科学的、系统的、有效的教学质量监控体系。
本文基于存在的问题针对高职院校教学质量管理与监控体系，将高职院校教学质量管理与监控体系设计成一个功能强大的系统，从而大大提高了高职院校教学质量管理与监控体系的效率。
1高职院校教学质量管理与监控体系现状分析
目前，高职院校在管理方面还存在许多漏洞。大部分表现在：第一，教学质量概念相对含糊。虽然绝大部分的高职院校非常重视教学质量，可是什么才是教学质量人们的认识大多数都是不清楚的。正因为概念模糊，所以管理落后，评定教学质量高低的主要措施就只剩下考试[4]。为了有效解决此类问题国家开始鼎立提倡素质教育，可因为人们的思想仍停留在“学生学的如何”，而不是“学生和社会的需要满足的如何”导致此举施行效果并不是很理想[5]。第二，教学管理思想需待提升。高职院校并没有深刻意识到教学服务的质量和学生产品的质量，在教学服务质量方面，它们没有足够重视如何满足学生的需要，而在学生产品质量方面，它们没有留下足够大的空间来给学生如何满足社会需要[6]。尽管人人都已经知晓“以人为本”的管理观念，可许多学校并没有落实甚至不知道如何落实这种观念。第三，质量管理手段、技术相对落后。现今质量管理从低级到高级，经历了末端检验阶段、统计检验阶段和全面质量管理阶段等[7]。现在我国高职院校绝大部分还仅仅处于末端检验阶段，主要进行考试和考察，事前掌控差，质量成本高。以此看来，高职院校的质量管理水平相比于企业的管理水平明显落后[8]。第四，质量管理的评价措施不够规范化。对的教育教学的检查与评定主要依据教学大纲、教学计划等静态的文本，可操作性不高，措施不够规范化和科学化，评价的主体主要依据上级主管部门的评定，也就是行政评定，从而缺少自我评定、自我修正的鼓励机制和措施，结果让被评定者处于相对被动的位置，以至于导致为评定而评定[9]。
对于这样的问题，如何构建一个教学质量内部监控体系来满足中国高校资源整合的实用性、稳定性、安全性和技术先进性等多方面需求成为了目前急需考虑的问题。
2教学质量监控体系研究
2.1教学质量监控体系的内容
教学质量管理体系是一项管理系统，它是由两部分构成，一部分是院校内部教学质量的设计、物质保证、实践、监测、改正和防范等措施构成的校内教学质量监控系统，另一部分是上级教学行政主管部门、企业用人单位、与院校教学有关的单位和毕业生构成的校外教学质量监控系统[10]。
教学质量监控体系是构成教学质量管理体系的重要部分[11]。教学质量监控体系是通过教育和教学规律，依靠相关专业培养计划和教学目标，对教学过程实施评定和调整以至于实现最优化状态的程序、组织和方法的汇总[12]。教学质量监控体系是通过全面利用质量管理理论和质量管理原则构建的，它主要包含：目标管理（质量标准）体系、结构（教育、学生、招生、就业服务）体系、规章制度与教育文件体系、督促评定体系、信息回馈调整体系、政策鼓励体系与技能支持体系。通过构建教学质量监控体系，对教学活动实施检查、监督和评定，不断改正错误实现教育教学质量目标，从而形成一套相对较完善的组织机构与信息网络。
2.2高职院校教学质量管理与监控体系的跟本准则
（1）科学性和可操作性相结合。要注重科学性的建立教学质量监控体系，理论上要把常设机构监控与有关单位监控相统一，集中监控与日常监控相统一，定性监控与定量监控相统一，校内监控与校外监控相统一，自我评定与他人评定相统一。
（2）导向性和鼓励性相同步。要保证高等院校教育教学质量监控评定与党和国家的教学政策、方针相一致，要着重表现社会主义教学方向，表现全面发展的政策，与此同时表现“以就业为导向”的高职教育质量观。监控评定活动是依据目标和标准以及对教育工作进行测评和判定，进而进行鼓励和引导，促进院校、老师、学生等整体教育质量的高效提升，目标是总结经验、肯定成绩、发现问题、明确方向、推进工作进展和持续提升教育教学质量，而不是简单的强制管理。
（3）动静结合。建立教学质量监控体系一定要坚持动静结合，着重体现动态性。教育质量是一个持续变化发展的标准，因为质量标准虽然经过制定后要有相对的稳定性，但也不能完全不变，需要随着院校内部条件和社会需求的变化而变化，所以监控教育质量的措施、方案和政策也是相对较动态的、灵活的和发展的。依靠回馈的信息监控主体应不断对质量标准进行调整。不同的地区、不同专业的院校要参考自身特征、生源素质、环境地域特征等制定符合自身院校的质量标准，同时随着市场需求和企业发展不断修改质量标准体系，做到动静相结合，着重突出动态性。
（4）意识与现实相配合。教学质量直接影响着学校的生存和发展，是学校的生命线，为了提升教学质量管理水平，要时刻保证树立教育质量监控理念，提升教育质量监控意识；通过强化学校领导干部和全体教职工的紧迫感和责任感，进一步提升教育质量监控意识，让他们能够热情主动加入到教育质量监控工作中，保证教育质量监控体系顺利实施。
（5）要推陈出新。随着时代的发展和教学过程的持续变化，教学质量监控体系在内容、形式、理论和实践这四个方面都应该与时俱进，力求创新完善。
3教学质量监管体系概括
教学质量监管影响到院校的教育质量管理，关系着院校的发展，同时与老师个人利益、教育质量监管的顺利、成功实施挂钩，也就导致它是一项严肃且复杂的工作，更需要来自多方面的努力，因此需要严谨的设计才能完成系统所要完成的任务，达到系统设计的最终目的。
3.1体系需求评估
教学质量监管体系主要是对教师的教学水平进行多方综合打分，施行学生评教、教师互评、专家评教、领导评教相结合，同时把评定结果直接回馈给主讲教师，进而督促教室及时发现并解决在教学中出现的问题，保证完成教学任务和实现教学目标。传统的评教体系因为各种各样因素的限制，学校在一个学期内只能对每个教师组织一次评教活动，同时只能运用人工的方法统计评估结果，因此导致评教结果尤其是作为教学主体的学生的评教结果，不能快速及时的回饋给主讲教师，评教活动也没有达到相应的效果。我们通过充分运用校园网信息传递快的特征以解决上述种种问题，开发基于B/S结构的教学质量监管体系。体系的模块图如图1所示。
图1系统模块示意图
Fig1Systemblockdiagram
3.2体系功效概述
教学质量评定包含学生评教、教师互评、专家评教、领导评教四个部分。教学质量的高低既要注重教授知识，也要拓展学生的思维和培养学生综合能力与素质。监管范围主要有课堂和实验教学，此外还包含辅导环节、考试形式的改革、试题质量和试卷评估、学生学习态度和积极性以及教学环境因素等。教育质量评定的群体主要是学生和老师。
学校主要依据两个方面的数据指标来评定学生，一方面是教师评定（体现在平时成绩），另一方面是考试成绩，学生最终的评定成绩由这两方面结果综合得到。同时评定教师也主要依据两个方面，一方面是指标数据，起初由任课教师进行自我评定并且申请评教，然后教学管理者根据其提交的申请组织学生、老师、专家和领导听课，接着按具体数据指标进行逐个打分，评分结果可以本人亲自录入数据库也可以交由教学辅助人员代理。
4教学质量管理与监控体系算法设计
本文将BP神经网络模型引入高职院校教学质量管理与监控体系中，并对传统BP神经网络模型进行改进，采用改进后的BP神经网络模型结构建立数学模型。
4.1BP神经网络理论
BP神经网络是现今广泛应用于各种评估计算理论中的一种前馈式神经网络，基本神经网络由三个部分构成，分别是：输入层、若干隐含层以及输出层。网络构成如图1所示。
图1神经网络模型图
Fig.2Neuralnetworkmodeldiagram
BP神经网络理论主要根据梯度搜索技术，搜索输入层传递进来的样本，从而进行自主学习，是一种反馈自主学习的算法。根据迭代计算输出值和估算值的方差大小从而对其进行相应的调整。此理论的基本学习过程如下：
（1）对BP神经网络状态进行初始化。给网络的链接权值 ， ，阈值 和 赋初值；
（2）将第一个样本数据输入到网络中；
（3）通过传递各层之间的输入样本，对 和输出 进行运算。公式如下：
（1）
（2）
（4）对肿神经网络的输出层各神经元的输入 和输出 进行计算法，即
（3）
（4）
（5）计算输出层神经单元 上的权值误差 ，计算公式如下：
（5）
公式中 是样本的平均值。
（6）计算从神经网络的输出到中间层中神经单元 上的权值误差 ，即
（6）
（7）对BP神经网络的连接权值 和阈值 值进行更新，即
（7）
（8）
（8）对BP神经网络的连接权值 和阈值 值进行更新，即
（9）
（10）
（9）将接下来的学习样本输入到神经网络中，进行步骤（3），重复运算，直到得到理想的结果为止。
（10）练习新样本，若符合以下条件，那么算法结束。
（11）
公式中， 为代表精度的先验值， 代表误差值的大小
（12）
4.2BP神经网络弊端
尽管BP神经网络有其优势，可是现在作为多层神经网络练习方法的算法，它仍然产生了一些重大的弊端：
（1）约束速率问题。算法是对客观对象的识别，它是根据训练误差反传修改网络权值来实现的。一般对一个非线性方程的识别大概需要几千次训练，而对相对复杂的非线性关系或模糊不确定关系的识别，则可能甚至需要几万次、几十万次训练，耗费几个小时甚至十几个小时。
此外，因为网络学习的调整步长一般都非常小，从而导致了缓慢的约束速率和较长的约束时间。
（2）部分极小问题。在组成结构上，由于网络输入输出间的非线性关系，导致网络的误差或能量函数是一个具有多极点的非线性空间，然而算法通过梯度下降法改变网络权值，换句话说就是，算法给予网络的是只能“下坡”而不能“爬坡”的能力。由于此项缺陷，经常致使网络落入部分极小点不能自拔，最后不能到达全局最小点。
（3）隐含层与隐含层节点数目无法肯定。理论研究已经表示在隐含层数的确定上隐含层数最多两层就可以，只是当学习不连续函数时，需要两个隐含层，包含单隐含层的神经网络能够映射所有连续函数。可是这不是完全绝对的，就某些实际问题研究来说，单隐含层网络所需要的隐节点数目可能比包含两个甚至更多隐含层的网络多，因此两个甚至更多隐含层的网络也能很好的工作。针对隐含层神经元数目的确定，学术界有许多公式和经验。现在最基本的方法就是实验试凑法，它是利用同一个样本不断训练包含不同隐节点数目的网络，截止到权值不再改变以及网络稳定。接着，根据最小测验误差，确定网络的隐节点数目。
（4）网络具有不稳定的学习和记忆。假如学习样本增多，那么就需要重新训练训练好的网络，而先前的权值和阈值不存在记忆功能
4.3BP神经网络的完善
此文意在摆脱BP理论的弊端，提升BP网络的功效，使不同问题的需要都能得以解决，从而提出了一种完善BP神经网络的理论。普遍的完善理论包括基于符号变换的局部学习速率自适应、学习速率渐小法、学习速率自动调整。接下来提出本文的完善方案：
BP神经网络理论完善方案如下：
（1）修改学习效率。算法约束较慢的主要原因就是学习效率（步长） 的难以选择。一般很难做到在训练开始就确定最优学习效率。针对学习效率的设置算法体现的十分敏感：如果学习效率太小，那么约束速率过慢；如果学习效率太大，那么约束速率可能就过快，从而出现训练震荡现象。所以能够依靠训练情况动态改变步长，修改学习效率。对其修改有四步：
计算网络的初始输出和误差，从而得出：
（13）
其中 ，即 时刻的负梯度。
（14）
（15）
通过目前得出的学习效率计算每一步的权值和阈值是新误差的产生经过。新误差与旧误差的比值大于设计值并且通过一定比率减少学习效率是保留旧权值的条件。以此看来，主要根据修改权值的学习效率可以达到使算法平稳的作用。通过加强调整力度，能够将误差减小，让算法能够更快地接近最优值；假如误差变大，那么返回原来的位置之前再次进行搜索。
采取此算法，如果产生连续两次迭代梯度方向相同，表示能量下降过慢，此时应该将步长加倍增长，提升训练约束速率；如果产生连续两次迭代梯度方向相反，表示能量下降过头，此时应该将步长减半，防止震荡。
（2）增加动量项，摆脱部分极小值。真正的梯度下降法应该使所取的间隔无限小。有效的梯度下降法应该保证所取的间隔无限小。 是学习速度，同时也是一个常数型比例系数。由于 的变化能影响权值的变化，因此选择适当的速度能给系统提供较好的学习方法。但速度的选择不会引起震荡，并且速度应该尽可能的大。此方法把动量项添加到调整量中，每一次都要标记调整量，加权调整公式是：
（16）
一般状态下 等于0．9左右，上式中 是动量系数。
在引进动量后，误差函数面将会有很小的误差变化，因此 近似与△彩相等，使平均 成为：
（17）
式中 是系数，动量项让此系数更加有效从而达到更快脱离饱和区的目的。
如果 是一个权值变量，可以將式（14）改写成下面形式：
（18）
因为 ，表示目前的方向。若 和 的符号相同，那么就表示误差在 轴上出现逐渐渐小的趋势，此时能够增加修改 的幅度。由于 和 正好能够符合这个要求，如果 和 的符号不相同，那么就表示 和 已经逃离了在 轴上的一个部分最小点，此时为了防止产生较震荡的现象应该减小 的修改的幅度，同时应该将 和 加起来，以便满足要求。
在误差曲面部分细节方面上，引入动量项以后，不仅降低了网络对误差曲面部分细节的敏感性，而且还抑制了网络陷于部分极小值，同时减小了训练过程中的震荡趋势，保证不陷于部分极小值，并且提高了学习效率，进而收敛性得以完善。
（3）自调整学习速率。在标准的BP算法中，权值调整公式为
（19）
公式（17）中的学习效率一般都是凭经验选取，所以它的值是不变的。而算法的收敛速度和稳定性与它的选取有着极大的关系：如果学习效率太大，那么就能够加快收敛速度，但也许引起网络出现震荡，更可能发散；反过来，如果学习效率太小，那么就能够使训练更稳定的收敛，可是会导致训练时间较长，收敛过慢。由此看来，网络的整个学习过程不可能单独依靠一个固定的学习效率。
原始的选择不当的BP算法学习效率是导致收敛速率过慢的主要原因。通过调整学习效率的BP算法可以缩短学习时间。学习速率和网络收敛的关系是互相约束，假如学习效率太小，那么网络收敛的速度就会过慢；而假如学习效率太大，那么网络就有可能修改过头，进而导致其不能收敛。因此选择恰当的学习效率十分重要，需要不断更新它的权值与阈值 ，那么描述自调整学习效率的BP算法可以是：
（20）
其中，学习速率是个变量，表示为 ，动量为 。
需要检查训练中权值的修正值是否真正降低了误差函数。调整学习速率 的要点是：若误差函数减小，那么就将学习效率提升一小量；反过来，将产生过调现象，此时应该将学习效率减小。下面是调节自适应学习效率 的公式：
（21）
式中，能够调节初始学习效率 的值，网络的输出误差和用 表示。通过调节学习效率 可以让收敛速度快于标准的BP算法。
以上兩种求法都是通过标准下降梯度法，运用目标函数的一阶导数信息并对网络权值和阈值进行求导，同时在此种做法上进行改进。由于求导会使收敛速度变慢，因此当处理较为复杂的问题，把这两种求法结合起来可以有效抑制网络陷入部分极小，同时加快训练速度。
（4）改进激励函数。任意阶可导并且为非常数的函数理论上都能够组成BP网络的激励函数。BP算法通常使用S型函数作为激励函数。然而S型函数会导致网络收敛速度变慢，降低学习效率，容易使网络陷入部分极小值。所以，改善激励函数就是改进BP算法模型。
1）三角函数的改善。将S型函数用以下的三角函数替换：
（22）
式中根据经验选取1.2~1.8作为 的取值。仿真结果表明：在全局最优化上采用此三角函数对网络学习效率的提高效果要远远高于BP网络的激励函数。但是经过更深入的实验和分析显示：公式中的0.5和 两个参数并无联系，这也就导致了没有明显提高学习速率，假如把公示改为：
（23）
改变之后，不仅可以改变函数 的周期，使其幅值也可以随函数周期的变化而变化，进而改变了对应的连接权值，同时还可以将两个相连的神经元之间的兴奋程度改变。式中仍选择1.2~1.8作为 的值，不但显著提高了学习速率，还保证了网络全局的最优化。
2）改善S型函数。传统的BP网络通常使用S型函数 。可是网络的收敛速度也受到了影响，因此为了加快网络收敛速度，而引入了陡峭度因子（即形态因子） ，此时改进的激励函数变成：
（24）
（25）
（26）
式中， 表示形态因子， 表示第 个神经元的状态值， 表示 至第 个神经元的权重， 而表示此神经元的阈值。针对输入来说，因为陡峭度因子 的引入，能够自由地对S型函数进行平移和伸缩变换，激励函数的形状随 的取值的改变而改变。
尽管某些实际问题在经过改进后得到很好的解决，可是每次训练时的BP算法的收敛性和全局最优性仍然不能严格的被保证，也因此在设计过程中常常需要不断进行训练。
4.4构建教学质量评定模型
为了减少网络训练的次数并且提高网络的学习精度，选择恰当合理的网络模型是非常重要的，所以做出以下改进：
（1）设置层数。在理论上已经得出，可以用只有一个隐含层的BP网络逼近任何在闭区间的一个连续函数。所以为了达到任意的 维到 维的映射都能够用一个三层的BP网络完成，然而运用2层以上的隐含层只会增加网络训练时间，没有其他优势。所以，本文选取了只有1个隐含层的三层的BP神经网络作为BP神经网络模型。
（2）设置隐含层。由于选择隐含层神经元个数相对复杂，因此只好依靠往常实验和经验去确定。 为经验公式，输入层神经元数表示为 ，输出层神经元数表示为 ，隐含层神经元数表示为 ，取1~10之间的整数作为 的取值。通过试验，本文将隐含层数目确定为5。
（3）设置输入层。普通情况下，输入层根据具体问题的改变而改变。由指标体系得出，主要有11项指标影响教学质量，所以将 作为输入层个数的取值。
（4）设置输出层。由于本文选取单输出层的网络结构，所以教学质量的综合评定值即为网络输出值。
（5）选择激励函数。选取激励函数时，应该使用Sigmoid激励函数作为隐含层和输出层的传递函数
（27）
（6）调整学习参数。通过参考BP神经网络的公式来设置学习系数和动量系数。
4.5数据处理解析的评估
教学管理人员负责完成对各项教学质量指标数据的权重等参数的处理解析，根据数据库读取录入的教学质量指标数据，参照计算公式和预设参数，系统经过运算能够分别计算出对教师和学生的评定成果。以下是学生和老师得分的计算公式：
（28）
（29）
其中，评学得分和考试乘积多占学生得分的权重分别由 、 表示，学生评学得分由 表示，学生考试成绩由 表示，教师评教得分由 表示，及格率指标和优秀率指标分别由 、 表示，完成及格率每个百分点的奖惩分值由 表示，完成及格率每个百分点的奖惩分值由 表示，及格率和优秀率分别由 、 表示。
评教得分的计算公式为
（30）
其中， 、 、 、 均为权重。 为学生评教得分， 为教师互评得分， 为专家评教得分， 为领导评教得分。
教导处管理人员能够对以上学生得分和教师得分的计算公式中的参数进行统一设置，这不仅提高了教学质量监管，而且还增强了监管系统的适应性和灵活性。
5算法仿真及系统执行
5.1算法仿真
通过MATLAB对其进行初始化，构建3层的BP神经网络，1000次的学习次数，600次的迭代次数，选择0.9的初始步长，将400作为M的取值，0.9作为动量系数，0.001作为允许误差，用10对样本和10对测试数据作为初始数据，然后用MATLAB将这些初始化后的样本和测试数据输入到程序中并进行训练，进而产生相对满意的训练成果。表2为测试后的结果：
表1网络计算结果与专家评价结果表
序号 网络计算值 专家评价值
1 0.503 0.5
2 0.611 0.6
3 0.805 0.8
4 0.724 0.7
5 0.883 0.9
6 0.792 0.8
7 0.405 0.4
8 0.984 1.0
9 0.615 0.6
10 0.814 0.8
通过仿真结果显示可知，经过改进后BP神经网络，高职院校教学质量评定模型训练与预测精度达到标准，由此证明此模型是一个可行的、精度较高的、合理的预测模型。该改进BP网络模型基本可以替代专家对各权重的把握，有着准确的“专家思维”，能够用“专家思维”对各指标体系的分数进行评判。基于改进BP神经网络的高职院校教学质量评价模型建立成功完成。
5.2系统实现
基于上述系统分析，本文实现了高職院校教学管理与监控系统的实例化过程，完成了整个系统，其系统界面如下图所示。
图3系统登录界面图4系统主界面
该系统经过实际运行测试后，评价良好，有一定的效果，所以本文提出的方案切实有效，值得推广。
6总结
本文针对高职院校教学目前的质量管理与监控体系的研究现状，把质量管理与监控体系结合到质量管理与监控体系模型中，大大提高了高职院校教学资源整合系统的效率，还可以整合教学信息资源、提高资源的利用率、提升教学水平，建立了系统的、高效率的、可操作的科学合理质量监控制度，保证质量监控体系的有效运行，增进了教职员工的质量观念。促进了学校人才培养质量的稳步提高。
参考文献：
[1]刘瑞军.“三联互动”教学质量管理方式的探索与实践——以内蒙古师范大学国际现代设计艺术学院为例[J].内蒙古师范大学学报:教育科学版,2012,3:101-103.
[2]王源远,王丽萍.高校实践教学质量管理体系的研究与构建[J].实验技术与管理,2012,37(29):14-16.
[3]谢庆伟,秦华奇.运用ISO构建高校体育俱乐部教学质量管理体系的研究[J].沈阳体育学院学报,2012,1(13):99-102.
[4]陈小洁.高校成人教育教学质量管理的研究思路创新[J].计算机工程与设计,2012,5:12-13.
[5]张正兢.浅谈高职院校教学质量管理的规范与创新[J].中国成人教育,2011,21:39-41.
[6]周毅钧,王传礼,李雪斌.高校多媒体教学质量监控体系研究[J].安徽理工大学学报:社会科学版.2012,14(1):77-80.
[7]马玉涵,金光明,董杰,孙玉军.加强二级学院教学质量监控体系建设——安徽科技学院建设应用型本科院校实践探讨[J].安徽农学通报,2012,17(17):201-202.
[8]张莹,陈艾华,阳璞琼.构建实验教学质量监控体系的研究与实践[J].实验室科学,2011,14(4):38-40.
[9]赵贤淑.建立健全教学质量保障与监控体系[J].科学技术与工程.2010,19(9):9-9.
[10]赵建茹.高职教育教学质量监控体系的构建与运行研究[J].当代职业教育,2011,1:45-48.
[11]李玉香.构建高职院校教学质量管理体系[J].天津职业院校联合学报,2010,4:3-7.
[12]张丽勉,玄以晶.独立学院建立教学质量监控体系初探[J].中国科教创新导刊,2010,19:8-8.
[课题项目]2012年度浙江省教育技术研究规划课题（编号：JB036）