[發(fā)明專利]一種用于翻轉(zhuǎn)課堂的教學(xué)質(zhì)量評價(jià)模型

有效

• 申請?zhí)枺?/td>: 201711235347.4
• 申請日: 2017-11-20
• 公開（公告）號: CN107862970B
• 公開（公告）日: 2020-09-08
• 發(fā)明（設(shè)計(jì)）人: 喬維德
• 申請（專利權(quán)）人: 無錫開放大學(xué)
• 主分類號: G09B25/00
• 分類號: G09B25/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種用于翻轉(zhuǎn)課堂的教學(xué)質(zhì)量評價(jià)模型的構(gòu)建方法，其特征在于，所述的評價(jià)模型構(gòu)建方法是利用改進(jìn)的粒子群算法和改進(jìn)BP算法優(yōu)化、訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，通過改進(jìn)的粒子群算法優(yōu)化輸出BP神經(jīng)網(wǎng)絡(luò)中最優(yōu)初始連接權(quán)值和閾值，并通過改進(jìn)BP算法對BP神經(jīng)網(wǎng)絡(luò)加以學(xué)習(xí)訓(xùn)練，直至BP神經(jīng)網(wǎng)絡(luò)輸出誤差滿足要求為止，采取基于動(dòng)量和自適應(yīng)學(xué)習(xí)的改進(jìn)BP算法，即：

ω_ij(t+1)＝ω_ij(t)+η(t+1)σ(t)X_i(t)+β|ω_ij(t)-ω_ij(t-1)|

其中，β為動(dòng)量因子，|ω_ij(t)-ω_ij(t-1)|表示加入的動(dòng)量項(xiàng)；c、d均表示常數(shù)并且0＜c＜d；η表示需要調(diào)整的學(xué)習(xí)率(學(xué)習(xí)步長)；σ表示網(wǎng)絡(luò)神經(jīng)元層之間誤差；ω_ij(t)表示BP神經(jīng)網(wǎng)絡(luò)輸入層與中間層之間的連接權(quán)值；X_i表示BP神經(jīng)網(wǎng)絡(luò)層輸入信號，對應(yīng)于翻轉(zhuǎn)課堂教學(xué)質(zhì)量評價(jià)指標(biāo)值；

標(biāo)準(zhǔn)粒子群(PSO)算法按下式進(jìn)行迭代計(jì)算，直至粒子搜索出最優(yōu)位置；

V_ij(t+1)＝ωV_ij(t)+γ₁*rand₁*(P_j(t)-S_ij(t))+γ₂*rand₂*(G_j(t)-S_ij(t))

S_ij(t+1)＝S_ij(t)+V_ij(t+1)

其中，t為尋優(yōu)迭代次數(shù)；S_ij(t)為粒子在t代時(shí)當(dāng)前位置；V_ij(t)為粒子在t代時(shí)速度；ω為粒子運(yùn)動(dòng)慣性權(quán)重，γ₁、γ₂為加速因子，分別修正朝著全局最優(yōu)粒子和向個(gè)體最優(yōu)粒子位置方向移動(dòng)的最大步長，選取γ₁＝γ₂＝2；rand₁、rand₂為0～1隨機(jī)數(shù)，P_j、G_j表示粒子的個(gè)體最優(yōu)和全局最優(yōu)位置，其中j＝1，2…，M(M為粒子群算法的求解空間維數(shù))；

為防止粒子群算法產(chǎn)生“早熟”現(xiàn)象，對慣性權(quán)重ω進(jìn)行更新，讓其跟隨粒子群算法的迭代次數(shù)進(jìn)行線性調(diào)節(jié)，即：

上式中，ω_max為慣性權(quán)重最大值，ω_min為慣性權(quán)重最小值；t為當(dāng)前更新迭代次數(shù)，t_max為最大更新迭代次數(shù)；

為了擴(kuò)展粒子群算法的搜索尋優(yōu)空間，減少甚至消除粒子群在沒有完全搜索前陷入局部極值概率，當(dāng)粒子每次迭代更新后對粒子按一定的變異概率g作重新初始化處理，即參照遺傳算法中種群變異思想，引入遺傳變異因子，從而實(shí)現(xiàn)粒子群算法全局最優(yōu)；操作規(guī)則如下：

其中，h為0～1之間隨機(jī)值，由它決定粒子向著最大或最小位置方向變異；

變異概率g的求取公式為：

其中g(shù)₁、g₂分別表示變異概率的初始取值和最終取值，選取g₁＜g₂，以保證變異概率g根據(jù)余弦變化規(guī)律由小逐漸增大；

進(jìn)一步地，改進(jìn)粒子群和BP算法優(yōu)化、訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的步驟如下：

步驟1：初始化算法參數(shù)，隨機(jī)初始化粒子群初始位置和初始速度，設(shè)定初始慣性權(quán)重ω、加速因子γ₁、γ₂，最大迭代次數(shù)t_max，確定BP算法的動(dòng)量因子β，學(xué)習(xí)率η等；選定BP神經(jīng)網(wǎng)絡(luò)輸入層、中間層以及輸出層神經(jīng)元個(gè)數(shù)各自為S₁、S₂、S₃，即BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為S₁-S₂-S₃，種群中的每個(gè)個(gè)體粒子對應(yīng)于BP網(wǎng)絡(luò)各層所有神經(jīng)元之間的連接權(quán)值和閾值，粒子維度表示為S₁×S₂+S₂×S₃+S₂+S₃，其中連接權(quán)值個(gè)數(shù)為(S₁×S₂+S₂×S₃)，閾值個(gè)數(shù)為(S₂+S₃)；

步驟2：選取翻轉(zhuǎn)課堂教學(xué)質(zhì)量評價(jià)的樣本(含訓(xùn)練、測試)數(shù)據(jù)，對樣本數(shù)據(jù)進(jìn)行歸一化處理后，計(jì)算粒子群中每個(gè)粒子的適應(yīng)度函數(shù)值；采用BP網(wǎng)絡(luò)輸出誤差E作為粒子群算法的適應(yīng)度函數(shù)，公式為：

其中，B_jk為第j個(gè)訓(xùn)練樣本在第k個(gè)輸出節(jié)點(diǎn)處網(wǎng)絡(luò)期望輸出，A_jk為第j個(gè)訓(xùn)練樣本在第k個(gè)網(wǎng)絡(luò)輸出神經(jīng)元節(jié)點(diǎn)處的實(shí)際輸出，m為網(wǎng)絡(luò)輸出層神經(jīng)元節(jié)點(diǎn)數(shù)(即m＝S₃)，n是訓(xùn)練樣本數(shù)；

步驟3：對于每個(gè)粒子的適應(yīng)度值，如果其值好于全局最佳位置的粒子適應(yīng)度函數(shù)值，則當(dāng)前粒子位置便是當(dāng)前全局最佳位置；

步驟4：采取改進(jìn)粒子群算法中的公式分別更新粒子速度、位置；

步驟5：每次迭代更新粒子位置后，按一定概率對粒子進(jìn)行變異操作，完成重新初始化處理；

步驟6：重復(fù)執(zhí)行步驟2～步驟5，當(dāng)粒子適應(yīng)度函數(shù)值達(dá)到規(guī)定精度和最大迭代次數(shù)，改進(jìn)粒子群算法搜索結(jié)束，輸出全局粒子最佳位置且映射為BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)初始連接權(quán)值和閾值；

步驟7：采用改進(jìn)的BP算法對BP神經(jīng)網(wǎng)絡(luò)加以訓(xùn)練，不斷調(diào)整BP網(wǎng)絡(luò)的連接權(quán)值和閾值，直至滿足設(shè)定的最大訓(xùn)練次數(shù)或網(wǎng)絡(luò)輸出達(dá)到最小誤差精度要求；

步驟8：將測試樣本輸入已訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，用來對翻轉(zhuǎn)課堂教學(xué)質(zhì)量進(jìn)行評價(jià)。