神经网络的本质篇1

【关键词】沸点；饱和烃；模式识别；神经网络

引言

量子力学计算是了解性质与结构关系本质的最好方法，但由于条件限制要精确解方程组很困难，因此，我们应用经典的价键理论处理该问题，以了解分子中键的性质、原子间的结合顺序、分支的多少及分子的形状等拓扑信息，进而推出分子的一些物理性质。

1模式识别与神经网络

1.1统计模式识别的方法

统计模式识别包括：样本输入、样本统计、窗函数训练、监控与测试、识别及识别方法性能评价6部分。

1.2神经网络的结构和模型

神经网络的结构是由基本处理单元及其互连方法决定的，一个人工神经网络的神经元模型和结构描述了一个网络如何令它的输入矢量转化为输出矢量的过程。其实质即体现网络输入及其输出间的函数关系。即通过选取不同的模型结构和激活函数，可形成各种不同的人工神经网络，以及输入和输出关系，进而达到不同的目的或完成不同任务。

1.2.1人工神经元的模型

连接机制结构的基本处理单元与神经生理学类比往往称为神经元。每个构造起网络的神经元模型模拟一个生物神经元。

该神经元有多个输入，i=1，2，..n和一个输出Y组成。中间状态由输入

信号权的加和表示，而输出为：式（1）中θj为神经网络的偏置，Wji为连接权系数，n为输入信号数目，yj为神经元输出，t为时间，f（）为输出变换函数，也叫做激发或激励函数。

1.2.2激活函数

激活函数是一个神经元及网络的核，网络解决问题的能力与功效除了和网络结构有关，很大程度上取决于网络所采用的激活函数。激活函数往往采用0和I二值函数或S形函数，它们都是连续和非线性的。

1.2.3人工神经网络的基本类型

1.2.3.1人工神经网络的基本特性

人工神经网络由神经元构成；这种由许多神经元组成的信息处理网络具有并行分布结构。每个神经元具有单-输出，能够与其它神经元连接；具有诸多输出连接方法，每种连接方法对应一个连接权系数。严格地说，该网络每个节点存在一个状态变量、阈值并定义一个变换函数，且从节点j至节点i存在一个连接权系亥摧教。

1.2.3.2人工神经网络的基本结构

递归网络中，多个神经元互连而成一个互连神经网络。有些神经元的输出被反馈至同层或前层神经元。因此，信号能够从正向和反向流通。前馈网络具有递阶分层结构，由一些同层神经元间不存在互连的层级组成。从输入层至输出层的信号通过单向连接流通；神经元从一层连接至下一层。

3神经网络计算饱和烃的沸点

采用三层拓扑结构为3-4-1的反向传播模型来建立预报导饱和烃沸点的人工神经网络。输入层以影响饱和烃沸点的3个参数为输入矢量，包括分子连接性指数，分子连接性指数，C原子数。训练时可根据计算误差自动地调整权重，待达到要求时即可固定权重值和偏置。

4实验

4.1实验步骤

拉制内径为1～1.2mm、一端封口、另一端有平整开口的毛细管做内管将待测液体式样装入微量沸点管的外管中，将一端封口的毛细管作为内管，开口朝下插入外管中，将外管固定在温度计上，试样部分位于温度计水银球中部。

将装好试样的沸点管用橡皮圈固定在温度计上，试样段靠在温度计水银球中部。将带有沸点管的温度计用一端有侧沟槽的单孔塞固定在盛有浴液的Thiele管内，温度计水银球位于上下侧管口中部。

以酒精灯加热Thiele管的倾斜部分，使浴液因温度差而形成对流从而使管中液体受热把带有沸点管的温度计放入熔点测定管内。加热熔点测定管，使温度均匀升高，见内管中有大量气泡冒出，则停止加热。当最后一个气泡缩回管内时，读取温度即为饱和烃沸点。

4.2结果

通过实验测出19种饱和烃的沸点，经公式计算及实验测定得到的2组数据比较得出，神经网络模型所优化的数据的相对误差极小，精确到10-4，所做的图形和试验数据也是拟合的极好。

5结论

神经网络模式识别的方法建立数据模型对饱和烃的沸点进行计算有着非常好的准确度，充分地利用了给出的参数。该模型在大大提高了计算精确度的同时并且具有很好的预测能力，而且其对于提高物质性质计算的效率和准确率有着重要的参考价值。

参考文献：

[1]杜红，刘强国.统计模式识别方法在录井油气评价中的应用[J].长江大学学报：理工卷，2006（3）.

神经网络的本质篇2

关键词：模糊神经网络;企业水环境;评价

收稿日期：20120410

基金项目：国家自然科学基金资助项目(编号:41101080);山东省自然科学基金资助项目(编号:ZR2011DQ009);山东省研究生教育创新计划

项目(编号:SDYC11147)资助

作者简介：朱敏（1974—），女,湖南常德人,工程师,主要从事企业水环境研究工作。

通讯作者：李锐（1963—），男,湖南新化人,教授,博导,主要从事环境经济学方面的教学与研究工作。中图分类号：X73文献标识码：A文章编号：16749944(2012)05015003

1引言

随着经济的发展和污染负荷的增加,人们认识到浓度控制已不能从根本上解决污染问题。而我国对水环境的研究,也主要集中在对水源地的分析和控制中。随着工业企业对水环境的重视,开始逐步尝试用处理过的中水进行循环使用,但是对多指标的水质评价缺乏定性的判断。而在对水环境的评价方法中,由于参与的评价因子众多,并且与水质等级之间存在的是非常复杂的非线性关系,所以至今都没有形成统一的方法。常规的地下水水质评价方法有综合指数法、模糊综合评价法、灰色聚类法等［1］,这些方法都还存在着一些不足。近年来,随着神经网络的发展,国内外很多从事地下水研究的学者将神经网络引入水质评价中,取得了较好的评价效果,表明研究神经网络处理水质评价具有非常现实的意义。

模糊理论和神经网络技术是近几年来人工智能研究较为活跃的两个领域［2］。模糊神经网络(FuzzyNeuralNetwork,FNN)是在神经网络(NeuralNetwork,NN)和模糊系统(FuzzySystem,FS)的基础上发展起来的,二者的融合弥补了神经网络在模糊数据处理方面的不足和模糊逻辑在学习方面的缺陷,是一个集语言计算、逻辑推理、分布式处理和非线性动力学过程为一身的系统［3,4］。本文使用这种方法来评价某企业水环境质量,通过MATLABR2011b编程实现,其工具箱函数提供了归一化函数mapminmax等,该仿真结果表明,系统具有较好的客观性和预测性。

2模糊神经网络原理

模糊神经网络是一种集模糊逻辑推理的强大结构性知识表达能力与神经网络的强大自学习能力于一体的新技术,它是模糊逻辑推理与神经网络有机结合的产物［6,7］。

2.1模糊数学方法

模糊集概念是模糊数学的特征函数处于中介状态,并用隶属函数表示模糊集。模糊数学是用来描述、研究和处理事物所具有的模糊特征的数学。“模糊”是指它的研究对象,而“数学”是指它的研究方法。

模糊数学中最基本的概念是隶属度和模糊隶属度函数。其中,隶属度是指元素u属于模糊子集f的隶属程度,用μf(u)表示,它是一个在［0,1］之间的数,越接近于0,表示μf(u)属于模糊子集u的程度越小;越靠近1,表示u属于模糊子集f的程度越大。

在模糊数学中,运用隶属度来描述客观事物中很多模糊的界限,而隶属度可用隶属函数来表示。比如水质评价中“污染程度”就是一个模糊概念,因此,作为评价污染程度的分类标准也应具有模糊的特征,用一般的评价方法进行分类别,不尽合理,而用模糊概念进行推理就比较符合客观实际［5］。

2.2TakagiSugeno(T-S)模糊模型

TS模糊模型一般用于多个输入和单个输出的情况。该模型是一种自适应能力很强的模糊系统,该系统不仅能自动更新,而且能不断修正模糊子集的隶属函数。TS模糊系统用如下的“if-then”规则形式来定义,在规则为的情况下,模糊推理如下:

Ri:Ifx1isAi1,x2isAi2，…,xkisAik,thenyi=pi1x1+…+pikxk

其中Aij为模糊系统的模糊集,pij(j=1,2,…,k)为模糊系统参数;yi为根据模糊规则得到的输出,输入部分(即if部分)是模糊的,输出部分(即then部分)是确定的,该模糊推理表示输出为输入的线性组合。假设对于输入量x=［x1,x2,…,xk］,首先根据模糊规则计算各输入变量xj的隶属度。

μAij=exp(-(xj-cij)2/bij)j=1,2,…,k;i=1,2,…,n(1)

式中,cij,bij分别为隶属度函数的中心和宽度;k为输入参数数;n为模糊子集数。

将各隶属度进行模糊计算,采用模糊算子为连乘算算子。

wi=μA1j(x1)×μA2j(x2)×…×μAkj(xk),i=1,2,…,n(2)

根据模糊计算结果计算模糊模型的输出值yi。

yi=∑ni=1wi(pi0+pi1x1+…+pikxk)/∑ni=1wi。(3)

2.3TakagiSugeno模糊神经网络模型

TS模糊神经网络分为输入层、模糊化层、模糊规则计算层和输出层等4层。输入层与输入向量xi连接,节点数与输入向量的维数相同。模糊化层采用隶属函数(1)对输入值进行模糊化得到模糊隶属度值μ。模糊规则计算层采用模糊连乘公式(2)计算得到w,输出层采用公式(3)计算得到模糊神经网络的输出。模糊神经网络的学习算法如下。

2.3.1误差计算

e=12(yd-yc)2,(4)

式中,yd是网络期望输出;yc是网络实际输出;e为期望输出和实际输出的误差。

2.3.2系数修正

pij(k)=pij(k-1)-αepij,(5)

epij=(yd-yc)wi/∑mi=1wi×xj。(6)

式中,pij为神经网络系数,α为网络学习率;xj为网络输出参数;wi为输入参数隶属度连乘积。

2.3.3参数修正

cij(k)=cij(k-1)-βecij,(7)

bij(k)-bij(k-1)-βecij。(8)

式中,cjj,bij分别为隶属度函数的中心和宽度。

3企业水环境评价应用

企业的水环境进行评价时,要采用一定的流程和算法。具体见图1,分为模糊神经网络的构建、模糊神经网络训练和模糊神经网络预测。

图1模糊神经网络企业水环境评价算法流程

3.1网络初始化

根据训练输入、输出数据维数确定网络结构,初始化神经网络隶属度函数参数和系数,归一化训练数据。在训练数据归一化时,使用mapminmax函数来实现。

3.2模糊神经网络训练

模糊神经网络训练用训练数据训练模糊神经网络,由于水质评价真实数据比较难确定,印象,采用了等隔均匀分布方式内插水质指标标准数据生成样本的方式来生成训练样本,采用的水质指标标准数据来自表1,网络反复训练100次。

根据GB3838-2002《地表水环境质量标准》,Ⅰ类主要适用于源头水、国家自然保护区;Ⅱ类主要适用于集中式生活引用水地表水源地一级保护区、珍稀水生生物栖息地、鱼虾类产卵场、仔稚幼鱼的索饵场等;Ⅲ类主要适用于集中式生活引用水地表水源地二级保护区、鱼虾类越冬场、泅游通道、水产养殖区等渔业水域及游泳区;Ⅳ类主要适用于一般工业用水区及人体非直接接触的娱乐用水区;Ⅴ类主要适用于农业用水区及一般景观要求水域。

表1地表水环境标准

序号项目Ⅰ类Ⅱ类Ⅲ类Ⅳ类Ⅴ类1化学需氧量(COD)≤15152030502悬浮物≤3氨氮≤0.50.51.01.52.04总磷≤0.020.10.20.30.55pH≤6~9

因为在企业的水质评价主要指标中,pH值和悬浮物没有具体的定量指标,无法做出正确的判断。因此,确定了化学需氧量(COD)、氨氮和总磷3个评价指标。

3.3模糊神经网络企业水环境评价

用训练好的模糊神经网络评价企业水环境,根据网络预测值评价水质等级。当预测值小于1.5时,水质等级为Ⅰ类;当预测值在1.5~2.5时,水质等级为Ⅱ类;当预测值在2.5~3.5时,水质等级为Ⅲ类;当预测值在3.5~4.5时,水质等级为Ⅳ类;预测值大于4.5时,水质等级为Ⅴ类。

3.4结果分析

调用了企业2010~2011年每月的污水处理数据,其各评价因子的数据折线图见图2。

图2企业水环境数据

采用MATLABR2011b进行仿真,输入节点数为3,隐含节点数为7,输出节点数为1。仿真结果如图3。图3为模糊神经网络模型训练数据预测仿真结果。该图中显示了实际输出、预测输出和误差。结果显示,该误差范围小于0.01。图4为模糊神经网络模型测试数据预测仿真结果。该图中显示了实际输出、预测输出和误差。结果显示,该误差范围小于0.01。图5为模糊神经网络企业水环境评价结果。

图3模糊神经网络模型训练数据预测仿真结果

图4模糊神经网络测试数据预测仿真结果

从企业水环境评价结果可以看出,目前,企业的水环境有了一定的改善,基本上维持在2~3级左右,说明了模糊神经网络评价的有效性。并且,水质等级的判定可以帮助企业在循环经济和景观建设中打下良好的基础。

图5模糊神经网络企业水环境评价

2012年5月绿色科技第5期4结语

从实际的应用结果可以看出,基于MATLAB编程实现的模糊神经网络方法应用与水质评价取得了良好的评价结果,积极探索了除地下水水质评价外的其它的环境质量评价中,为模糊神经网络提供了一个新的应用空间。

参考文献：

［1］谢宏斌.环境质量评价与预测方法的现状［J］.广西水利水电,2001(4):30~33.

［2］LeontalitisIJ.BillingsSA.Input-outputparametricmodelsfornonlinearsystems,partl:deterministicnonlinearsystems［J］.IntJContr,2006,4l(2):303.

［3］谢维信,钱法涛.模糊神经网络研究［J］.深圳大学学报,1999,16(1):22~27.

［4］王立新.模糊系统与模糊控制教程［M］.北京:清华大学出版社,2003.

［5］王鸿杰,尤宾,山官宗光.模糊数学分析方法在水环境评价中的应用［J］.水文,2005(25):30~32.

神经网络的本质篇3

[关键词]神经网络、网络安全评价、网络安全

中图分类号：TP183文献标识码：A文章编号：1009-914X（2015）13-0301-01

引言

对于计算机网络安全评价中，优化计算机网络安全评价方法，应用神经网络，发挥非线性安全评价能力，提升计算机网络安全评价速度，有助于提高网络安全评价的精度。以下对此做具体分析。

1、网络安全评价与神经网络

1.2计算机网络安全评价

网络安全评价，就是针对影响计算机网络安全的因素，建立全面、合理的评价指标，能够客观、科学地反映网络安全影响因素。网络安全评价，应具备、可行性、简要性、独立性、完备性、准确性，这样才可以准确反映评价信息。

1.2神经网络

针对神经网络，形成初期，就是以人体脑部信息处理的形式作为基础，然后，再经过数学模型的匹配，以此作为研究脑细胞结构、脑细胞动作以及人体生物神经元特征的网络结构[1]。后来，随着计算机技术的发展，在先前神经网络模型的基础上，不仅增加神经网络的学习机制，同时，还提出针对神经网络的感知器模型，并将其应用在工程建设之中，然后利用映射拓扑性质，形成映射自组织网络模型，在计算中进行模拟。

2、应用神经网络技术的优点

对于网络安全评价中，应用神经网络不仅可以提升网络完全评价的质量，还可以提升网络安全效应，其主要具备以下优点。首先，就是在网络安全评价中，应用的神经网络，神经网络有自适应性与容错性，通过自我调整可以减小网络误差[2]；神经网络知识是存储在连接权上的，依据生物神经元学习与记忆形成，同时还具备外推性、自动抽提的功能，可以对直接的数据以及数值进行学习训练，神经网络技术中，还可以自动的确定出原因同结果之间的关系，同时总结网络的安全评价规律，能够将已学的知识应用到网络安全评价样本之中[3]。并且，针对神经网络技术，其应用范围较广，还具备实时应用的潜力，在网络安全评价中，可以有效保证网络的安全，确保其评价结果的准确性与客观性。

3、神经网络算法

3.1粒子群优化算法

每个粒子i包含为一个D维的位置向量xi=（xi1，xi2，……，xiD）和速度向量vi=（vi1，vi2，……，viD），网络安全评价中，粒子i在搜索空间时，可以保存搜索的最优经历位置pi=（pi1，pi2，……，piD），并且可以在神经网络的每次迭代开始之时，该粒子就可以根据自身的惯性与经验，在群体的最优经历位置上调整速度向量，达到最好的位置。c1、c2作为正常数，也就是加速因子；r1、r2就是[0，1]中的均匀分布随机数，d是D维维数，ω就是惯性权重因子。粒子位置与速度更新公式如下：

初始化网络安全评价神经网络种群后，可以将种群大小记为N。基于网络安全评价中，神经网络的适应度支配思想，可以将种群划成两个子群，一个作为非支配子集A，一个作为支配子集B，并且两个子集基数需要满足子群基数之和。粒子群优化算法中，其算法终止准则，就是最大迭代次数Tmax，以及计算精度ε以及最优解最大凝滞步数t，则可结束网络安全评价工作。

3.2BP神经网络学习算法

对网络安全评价神经网络权系数置初值。

对网络安全评价神经网络各层的权系数，可以置一个较小非零随机数，但网络安全评价神经网络中，。

输入网络安全评价神经网络的一个样本，，并以与其对应的期望输出结果。

计算网络安全评价神经网络各层输出，针对其第k层的第i个神经元，其输出为，公式为：

，

计算网络安全评价神经网络的学习误差，

计算神经网络输入向量与隐层神经元以及输入层权值的距离，距离较大为获胜神经元。求出各层学习的误差。针对输出层，有

对于神经网络隐层，仅计算获胜神经元的学习误差，i为获胜神经元。

修正神经网络局部权系数和阀值

调整神经网络，与获胜神经元相连弧线的权值和阀值

其中：

当求出网络安全评价中神经网络的各层各个权系数后，可按给定的品质指标，以此判别网络安全是否满足使用要求；如果说已经满足了要求，则可以结束算法；如果，没有满足要求，则进行返回处理执行。

4、基于神经网络的网络安全评价

4.1设计网络安全评价模型

网络安全评价中，输入层神经元节点的数量，必须要和计算机网络的安全评价指标数量相同，例如，针对计算机网络安全评价体系中，就可以设计18个二级的指标，针对计算机网络安全评价模型的输入层，在其设计神经元节点数量时，也必须是要是18个指标[4]。并且，对于大部分BP神经网络中，还应该采用单向的隐含层，针对隐含层节点数量，可以根据需求的神经网络性能进行设计。针对网络安全评价中，如果说隐含层节点数数量过多，就会使网络安全评价中的神经网络学习时间延长，故此在通常情况下，可以将隐含层设计为5个。针对神经网络输出层设计中，主要就是输出网络安全评价结果，可以将神经网络输出节点数设2个，其输出结果是（1，1），以此来表示安全；输出结果是（1，0）表示基本安全；输出结果是（0，1）表示不安全；输出结果是（0，0）表示很不安全。

4.2构建网络安全评价体系

针对网络安全评价中，使用粒子群优化算法，优化传统的BP神经系统，有效克服网络安全评价的局限性。其优化方法如下：可以将BP神经网络的目标向量以及传递函数、结构，进行初始化；然后设置粒子群初始速度、动量系数、初始位置等参数，并且可以利用粒子群训练集，训练网络安全评价中的BP神经网络，使其在网络安全评价中具备适应度值；可以将每个粒子历史以及最好适应度值，同当前的适应度值进行比较。当前比历史适应度值优，需要保存当前粒子的适应度值，使其作为最好适应度值；并且，还需要计算粒子惯性权值；降低在网络安全评价中，粒子适应度值的误差。针对网络安全评价的BP神经网络中，其学习过程之中，对于任何一个给定样本以及期望输出，都应该将其执行到满足所有的输入输出为止。

结论

综上所述，在网络安全评价中应用神经网络，具有可行性，有效避免传统网络安全评价中的存在的弊端，引入神经网络技术，可以基于粒子优化神经网络，确保计算机网络安全评价结果的准确性、客观性，发挥积极的应用价值。

参考文献

[1]李忠武，陈丽清.计算机网络安全评价中神经网络的应用研究[J].现代电子技术，2014，（10），80-82.

[2]郑刚.计算机网络安全评价中神经网络的应用研究[J].网络安全技术与应用，2014，（09），55-57.

神经网络的本质篇4

1用户感知评价体系概述

1.1概念简述

用户感知是指客户对网络质量是可深入认识、感知的，良好的网络质量感知是企业核心竞争能力的直接表现。

用户感知在移动通信业务中是指用户在主观感受上对移动网络业务的使用满意程度，它反映了用户对网络和业务的感受优劣度，反映了该移动网络业务的质量与用户本身期待之间的差异。

1.2用户感知发展现状

传统的网络优化方法主要包括基于网管指标、路测指标的网络优化。其中路测指标主要通过DT（dimensiontest）测试、CQT（CallQualityTest）测试获得，其特点是从终端侧收集数据，主要用于检测网络运行质量，反映测试路线上的网络情况。网络指标主要为网管KPI，获取方式是网管数据、告警数据、用户投诉数据等，该指标的特点是从网络侧收集数据，反映网络运行质量，统计不同范围的网络情况。传统用户感知模型如图1。传统用户感知模型只能够反映网络侧因素对用户体验质量的影响，片面的将网络设备状态当做用户的实际感受。

目前，移动网络技术广泛的应用于社会的各方各面，人们对移动业务质量也提出了更高的要求。现在的网络优化已经由过去的单纯优化网络性能，改变成优化用户的感知满意度。因此提出改进型的用户感知模型如图2。

2用户感知模型的指标筛选

影响语音业务用户感知的相关指标比较多，但是并非每一个指标对用户体验质量都有着绝对的影响。为了建立科学客观的指标体系，本文采用最小距离聚类算法去除相关性较强的指标，并结合实际情况筛选出适合的语音业务用户感知的评价指标。

聚类法是研究多要素事物分类问题的数量方法。基本原理是根据样本自身的属性，用数学方法按照某种相似性或差异性指标，定量地确定样本之间的亲疏关系，并按这种亲疏关系程度对样本进行聚类筛选。

重复进行以上步骤可以得到最小距离聚类谱系图，如图3。

通过最小距离聚类谱系图可以筛选出六项评价指标：平均呼叫时长G1、切换成功率G8、呼叫建立时长G9、业务信道分配成功率G4、寻呼成功率G6、掉话率G3。

3利用模糊神经网络建立评价模型

人工神经网络起源于模拟人脑神经元的工作方式。人工神经网络是由大量的简单基本元件——神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。人工神经网络具有很强的自适应与自组织特性以及泛化能力、非线性映射能力、高度并行性。

根据人工神经网络的特点，可以利用其建立用户感知评价模型，从用户角度分析所提供的服务的满意程度，为之后的网络优化提供支持。

T-S模糊神经网络分为输入层、模糊化层、模糊规则计算曾和输出层等四层。输入层与输入向量连接，节点数与输入向量的维数相同。

利用模糊神经网络建立语音业务用户感知体系KPI-QOE的映射模型，通过大量数据样本对模型进行训练自动调整权值使得模型的性能及误差等符合要求。建立用户感知模糊神经网络模型流程如图4。

4结语

我国通信领域正在进行日新月异的变化，而传统的无线网络优化技术已经难以满足当前技术革新的步伐。落后的用户感知评估体系滞后了用户体验对网络质量的直接影响，使得传统的QoE体系不能完全真实的反映用户感知，常常会出现网络的KPI情况很好，但是从用户的真实感受来看，网络的质量却不如人意。因此，改进用户体验评价体系是当务之急。一套合理有效的用户感知评价体系将成为企业改善服务质量，提升用户满意度，培养用户忠诚度的必然之选。

参考文献

[1]林闯，胡杰，孔祥震.用户体验质量（QOE）的模型与评价方法综述[J].计算机学报，2012（35）.

[2]冯国玲，徐旭东.用户感知评估体系的设计与实现[J].河北工业科技，2009（3）.

[3]李荣.浅析移动通信中的用户感知[J].电信快报，2008（5）.

神经网络的本质篇5

关键词质量评价RBF神经网络指标体系

AbstractThequalityofteachinginhighervocationalcollegesisthebasisofitssurvivalanddevelopment，andthequalityofteachersisanimportantpartofthequalityassurancesysteminHigherVocationalcolleges.Inordertoobjectivelyanddiversifiedevaluationthequalityofteachers，teachersreflectthelevelandabilityofteachersinhighervocationalcolleges，thispaperputsforwardthequalityevaluationsystemandindex，andthenthroughtheRBFneuralnetworktheorytoestablishthevocationalcollegeteachersRBFneuralnetworkevaluationmodelbasedonquality，andisverifiedbythesampledata.Thesimulationresultsshowthatthemodelcancomprehensivelyandscientificallyevaluatethequalityofteachers.

Keywordsqualityevaluation；RBFNeuralNetwork；indexsystem

0引言

《家中长期教育改革和发展规划纲要（2010-2023年）》中提出：提高质量作为重点，建立健全职业教育质量保障体系，吸收企业参加教育质量评估，开展职业技能竞赛。高职院校办学质量是其生存和发展的基础。教师质量是高职院校办学质量保障体系中重要的组成部分，是不断提高高职院校办学质量的有效保证，也是进行教师绩效考核的参考基础。[1][2]因此建立一套有效的、完善的、符合高职特色的教师质量评价体系，对于深化专业建设、推动教学改革、激励教师不断改进提高具有积极的作用，同时也对加强教学管理、建立良好教风起到了重要的作用。

本文首先在国家教育行业信息化的政策背景下，按照高职学院建立健全“师资队伍建设机制”和“质量监控体系”的需求，通过分析多个高职学院在师资队伍引进、聘用、管理制度；专、兼职行业、企业教师任职的标准；专业带头人、骨干教师的职责、认定程序、培养方法；“双师”型教师认定程序、培养方法等相关管理办法及制度；实训教师管理办法以及教辅人员管理办法等制度文件，提出一个多层次多元化的教师质量评价指标体系。再采用RBF神经网络将样本中指标量化分作为输入，最终评价作为输出，训练建立教师质量评价模型，并通过其它的样本数据对比该模型的评价结果和实际情况差异。这样实现了定量分析和定性分析的结合，保证了评价结果的客观性和一致性。

1高职院校教师质量评价指标体系

1.1评价指标体系设计

（1）评价指标体系设计理念。从目前高职教师质量评价的现状来看，主要存在以下问题：在内容上，偏重于评价知识与技能的掌握程度而缺乏对过程、方法以及情感、态度、价值观的评价，这样评价的结果很难反映教师真实的水平与能力；在形式上，偏重于总结性评价而缺乏对过程的监控与反馈，造成评价形式单一；功能上，强调评价的甄别和选拔，但是缺乏对教师提出改进措施与建议；在方法上，偏重于简单的量化评价而缺乏质性评价，描述性评价、表现性评价等更是少见；在评价标准上，有过于单一的绝对化的倾向。[3]

（2）评价指标体系设计方法。本项目在评价指标体系设计时，主要沿着以下几点思路进行的：

一是“以人为本”。关注教师的主体性是评价的出发点。

二是明确师生角色的定位是评价的基础。在评价教师的教学时，应该改变传统的师生角色的定位观念，明确教师的主导作用和学生的主体地位。在评价中时刻想到教师只是学习过程的组织者、辅助者、帮助者、教学环境的创设者，教师不能代替学生学习知识、思考问题。教学中教师的一切行为都是为了给学生创造良好的学习情境，学生才是整个课堂的核心，学生应该有足够的空间发挥自己，这样才能发挥学生的主动性。

三是以业绩记录与贡献作为评价重点。社会的发展，对人才的知识能力结构提出了新的要求，对于人才培养的目标也提出了新的要求。高等职业院校注重能力的培养已经成为一个关注的热点。需要指出的是，能力的客观反映需要大量的业绩共享数据作为支撑，对教师能力的评价采用业绩与贡献的分析是一种比较可行的量化评价方法。[4][5]

1.2确立评价指标体系的步骤

（1）明确评价对象；（2）制定评价基本指标；（3）对评价目标进行分解；（4）设计评价标准；（5）对初步的评价指标体系进行论证、征询意见、试评。

通过以上步骤确立教师质量评价体系指标如表1所示。

2RBF神经网络构建教师质量综合评价模型

RBF（RadicalBasisFunction）神经网络也称为径向基神经网络，是一种前馈型神经网络，网络结构为三层模式，除了输入输出层以外还有一个隐含层。[6]隐层中的转换函数是局部响应的高斯函数，而其他前向型网络，转换函数一般都是全局响应函数。由于这样的不同，要实现同样的功能，RBF需要更多的神经元，这就是RBF网络不能取代标准前向型网络的原因，但是RBF的训练时间更短。[7]RBF网络相当于用隐含层单元的输出构成一组基函数，然后用输出层来进行线性组合，以完成逼近功能，它对函数的逼近是最优的，可以以任意精度逼近任意连续函数。

2.1神经网络评价模型的确立

根据如表1所示指标体系，一共有30个三级指标，因此本文选取输入层神经元个数Q=30。同时为了使的网络具有更好的收敛速度，对输入样本数据进行归一化处理，将输入样本数据规范到[0，1]之间。教师质量样本评价结果作为网络的输出，因此输出层个数为1。RBF神经网络的隐含层是含有X个神经元的径向基函数层。根据Kolmogorov定理，RBF神经网络隐含层神经元数理论计算值是2p+1（p为输入层神经元个数），但实际效果并不理想，主要原因在于RBF神经网络隐含层节点数不仅与输入层神经元个数有关，还与样本的输入输出数据的结构特征有关。[8][9]本文RBF神经网络模型结构如图1所示。

2.2神经网络评价模型的算法

图1中p1、p2、p3到pQ为RBF神经网络的Q个输入，Y为RBF神经网络的输出。输出层节点函数通常是简单的线性函数，隐含层节点函数通常为高斯函数，则隐含层第r个神经元的输出值zr为：

zr=exp（-