基于BP神经网络的课程教学数据分析与处理——以《智能制造自动化产线装调》为例.pdf

基于B P神经网络的课程教学数据分析与处理 以 智能制造自动化产线装调 为例李智胡菡骆峰(武汉软件工程职业学院湖北武汉:)摘要 智能制造自动化产线装调 课程在教学中既有理论讲授也有实操训练、既有虚拟仿真也有实际装调,利用传统的教学质量评估指标进行加权求和已经不能全面且客观地判断教学质量.为此,引入教学资源的熵值将教学信息传递的客观情况量化,并从课前、课中、课后三个阶段的教学行为和教学资源两个维度收集教学数据进行分析与处理,再构建以教学资源信息熵为权重加权求和的教学效果评价矩阵.以此为输入构建三层B P神经网络对教学质量进行综合评估和分析,并借助S P S S软件比对了引入教学资源的熵值前后的B P神经网络输出结果及误差.比对结果说明,文中构建的B P神经网络在输入层引入教学资源的熵值后的教学效果评价结果及数据分析误差更精准、更客观.这样的教学数据分析为教师精心设计教学活动以及合理选择和利用教学资源提供了科学依据,有助于这门课程的教学改革和教学质量的提升.关键词B P神经网络;教学数据;信息熵;智慧制造;虚拟产线;教学评价中图分类号:G 文献标识码:A 文章编号:()收稿日期:修回日期:基金项目:年度武汉市教育局课题(课题编号:)作者简介:李智(),男,硕士,讲师 E m a i l:q q c o m 引言 智能 制 造 自 动 化 产 线 装 调 课 程 是 新 兴 专业 智能控制技术的核心课程.该课程集传感检测技术、P L C控制技术、网络通信技术、气动液压技术以及机械传动技术等多门课程于一体,并将这些前导课程中的理论知识和实操平台结合,培养学生的综合应用技能.为了能更高效地培养学生对自动化产线装调的综合技能,该课程引入了虚拟现实技术,即通过仿真软件导入自动化产线的模型,并在虚拟产线上设计产线中各设备的工作节拍、输入输出信号交互以及控制设备和执行机构的动作逻辑.通过在虚拟产线上的调试,不仅可以节省安装调试时间,也可以规避实物调试因程序逻辑错误带来的调试风险.但是这种虚拟现实技术的应用也给该课程的教学和教学质量评价带来了新的挑战.为了能客观地评价教学效果并有效提高教学质量,各种教学质量评价体系和模型层出不穷.美国教育家布鲁姆认为教学评价就是在教学过程中获取关于教学的反馈信息.这方面有代表性的评价指标体系有华盛顿大学的I A S(教学评估系统)、亚利桑那大学的T C E(教师课程评价)、堪萨斯州立大学的I D E A(独立发展与教育评估).随后,国内学者们根据我国大学教学的特点对教学质量评价体系进行了研究也建立了不同的评价体系.为了更加科学、客观地评价教学质量,国内外学先后引入了神经网络、模糊聚类分析、层次分析法等算法.其中,B P神经网络由于可以模仿人脑进行学习,并利用误差反向传播机制将输出结果的误差降到最低,因而得到广泛的应用.然而,传统的教学质量评价结果大多是各种教学质量评价指标得分的加权和.虽然这种评价模式能够较为全面客观地评价课程的教学质量,但仍有一些方面需要改进.第一,评价结果的客观性、合理性和公平性很大程度上取决于所建立的教学评价标准和指标体系是否足够科学、系统和有效.第二,已建立的评价体系中的大部分指标不便于量化,需要人为打分,不同评委给出的评价结果可能存在较大差异,这就很难排除主观因素.第三,在教学过程中,教学资源的使用很少通过教学行为量化并客观反映其对教学效果的影响.针对上述问题,本文提出了一种基于B P神经网络的教学数据处理和分析的新方法.根据 智能制造自动化生产线装调 课程的特点,利用信息熵对教学资源传递的教学信息和教学过程中获得的教学效果进行量化,然后利用B P神经网络对该课程的教学数据进行分析处理,以求能更客观全面的反映虚拟现实技术对于这门课程教学过程以及教学评价的影响,为这门新兴专业的核心课程的教学改革提供有迹可循的依据.研究方法和实施途径 教学数据的定义和获取目前,借助于数据挖掘、数据仓库和联机分析,国内外学者提出了各种教学数据处理和分析技术来辅助不同课程的教学评价.根据虚拟现实技术在 智能制造自动化生产线装调 课程中的应用特点,本文将从教学行为和教学资源两个维度以及课前、课中、课后三个阶段采集教学数据进行分析处理,处理结果将作为B P神经网络的输入层进行进一步分析.教学行为数据教学行为可分为三种类型:主动教学活动、课堂管理和非教学活动.此处教学行为数据是指学生对教师教学行为所产生的教学效果的评价,该数据将通过向学生收集调查问卷的方式获得,如表所示.教学行为评价等级设定为分制:完全达到评价标准的得分;大部分符合标准得分;仅满足基本评价标准得分;仅达到部分评价标准而未达到基本评价标准得分;仅达到少数评价标准得分;完全不符合评价标准或没有实施相应的教学行为则分.教学行为的数据矩阵定义如下:A(aaan)()式()中,ai是第i次教学行为的评估分数(i,n).表教学行为数据采集表教学阶段教学行为评价标准评价等级课前讨论a是否有效导入新课测验a对旧课技能掌握情况反馈作业a对旧课知识掌握情况反馈问卷调查a对新课预习情况反馈课中提问a是否通过任务驱动明确学习目标讲授a是否通过课堂呈示(包括语言呈示、文字呈示、声像呈示、动作呈示等),能清楚易懂,深入浅出,重点、难点明确,内容充实,信息量大头脑风暴a是否通过讨论梳理知识点和技能投票a是否通过有效组织课堂秩序,启发鼓励学生思考、创新、参与教学过程小组P Ka是否通过对抗方式活跃课堂气氛课堂练习a 是否通过设置合适的学生操作与教师课堂讲课时间比例,提高教学质量课后作业a 是否通过工程实例进行讲解,在作业中培养职业技能问卷调查a 是否学生对课程的兴趣是否提高,是否培养了严谨、细致的工作作风考试a 是否学生的基本理论水平、装调能力和创新思维能力是否得到提高 教学资源数据对教学的评价,不仅需要研究教学行为,还需要研究教学资源.智能制造自动化产线装调 课程的教学资源包括课前教学资源(教学大纲y、教学计划y、教案y)、课中教学资源(仿真软件y、课件y、视频y、仿真动画y、黑白板y、教具y、信息设备y )和 课 后 教 学 资 源(各 种 教 材y 、习 题y 、辅导资料y ).教学过程是一个典型的信息传导过程,由教和学交互构成的信息系统就是教学信息熵.教学信息熵是一种对教学过程量化的评价模型,是探究如何调节课堂状态的理论机制.借助于教学信息熵的理论,教学资源的信息熵反映了在不同的教学行为下使用了哪些教学资源,以及教学资源在教学行为中所占的比重.教学资源的信息熵Yn可以表示为:YnPil o gPi()式()中,Pi是各类教学资源使用的概率.教学资源信息熵越大,说明教师越注重运用多种形式的教学资源促进学生知识构建,从而提高信息发送的质量.这些教学资源的使用可以客观地反映各教学阶段的教学行为是否符合教学规律.课前教学资源的熵值可以客观地反映课前教学行为是否武汉工程职业技术学院学报 符合教学大纲要求,是否符合专业需求,教学是否按教学进度进行.课中教学资源的熵值可以客观地反映课中教学行为是否具备齐全的硬件设施,多媒体手段的运用是否熟练合理,教师是否进行实际操作讲解且操作是否熟练.而课后教学资源的使用则能客观地评价学生上机操作是否充分,课后学习的指导是否及时,练习和作业是否难易适中.因此,教学资源的数据矩阵定义为:YYYYny y ymy y ymynynyn m()式()中,yi j(i,n;j,m)表示在第i个教学行为下第j个教学资源的熵值.教学资源的数据可以通过我校开发的课堂教学监控软件获得.该软件以每分钟一次的频率收集教师在课堂上使用的教学资源类型,并根据公式()计算教学资源的信息熵.教学数据处理虚实结合技术的应用使得在 智能制造自动化产线装调 课程的教学过程多种教学资源频繁使用,而这样的教学行为对提高教学质量产生多大的影响不能通过单独分析教学行为或教学资源来判断.若单独从教学行为数据分析将忽略教学资源对教学行为的影响,而仅从教学资源数据分析则忽略了教学行为所产生的教学效果.因此,为了能更客观的量化具体的教学行为中所调用的教学资源传递了多少教学信息以及所取得的教学效果,应将两组数据结合起来处理.由于两组数据具有不同的量纲,为了使这些数据具有可比性,首先将两组数据进行归一化处理.由于本文研究的数据均为正向指标,归一化公式如下:Dididm i ndm a xdm i n()式()中,Di为数据标准化后的计算结果;di是第i个原始数据(i,n);dm i n是原始数据中的最小值;dm a x是原始数据中的最大值.归一化后,将教学行为数据矩阵与教学资源数据矩阵相乘,得到教学评价矩阵:XAY(aaan)y y ymy y ymynynyn m(xxxm)()xjniaiyi j()式()中,xj是以教学资源的信息熵为权重的教学效果评价的加权和(j,m).在公式()中,ai反映了第i个教学行为产生的教学效果,即学生对教学的评价.yi j表示第i个教学行为下第j个教学资源的熵值,反映了教学信息传递的客观情况.经数据收集和公式()处理后,样本数据将作为B P神经网络的输入值进一步处理,部分样本数据如表所示.两组数据通过矩阵运算合并,从信息论的角度来看,这样确定权重的过程被视为信息收集和处理的过程,也是各指标内在信息的综合体现.这样能有效减少人为干扰,并得到相对公正、科学的教学评价结果.表部分样本数据XXXXXXXXXX X X X 李智胡菡骆峰:基于B P神经网络的课程教学数据分析与处理 教学数据分析 B P神经网络基本原理B P神经网络由输入层、隐含层和输出层组成,如图所示.基本的B P算法包括两个方面:图B P神经网络基本结构)信号的正向传播过程输出层中第k个节点的输出Ok:Ok(n e tk)(qiwk iyiak)(qiwk i(Mjwi jxji)ak)()式()中,xj为输入层第j个节点的输入,wi j为隐含层第i个节点与输入层第j个节点之间的权重,i为隐含层第i个节点的阈值,(x)为隐含层激励函数,wk i为输出层第k个节点与隐含层第i个节点之间的权重,k为输出层第k个节点的阈值,(x)为输出层激励函数.)误差的反向传播过程首先从输出层计算出各层神经元的输出误差,然后根据误差梯度下降法调整各层的权值和阈值,使修正后的网络最终输出能接近期望值.对于P个训练样本,系统的总误差准则函数是:EPpLk(TpkOpk)()式()中,Tk是预期输出.B P神经网络设计本文采用三层拓扑结构的B P神经网络,只设置一个隐含层.因为采用多层的隐含层虽然可以使神经网络的学习次数减少,但是会使学习的时间大幅度增加,并且用有限个隐含层单元的三层神经网络可以以任意精度逼近一个连续函数.本文的输入层设置为 层,由前文中教学行为数据矩阵和教学资源数据矩阵相乘得到的矩阵项数决定.输出层中的节点数量取决于两个方面:输出数据类型和表示该类型所需的数据大小.此处输出节点数只有综合评价的最终结果,所以输出节点数为.综合评价集 优秀,良好,中等,合格,不合格,分成个等级,其对应输出值区间集合(,(,(,(,(.在B P网络中,隐含层节点数的选择非常重要,它不仅对建立的神经网络模型的性能影响很大,而且是训练时出现“过拟合”的直接原因.根据以下经验公式进行设计:qMLa()式()中,q是隐含层节点的数量;M是输入节点的数量;L是输出节点的数量;a是到 之间的常数.此处隐含层的节点数选择 个,构建 三层B P网络结构.B P神经网络的训练和仿真 届智能控制技术三个班共有 个学生,收集每个学生 次课的调查问卷以及对应课次软件所采集的教学资源数据,通过公式()计算得到教学数据共计 组.通过筛选,发现有 份调查问卷中教学行为评价全为分或分,因此这 份不作为样本数据采用,实际有效数据剩下 组.从数据中随机选取 组数据作为训练集,选取另外 组数据作为测试集,并借助M a t l a b平台进行仿真.训练函数与隐含层函数分别设为t r a i n l m和t a n s i g,输出层函数为输出值为(,之间的l o g s i n,并以 与 分别作为最高训练次数与训练的目标.对训练完成的网络,随机选择 个测试样本,其期望值与模拟值的相对误差小于且评价等级完全一致,如表所示.因此,建立的教学数据分析模型是合理的,并能够准确的反映该课程的教学质量.表部分教学数据的B P神经网络分析结果测试样本期望值评估等级模拟值模拟等级相对误差()优秀 优秀 良好 良好 良好 良好 良好 良好 中等 中等 良好 良好 优秀 优秀 优秀 优秀 良好 良好 优秀 优秀 结果分析和比较为了验证将教学行为数据矩阵与教学资源数据武汉工程职业技术学院学报 矩阵相乘所得到的教学评价矩阵是否比单纯用教学行为数据作为教学评价依据更客观更科学,现仅以教学行为数据作为输入,重构B P网络进行训练与仿真.网络构建依然为 三层B P网络结构,训练函数、隐含层函数、输出层函数以及输出值范围、最高训练次数与训练目标等参数均与前文B P网络保持一致.仍以 份有效问卷调查收集的教学行为数据为样本,依然从数据中随机选取 组数据作为训练集,选取剩余 组数据作为测试集,进行B P网络训练与仿真.将前文 组测试集的输出结果和相对误差定义为G r o u p,此处进行对比的 组测试集的输出结果和相对误差定义为G r o u p.统计两组数据并利用S P S S软件对两组数据进行独立样本T检验.通过表可以看出,在相同的网络参数下,叠加了教学资源数据的G r o u p 统计的教学评价均值为 ,评价等级为优秀,相对误差为 .而未叠加教学资源数据仅以教学行为数据为输入的G r o u p 统计的教学评价均值为 ,评价等级为良好,相对误差为 .表组统计量G r o u pN均值标准差均值的标准误差教学评价 相对误差 在表中,教学评价的L e v e n e统计量为 ,表独立样本检验方差方程的L e v e n e检验FS i g均值方程的t检验tdfS i g(双侧)均值差值标准误差值教学评价假设方差相等 假设方差不相等 相对误差假设方差相等 假设方差不相等 显著性P值为 大于 ,不同组间独立样本T检验统计量t ,P值为 小于 ;相对误差的L e v e n e统计量为 ,显著性P值为 大于 ,不同组间独立样本T检验统计量t ,P值为 小于 .从统计学的角度说明,是否叠加教学资源数据对教学评价结果和相对误差都会产生差异,即两种数据分析方法存在显著差异.结论本文在传统的以人为设定权重构建评价体系和以专家或学生评分为样本的B P神经网络基础上,对教学质量的综合评价模型进行了改进.通过引入教学资源的熵值将教学信息传递的客观情况量化,并对教学行为数据和教学资源数据进行处理,构建了以教学资源信息熵为权重加权求和的教学效果评价矩阵.借助S P S S软件分析,以这个矩阵为B P神经网络输入的教学效果评价结果及数据分析误差更精准、更客观.这样的教学数据分析为教师精心设计教学活动以及选择教学资源提供了科学的依据,也使得 智能制造自动化产线装调 这门课程的教学活动及教学资源的合理运用互相促进,从而向学生高效地传递教学信息,可以促进学生学习成绩和技能的提升.参考文献蓝江桥,冷余生,李小平,等中美两国大学课程教学质量评价的比较与思考J高等教育研究,():黄青海,李维民基于人工智能技术的认知光网络结构研究J光通信技术,():董珂,卢毅,林芳,等基于B P神经网络的实验诊断学教学数据分析与处理技术研究J现代电子技术,():杜秀华,陈学美,周瑞芬工程制图课程多媒体教学质量评价方法及应用研究J成人教育,():王筱明,冯凯,龙金花基于神经网络的信息检索课程多媒体教学质量评价体系J现代情报,():唐琳,王福胜,李海伟,等基于信息熵理论的S t a l l i n g s课堂教学评价构建与实证研究J上海教育科研,():李万春,朱云东,刘朝丽,等基于信息熵的课堂教学过程量化评价模型J电化教育研究,():张继国,徐绪堪基于模糊信息熵理论的教学软件质量综合评价模型J计算机工程与设计,():李智胡菡骆峰:基于B P神经网络的课程教学数据分析与处理A n a l y s i sa n dP r o c e s s i n go fT e a c h i n gD a t aB a s e do nB PN e u r a lN e t w o r k T a k i n g t h eC o u r s eA s s e m b l ya n dA d j u s t m e n t o f I n t e l l i g e n tM a n u f a c t u r i n gA u t o m a t i o nP r o d u c t i o nL i n ea sa nE x a m p l eL iZ h i H uH a nL u oF e n g(W u h a nV o c a t i o n a lC o l l e g eo fS o f t w a r ea n dE n g i n e e r i n g,W u h a n ,H u b e i)A b s t r a c t:T h ec o u r s eo fA s s e m b l ya n dA d j u s t m e n to f I n t e l l i g e n tM a n u f a c t u r i n gA u t o m a t i o nP r o d u c t i o nL i n eh a sb o t ht h e o r e t i c a l t e a c h i n ga n dp r a c t i c a l t r a i n i n g,a sw e l la sv i r t u a l s i m u l a t i o na n da c t u a la s s e m b l ya n da d j u s t m e n t I t i sn ol o n g e rp o s s i b l et oj u d g et h et e a c h i n gq u a l i t yc o m p r e h e n s i v e l ya n do b j e c t i v e l yb yu s i n gt h et r a d i t i o n a l t e a c h i n gq u a l i t ye v a l u a t i o ni n d i c a t o r sf o rw e i g h t e ds u mm a t i o n T h e r e f o r e,t h ee n t r o p yv a l u eo f t e a c h i n g r e s o u r c e s i s i n t r o d u c e d t oq u a n t i f y t h eo b j e c t i v e s i t u a t i o no f t e a c h i n g i n f o r m a t i o n t r a n s m i s s i o n F r o mt h e t w od i m e n s i o n so f t e a c h i n gb e h a v i o r a n d t e a c h i n gr e s o u r c e s,t h e t e a c h i n gd a t ao f t h r e es t a g e sb e f o r e,d u r i n ga n da f t e rc l a s sa r ec o l l e c t e df o ra n a l y s i sa n dp r o c e s s i n g O nt h eb a s i so ft h e s ed a t a,t h ee v a l u a t i o nm a t r i xo f t e a c h i n ge f f e c t i s c o n s t r u c t e dw i t ht h e i n f o r m a t i o ne n t r o p yo f t e a c h i n gr e s o u r c e sa s t h ew e i g h tw e i g h t e ds u m B a s e do nt h i s f a c t,at h r e e l a y e rB Pn e u r a ln e t w o r ki sc o n s t r u c t e dt oc o m p r e h e n s i v e l ye v a l u a t ea n da n a l y z e t h e t e a c h i n gq u a l i t y,a n d t h eo u t p u t r e s u l t s a n de r r o r so fB Pn e u r a ln e t w o r kb e f o r ea n da f t e r i n t r o d u c i n gt h ee n t r o p yv a l u eo f t e a c h i n gr e s o u r c e sa r ec o m p a r e dw i t hS P S Ss o f t w a r e T h ec o m p a r i s o nr e s u l t ss h o wt h a t t h e t e a c h i n ge f f e c t e v a l u a t i o nr e s u l t sa n dd a t aa n a l y s i se r r o r sa r em o r ea c c u r a t ea n do b j e c t i v ea f t e rt h ee n t r o p yv a l u eo f t e a c h i n gr e s o u r c e s i s i n t r o d u c e di n t ot h ei n p u tl a y e ro fB Pn e u r a ln e t w o r kc o n s t r u c t e di nt h i sp a p e r T h i sa n a l y s i so f t e a c h i n gd a t ap r o v i d e sas c i e n t i f i cb a s i s f o r t e a c h e r s t o c a r e f u l l yd e s i g n t e a c h i n ga c t i v i t i e s a n d r e a s o n a b l ys e l e c t a n du t i l i z e t e a c h i n g r e s o u r c e s,a n da l s oc o n t r i b u t e s t ot h e t e a c h i n gr e f o r ma n d i m p r o v e m e n to f t e a c h i n gq u a l i t yo f t h i sc o u r s e K e yw o r d s:B Pn e u r a l n e t w o r k;t e a c h i n gd a t a;e n t r o p yv a l u e;i n t e l l i g e n tm a n u f a c t u r i n g;v i r t u a l p r o d u c t i o nl i n e;t e a c h i n ge v a l u a t i o n(责任编辑:李文英)武汉工程职业技术学院学报