文摘

提高教师教育技术能力的一个主要方法,提高高校的管理效率在中国,和科学评价教师的能力具有重要意义。针对这一点,本研究提出了一种教师教育技术能力的评价模型基于模糊聚类的广义回归神经网络。首先,综合评价结构体系的教师教育技术能力是构建,然后教师的预测方法分析了基于模糊聚类算法的能力。在此基础上,优化模糊聚类广义回归神经网络的预测方法。最后,模糊聚类广义回归神经网络的应用效果的评价教师的教育技术能力进行了分析。结果表明,评价体系的教师教育技术能力提出了研究科学合理;模糊聚类广义回归神经网络模型可以更准确地预测教师教育技术能力和可以快速实现全局优化。根据模糊聚类的健身分析结果广义回归神经网络模型,该模型收敛后20迭代和健身价值仍约为1.45。因此,模糊聚类广义回归神经网络具有较强的适应能力和在一定程度上进行了优化。平均评价模糊聚类广义回归神经网络模型的精度是98.44%,和模型的评价结果优于其它算法。 It is hoped that this study can provide some reference value for the evaluation of teachers’ educational technology ability in colleges and universities in China.

1。介绍

实施的评价教师的教育技术能力是一种必要的方法来加强在中国高校的管理效率,也是主要的方法来深化高校内部管理体制。没有科学、有效的评估和管理教师的教育技术能力,大学不能实现可持续发展(1]。教师教学能力的评价标准体系是高校教师管理的主要依据。为了有效地提高高校综合竞争力领域的教育,是很有必要建立一套评价体系适合自己的教师教育技术能力发展(2]。然而,有许多缺点在过去的评价方法,主要反映在沉重的工作负载的问卷调查,问卷调查一个人,而不是许多人,和不完整的评价体系3]。因此,高校迫切需要科学和公平的教师教育能力的评价方法以给老师正确的指导和鼓励。近年来,有越来越多的大学教师的教育技术能力评价方法,如层次分析法、统计、模糊c均值算法(FCM),和其他方法,使教师的能力得到定量和定性评价(4]。其中,FCM是传统的软聚类算法,可以更好地处理低维数据,允许重叠的集群,使模糊边界的存在,可以更好地预测数据结构(5]。然而,FCM是本地搜索优化算法。为了有效改善的准确性评价教师的教育技术能力,本研究介绍了一般的组合回归神经网络(GRNN)和FCM。GRNN分支的径向基函数神经网络(RBF),这是一个非线性回归前馈神经网络。该算法计算量小的优点,迅速收敛,在更大的领域被广泛使用6]。

的发展模糊聚类算法和广义回归神经网络算法,这两种算法已成为近年来流行的算法在算法模型。戴等人利用遗传算法(GA)优化方法,k——方法,和一些软计算(SC)模型来更好地估计地面沉降,提出和评价遗传算法,k最近邻居法,和有序加权平均(OWA)方法基于orness法和orlike法(7]。基于融合的结果表明,该方法优于单一方法在预测地面沉降率。Eun-Hu和演唱提出模糊clustering-based合奏(FCENNS)分类器、神经网络概率模型相结合,学习机制,开发基于模糊聚类的神经网络分类器的设计方法,并提高模糊聚类神经网络的学习方法8]。拟议中的FCENNS分类器考虑交叉熵误差函数来提高学习能力和泛化能力。谢长廷等人提出了一种新的单指数模糊神经网络模型,它取代了网络的输出节点(非参数)的单指数模型。仿真结果表明,该模型具有良好的拟合能力,现有的数据(9]。吴等人提出了一种新的数据驱动原油价格预测方法,使用谷歌趋势和在线媒体文本挖掘。卷积神经网络(CNN)是用于自动提取文本特征从在线原油新闻说明文本特征的解释力在原油价格预测10]。原油价格预测的平均绝对百分比误差在0.0571和0.0459两种情况,分别说明新闻标题和谷歌之间的互补关系趋势有利于原油价格预测相当准确。为了使一个有用的大脑活动,分析不同变体的人工神经网络(ANS)和自适应神经模糊推理系统(简称ANFIS)进行了比较。广义回归神经网络(GRNN)与最小方差和平均90%精度超过8个网络结构。简称ANFIS模型,模糊c均值模型的整体性能最好,平均精度为95.45%,其次是减法聚类,平均精度为94% (11]。吴等人收集的大量石油新闻和在线使用卷积神经网络自动提取相关信息,包括油价,石油产量,石油消费,石油库存。8548年在四种不同情况下收集新闻头条。实验结果表明,社交媒体信息有助于预测油价,石油生产和石油消费。在COVID-19冠状病毒病,平均绝对百分比误差分别为0.0717,0.0144,和0.0168,分别。营销者必须考虑社会媒体信息的影响石油或类似市场2019年冠状病毒疾病爆发时(12]。邦萨尔等人介绍了Mahalanobis距离,包括变量之间的协方差矩阵,并给这个距离模糊框架的扩展。一般来说,非球面集群无法被欧几里得距离可以被建议的距离(13]。Parwez等人发现配置文件的web-personalized模糊聚类算法通过实验评估。模糊聚类算法可以根据他们的兴趣和集群用户的行为可用于重叠。结果表明,该聚类方法可以通过挖掘生成网站访问日志数据。分类是一个卷积神经网络(CNN),这是非常有用的分类对象相似的函数(14]。Entezami等人相比的性能广义回归神经网络(ANN)、人工神经网络(ANN)和自适应神经模糊干扰系统(简称ANFIS)液压参数估计,也就是说,存储系数和传递系数承压含水层。结果表明,在所有的智能预测模型用于估算承压含水层的水力参数,简称ANFIS比其他模型更准确,需要较少的计算时间,因此它可以被选为含水层的最佳模型参数估计(15]。赵等人设计了一个组织PET / MR图像分割方法基于TFC-BPNN-leverage组织分割(TFC-NN-TSAC)通过结合交通和摘要。TFC-NN-TSAC提出的结果表明,该方法具有良好的组织分割性能Dixon-based先生(PET图像数据和性能良好的沟通16]。唐提出了自组织神经网络评价方法西风的音乐形式。模糊聚类方法进行分类和评估西风音乐的艺术表现17]。最后,给出了一个例子来验证提出的自组织神经模型的有效性的评估西峰音乐形式。Bodyanskiy等人提出一个架构的多层核聚类神经模糊系统及其自学习算法,可以用来恢复重叠集群当喂养在线(18]。设计系统是基于t。Kohonen的自组织映射允许线性和nonseparated数据的恢复类,在线处理信息,不受空间约束的影响,很容易实现。

总之,大量的学者们研究和应用模糊聚类和广义回归神经网络在各个领域。针对这一点,本研究提出了一种评价模型的教师的教育技术能力基于模糊聚类的广义回归神经网络,实现了科学评价方法基于人工智能技术,以提供一些参考教师的评价和预测能力。本研究的具体技术路线和过程如图所示1。


图1
具体的技术路线和过程。

2。模糊聚类广义回归神经网络评价方法

2.1。综合评价结构体系的教师教育技术能力

本研究需要的数据从2016年至2020年在成都一所大学作为样本来分析教师的综合水平的教学和使用了层次分析法(AHP)构建的评价标准,教师的教学能力,如表所示1。

表1
综合评价结构体系的教师教育技术能力。

在本研究的层次结构模型,中间有五个要素层,即教师质量、教学态度、教学内容、教学方法,以及教学效果。底部水平包括18个指标,包括明确的教育目标,扎实的专业知识、教学和解释水平,病人和积极的咨询和解答。指标体系的评价结果,教师教育技术能力作为预测模型的输出如下,和评价水平如表所示2。

表2
每个等级的评价结果及其得分范围。
2.2。教师能力的预测方法基于模糊聚类算法

模糊c均值聚类(FCM)算法是一种硬c均值聚类算法进行了优化。算法主要是选择欧几里得空间中多个聚类中心,分配每个数据点通过一定规则会员每个聚类中心,然后迭代的迭代中心。最小距离的加权和从每个数据点到每个集群中心和成员的值(19]。设置空间 和分裂的 数据样本 类型, 和 可以用来代表相应的 类型, 是相似性分类矩阵,每种类型的集群中心可以表示成吗 ,和样本的隶属度 输入 是 。因此,目标函数 FCM的显示如下:

在这里, 是模糊指数, 。基于之前的研究结果,本研究的价值是2; , , ,和 集群之间的欧几里得距离中心吗 和采样点 (20.]。为了减少的价值 达到最佳的分类效果,矩阵的聚类中心 和 可以通过使用拉格朗日函数如下:

FCM算法的步骤可以分为四个步骤:一是设置集群的数量 ,模糊指数 ,迭代次数和迭代的最大数量 和 ,迭代停止错误 ,初始化聚类中心 ,并初始化成员矩阵 。第二步是计算 。第三步是更新 。在第四步中,矩阵范数选择比较矩阵迭代之前和之后 。如果条件不满足,回到第二步继续迭代(21]。其中,集群数量的价值 需要提前设置。为了避免错误引起的经理人主观经验,本研究使用集群效度函数来确定 价值。所示的聚类有效性函数的表达式如下:

在这里, 模糊关联度的课吗 和 和的表达 显示如下:

在公式(5), 和 代表集群中心和集群中心之间的距离 和样本点 ,分别。 和 表示的隶属度 属于类 和类 ,分别。如果模糊不同阶层之间的相关性较小,分类效果更好。让最优的有限集合 是 ,然后最优有效聚类AA满足条件如下:

在这里, 代表最优数量的类别。

这是必要的,以确保测试数据收集的准确性将FCM算法引入到教师能力预测方法。为了保证集群的能力预测,样本数据集比例很低的异常数据和正常数据量高,通常约为98%。分类器的大小可以判断异常类和普通类区分的聚类结果。小集群通常有一个低的数据量,这是表示为异常数据的聚类。然而,大型集群相对小的集群,这意味着正常数据的聚类。取出测试数据集,匹配标记类的类中心。如果匹配度很低,这意味着输出是不正常的。如果匹配度高,数据输出(通常22]。因此,这里的FCM算法设计。设计包括三个阶段:集群、标签和匹配,如图2。


图2
FCM-based老师能力预测算法的设计思想。

3所示。模糊聚类优化广义回归神经网络预测方法

FCM是一个局部搜索优化算法,主要采用随机分配模式选择初始聚类中心,从而导致更大的对算法的稳定性的影响。因此,每一个算法的执行结果可能不同,所以在当地的极值点和FCM算法收敛最终落入局部最优解23]。因此,本研究提出了用广义回归神经网络(GRNN)结合FCM预测教师教育能力。GRNN算法属于分支的径向基函数神经网络(RBF),这是一种非线性回归前馈神经网络。该算法计算量小的优点,迅速收敛,在更大的领域被广泛使用24,25]。GRNN算法模型如图3。


图3
GRNN网络模型。

首先,输入 维度,输入变量 ,输入层的神经元数量是一样的 。数据到达模式层后,在模式层神经元的数目等于样本的数量 ,他们相互对应。然后,它可以假定存在

在这里, 是 学习样本 维的神经元。在模型层,激活内核函数和高斯函数 ,和传递函数如下所示:

在这里, 代表了平滑参数。GRNN的求和层有两个不同类型的神经元求和过程如下:

其中,每个神经元之间的连接权重是1。在输出层,GRNN模型的预测值得到如下:

GRNN模型适用于nonindependent变量回归分析的预测价值,这是相对于独立变量输入值。独立的变量 和nonindependent变量 ,的输出变量AA计算最大概率值。让 变量的联合概率密度函数 和 ,所以计算条件的意思是显示如下:

非参数样本用于估计 和 观察样本。的计算 显示如下:

其中, ,设置参数变量 。然后,我们可以得到

如果训练样本是固定的,GRNN算法的本质变得平滑参数的确定过程 。如果平滑参数趋于无穷时, 是所有训练样本的平均值;而当平滑参数趋于0,训练样本估计价值基本上是一致的。然后,GRNN被混沌优化算法优化防止算法陷入局部极值,从而提高搜索效率如下:

在这里, 代表了控制参数。一般来说,GRNN有两个主要缺陷。一是增加训练样本时,结果将是太大,使模型计算更为复杂和计算效率有很大的影响。其次,平滑参数将影响模型计算的准确性,和GRNN通常只使用一个平滑参数来计算,所以计算结果不够准确。因此,本研究结合了FCM算法和GRNN算法来得到一个新的评价模型。优化的模型如图4。


图4
流程图的改进广义回归神经网络学习算法。

FCM算法的基本思想结合GRNN算法。首先,FCM用于集群历史数据(26]。聚类过程完成后,选择集群中的多个样本作为训练样本,训练和GRNN模型。动态模型是由混沌优化变量,和重复训练优化过程。当计算误差减少到可控范围,整个训练迭代完成(27]。

4所示。应用效果分析,模糊聚类广义回归神经网络

教师的评价指标提出了教育技术能力研究都是正指标,并确定了评价指标体系的权重根据熵方法的步骤28]。结果如表所示3。

表3
教学质量评价指标体系的指标权重由熵方法。

本研究最终确定1000组实验数据样本,900组样本数据训练模型,为了得到最优模型,100年,另一组作为测试样本;一些测试数据如表所示4。

表4
一些测试输入数据。

使用MATLAB实现仿真实验教师的教育技术能力评价的基于模糊聚类的广义回归神经网络。100个测试集预测和评估,结果如图所示5。从图可以看出5前30的均方根误差迭代老师能力的预测模型基于模糊聚类算法迅速减少,第87次迭代后收敛,收敛为8.6066e−08年,31日第80迭代是相对较慢29日]。的第一次迭代速度模糊聚类广义回归神经网络模型是更快,但它是慢的在第二到第八迭代。第九次迭代后,均方误差收敛于3.3893e−12,提高了模型的收敛精度和速度。收敛精度提高了100%,而且收敛速度提高了79.35%。结果表明,模糊聚类广义回归神经网络模型能更好地预测教师教育技术能力(30.]。

(一)
(一)
(b)
(b)
图5
均方误差的模糊聚类广义回归神经网络。(一)教师能力的预测方法基于模糊聚类算法。(b)模糊聚类优化广义回归神经网络预测方法。

比较误差的平方之和模糊聚类广义回归神经网络的错误和模糊聚类算法。结果如图所示6。第十次迭代的收敛速度的最小误差和平均误差的模糊聚类算法更快,第十25日迭代更慢,错误仍然是大约0.9后25日迭代。模糊聚类广义回归神经网络迭代收敛后只有6平方误差的总和收敛于0.19,平均平方误差的总和减少78.81%,和相对收敛速度增加77.21%。因此,模糊聚类广义回归神经网络可以快速实现全局优化。

(一)
(一)
(b)
(b)
图6
均方误差的模糊聚类优化广义回归神经网络预测方法。(a)平方误差的总和教师能力的预测方法基于模糊聚类算法。(b)平方误差的总和模糊聚类广义回归神经网络。

图7(一)表明,模糊聚类算法的最佳阶段和收敛速度最快的平均健身前20代,40到60迭代相对缓慢,第67次迭代后的收敛稳定,和健身价值仍约为0.85。图7 (b)显示了健身的模糊聚类分析的结果广义回归神经网络模型。20迭代模型收敛后,和健身价值仍在1.45左右。因此,模糊聚类广义回归神经网络具有较强的适应能力和在一定程度上进行了优化。

(一)
(一)
(b)
(b)
图7
模糊聚类优化广义回归神经网络预测健康。(一)适应性预测教师基于模糊聚类算法的能力。(b)模糊聚类优化广义回归神经网络预测健康。

模型评估精度的比较结果如表所示5。结果表明,BP神经网络的平均精度评价,模糊聚类算法模型,遗传算法(GA)优化的BP神经网络和模糊聚类广义回归神经网络模型是84.37%,91.74%,92.63%,和98.44%,分别和FCM-GRNN增长了14.07%,6.70%,5.18%。每种方法的时间消耗是16.92,13.03,11.65,和6.15 s,分别FCM-GRNN是增长了10.77%,6.88,和5.5 s,分别。因此,模糊聚类的评价结果广义回归神经网络模型更好。

表5
模型的性能比较。

5。结论

针对评价高校教师的教育技术能力,本文提出了一种评价模型对教师教育技术能力基于模糊聚类的广义回归神经网络,分析了模型的应用效果的评价教师的教育技术能力。教师教育技术能力的评价体系提出了研究是科学合理的。模糊聚类广义回归神经网络模型可以更准确地预测教师教育技术能力和可以快速实现全局优化。根据模糊聚类的健身分析结果广义回归神经网络模型,该模型收敛后20迭代和健身价值仍约为1.45。因此,模糊聚类广义回归神经网络具有较强的适应能力和在一定程度上进行了优化。平均评价模糊聚类广义回归神经网络模型的精度是98.44%,和模型的评价结果优于其它算法。因此,模糊聚类的评价结果广义回归神经网络模型更好。由于能力有限,没有进一步的教师评价指标体系的分类能力,将更多的关注在未来这方面的工作。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

支持的研究是“农村教师专业发展研究在信息技术的支持”(批准号BCA160055)。