文摘
提高教学看,听力,和口语课程的关键是对社会产生更好的工人。提高教学质量是一个关键的教学目标。提高英语教学质量的一种方法是进行科学评估的视频,音频,和口语指令。探讨神经网络模型和教学效果的评价深度为了解决的复杂的非线性问题评估的影响英语看,听力,和口语。DA-BP神经网络模型提出了现有研究的不足。BP神经网络是一种算法的多层前馈网络,是训练误差反向传播算法。BP神经网络的评价的准确性影响的参数选择,蜻蜓算法(DA)是用于优化BP模型的初始连接权重和阈值参数。根据研究结果,观看DA-BP提高评估的准确性,大学英语听力,和口语课堂教学质量,提供了一种新的方法来评估在大学英语视听课堂教学效果。
1。介绍
日常沟通和表达严重依赖于流利的英语听力和口语,所以这些对于流利语言技能是至关重要的。因此,大量的本科生和研究生机构现在提供单独的听力和口语课程,以及看到,听力,和口语课程,除了阅读和写作。查看、听力和口语都是培训的一部分,和我们的目标是提高英语应用技能。为学生创造一个真实的语言环境使用投影仪等现代技术。这将允许学生理解英语材料向四面八方扩散。虽然这是怎么回事,一个广泛的面向主题的听力和演讲培训将实现以提高沟通技巧。提高英语的质量看,听,说到教育通过促进教育的现代化材料,教学技术,和程序。增加高等教育改革需要解决的问题如何评价英语教学的质量,鼓励教学目标的改进,提高英语教学的质量。因此,测量质量的英语教学已成为教学管理过程中的关键环节,和研究方法或模型评价英语教学质量已成为一个关键研究区域科学和标准化教育的方向1- - - - - -4]。
对于非线性系统,人工神经网络是由大量神经元计算,可以配置不同的水平。非线性、自组织和自学习,以及大规模并行处理,它的一些优点。McCulloch和皮特作为人工神经网络的研究在1940年代,最早提出神经元的数学模型。感知器模型,反向传播算法,玻耳兹曼机、无监督学习,和监督学习是只有少数的创新理论,而人工神经网络的算法已经提出以来,大量的研究人员参加了研究。理论和数据处理都稳步提高。对于传统的方法和模型不能解决的问题,人工神经网络已被用来作为数学模型在实践中进行处理计算与令人满意的结果。Rumelhart领导的科研团队和麦克勒兰德表明BP神经网络的建议。反向传播的技术被用来训练多层前馈网络。梯度下降法是用来纠正错误信号期间创建向前传播,直到满足精度的目标或迭代的数量在BP神经网络完成。由于Hecht-Nielsen结果,每一个闭区间连续函数大致可以由一个难以察觉的第三层BP神经网络。 Because of difficulties such as poor convergence speed and easy fall into the minimum, the BP neural network is unable to deal with high-level abstract complex problems despite its powerful information processing and nonlinear mapping capabilities. There are deep learning structures like the multilayer perceptron with numerous hidden layers that may be utilized to address nonlinear issues that are far more sophisticated and abstract in nature. Layer-by-layer training based on the deep belief network was proposed by Geoffrey Hinton et al. (DBN). Multiple restricted Boltzmann machines are stacked in sequence to generate a deep structure in the method, in order to solve the optimization connected to the deep structure. A DBN is then used to solve the optimization. Because of the challenge, researchers have come up with a deep structure model of a multilayer autoencoder. The release of Geoffrey Hinton’s and others’ research results sparked a research boom in deep neural networks in academia and industry, resulting in a significant increase in the quantity and scale of neural network models [5- - - - - -9]。
在此基础上,本研究建议升级BP神经网络,蜻蜓算法和BP神经网络相结合评价在高校英语教学的质量。使用这种策略,我们可以改善我们的评估者的效率,同时提高性能。
剩下的纸是组织如下:部分2关注的相关工作,部分3围绕着方法。部分4主要阐述了DA-BP算法。最后,本文包含最后一部分是结论和未来的工作。
2。相关工作
由于神经元数学模型提出了在1940年代,许多学者一直感兴趣。文学首先建立连接重量训练算法现在称为赫算法,对神经网络奠定了基础。由于在理论上是不可能证明,多层网络的感知器模型是有意义的,对人工神经网络的研究进入了一个低谷。文学吸收和总结了人工神经网络的结构和算法的研究成果,提出了Hopfield模型,证明了在一定条件下,网络可以达到一种稳定状态。文学吸收和总结了人工神经网络的结构和算法的研究成果,提出了Hopfield模型,证明了在一定条件下,网络可以达到稳定状态(10- - - - - -14]。
评估教学质量的研究比我国早在国家,如英国、美国和日本,提出相关思路和方法如多元智能理论、建构主义理论和泰勒评估模型。提出了五点评分系统和文献中首次制定。一本书介绍心理和社会测量被释放,作为理论依据教育测量标准化以及该领域成熟的标志。在俄罗斯的评估方法是基于学校自我评估,评估基于状态和self-supervised评估社会竞赛的形式。日本政府表示,有必要进行检查在同一时间在两个轨道;因此,多声道、客观、透明的评价体系。准确地评估学院或大学教学质量需要解决一个多层次和多目标优化问题。有很多物质的评价和影响要素和教学质量之间的联系是复杂和非线性,使数学模型难以有效地代表。评估教学质量目前高校使用的评价指标体系严重依赖因素,如学生的学习成果(SLOs)、内容(内容知识),知识和教学方法(方法和模型)。模糊综合评判、模糊层次分析法、相关分析、ID3算法,支持向量机,现存和BP神经网络模型的评估方法和模型。研究表明,先验的算法可以提高为了我的教学系统的数据和评估机构的教学质量。支持向量机是用来学习和评估当前的课堂教学质量评价数据样本在文学和其他来源。 To establish a training quality evaluation model based on teaching quality, the literature has used the BP neural network. This shows that the BP neural network method is highly operable and not only avoids the evaluation process’ complexity but also fixes the analytic hierarchy process’ shortcomings of subjectivity and randomness [15- - - - - -22]。
3所示。方法
3.1。BP神经网络
至于多层前馈神经网络、BP神经网络是一个典型的。它的目标是将错误从网络输出层的网络输入层相反的方向输入信号传输,一层一层地,通过隐藏层。并确保正确的每一层的错误发生。信号正向传播和误差反向传播两半的BP神经网络的学习过程。输入信号是由输入层和输入处理和计算旅行时每个隐层和连接体重前进的方向。正向传播过程的最终结果是输出在输出层。在计算误差反向传播,利用误差函数来确定输出层的最终实际值之间的差异和目标期望值。可能的错误将来回传播通过所有隐藏层输出层,直到达到输入层,虽然这是不可能的。错误值添加到网络的每一层,然后调整为每一层神经元权重和阈值基于这些信息。一定数量的迭代后或最后一个错误值满足网络的目标错误条件,整个学习过程终止。 Figure1描绘了网络结构。
如果输入BP网络的维度和输出维度1,然后映射的数学表达式
隐层节点的输出
有很多因素可以影响BP神经网络预测结果,并很容易成为卷入了当地极端的困境。最初的BP神经网络的连接权值和阈值进行优化使用蜻蜓算法(DA)在这个研究。
3.2。蜻蜓算法
蜻蜓是静态和动态的社交行为。这两组的生活行为非常类似于metaheuristic优化的两个主要阶段:勘探和开发。蜻蜓创建子组和飞越不同区域在静态组。这的主要目的是探索阶段。然而,在动态情况下,蜻蜓团体和飞向一个方向,这是有利的在开发阶段。
由于其结构简单和一致的搜索结果,这种方法经常被使用在各种参数优化和全局优化等领域。这种方法模拟一个静态组在当地寻找食物和动态组大范围的迁移。蜻蜓算法主要模拟分离、并行性、聚合、觅食,避免敌人的蜻蜓。觅食过程优化工作。蜻蜓个体的优化过程如下:五个位置向量生成通过分离( ),对齐( ),凝聚力( ),吸引力的食物( ),和敌人分心( )。新蜻蜓的位置增量生成使用步长公式,然后传递函数是评价基于位置的增量更新的人口。
有五个人的行为需要特别关注的蜻蜓,而这些行为确定蜻蜓在飞行的位置。(1)对避碰行为,尽量不要与周围相撞或尽可能接近蜻蜓。(2)分组的行为,一些蜻蜓飞在组织和个人连接在同一平均速度。(3)收集行为,一些蜻蜓接近一定的蜻蜓,和个人飞行间隔相等。(4)对觅食行为,尽可能地寻找食物,相互靠近的位置食物。(5)避免敌人的行为,尽可能少地遇到天敌,周围蔓延。蜻蜓殖民地中的每个身体更新它的位置根据这五个主要的行为。
这五个行为可以被抽象为蜻蜓殖民地的算法模型飞行。
的是
的是
的是
的是
的是
DA使用不同的向量来解决这个问题:
计算步长后,新的个人更新方法
根据分离、并行性、聚合、捕食和避免因素,不同形式的全局和局部搜索方法可以生成算法的优化过程。蜻蜓的邻居是非常重要的算法的搜索过程中,假设每个蜻蜓有邻居在一定半径。
根据前面的观点的一部分,蜻蜓算法分为两类人群:静态人口和动态的人口。在动态组,蜻蜓保持平行,调整飞行方向的收敛行为。然而,在一个静态的人口,猎物捕获通过低并行性和高聚合。可以看出,蜻蜓使用高分离重量值和低聚合体重值去探索未知的领域和使用高聚合和低并行搜索已知的空间。为了平衡勘探和开发之间的关系,可以设置字段的半径增加比例的迭代次数。另一种方法是调整各种加权因素在搜索优化的过程。
可能出现另一个问题,即如何确保蜻蜓在优化过程的收敛性。蜻蜓需要自适应地改变他们的权重来实现之间的过渡开发和探索。同时,假设随着优化过程的进行,蜻蜓不断调整飞行路径搜索过程中找到更多其他蜻蜓(可能的解决方案)。换句话说,通过增加社区搜索区域,成为集团的最后阶段优化和收敛于全局最优。食物来源和天敌是最好的和最差的解决方案到目前为止发现的候选子集。这表明搜索空间将收敛于一个前景看好的领域和绝望中出现了不同的区域。
随机漫步(飞行)征税没有邻居蜻蜓可以增加随机性,随机行为,发展一个人的能力。蜻蜓的当前位置
3.3。DA-BP算法
基于DA-BP,大学英语的教学效果评估的过程看,听力,和口语课程可以概括为以下详细步骤。
步骤1。初始化BP网络模型和确定结构。确定层数,传递函数和训练函数的类型,在每一层的节点数根据数据样本。阅读课堂教学质量评价数据,执行预处理,并把数据。
步骤2。编码。DA算法采用实数编码,编码的连接权值和阈值作为一个整体。算法的搜索空间维度 。如果隐层和输出层 , ,和 ,分别,代码长度是
步骤3。DA算法的初始化参数:人口规模和最大迭代次数 。
步骤4。随机初始化矢量步 ;随机生成初始位置蜻蜓的个体。
第5步。设置当前迭代数 ,训练集输入到BP,计算所有蜻蜓的健康个体适应度函数的基础上,和排序并记录当前的最优解。
步骤6。更新天敌食物源的位置,位置,和更新5行为权重和惯性权重。
第9步。最优连接权值和阈值保存的迭代的数量是否超过 。否则, 和步骤5是重复的。
第10步。利用最优解决方案的权重和阈值作为初始BP神经网络权值和阈值进行训练和预测。
4所示。DA-BP算法
4.1。评价指标体系设计
建设教学效果的评价体系,本文采用专家访谈、问卷调查、和其他方法,针对不同部门和不同学科的教学评价对象。建立相应的教学效果评价指标体系,重点选择评价因素,有高度的相关性评估对象。协商、采访、问卷调查等形式,在此基础上,初始数据排序,定性和定量分析,评价指标在整个指标体系的比例最初形成的。在项目研究中,教学评估专家的评估信息收集与专家面对面的形式,然后整个质量评价系统建立了专业和学科。使用软件来处理这些数据,发现许多因素的认识和必要的考虑。是由不同学科的一些选项,这些也需要考虑。诸如此类的问题时我们应该注意建立一个良好的教师教学质量评价体系。的目的是使模型尽可能全面、合理。引用和教学经验结合起来,利用层次分析法构建大学英语的结构指标评价看,听力,和口语课堂教学的效果,如表所示1。
4.2。数据集和评价指标
选择一个特定的工程大学英语视听科学教学质量数据从2018年到2019年为研究对象,包括共有253个数据。三分之二的人是作为训练集,和三分之一测试集测试的性能。思想政治课堂教学的评价结果,评价指标选择均方根误差(RMSE)。
4.3。评价培训损失
训练可以有效地评估损失是否网络聚合和速度,它发挥了重要作用,神经网络的性能评估。因此,我们首先可视化网络训练期间的损失。同时,评估蜻蜓在网络训练算法的影响,比较了损失当蜻蜓算法不补充道。结果如图2。
随着迭代次数的增加,网络都可以收敛。但在添加蜻蜓算法,网络的收敛速度变得更快,最终损失小于BP算法。这证明了有效性。
4.4。与其他方法相比
为了证明DA-BP方法的有效性,该方法与粒子群算法相比,决策树算法,逻辑算法和BP算法。实验结果见图3。
获得的RMSE DA-BP是最小的,这证明了我们的方法超过其他方法和更适合的评价英语课程。
4.5。评价隐层节点的数量
我们都知道,在DA-BP和其他BP神经网络隐层节点的数目是变量。评估不同数量的节点性能的影响,本文进行了比较实验与不同数量的节点。实验结果见图4。
起初,随着节点数的增加,RMSE减少。当节点的数量是20,可获得最佳的性能。但是,随着节点数量的进一步增加,网络性能逐渐下降。
5。结论
大学英语阅读,听力,和口语教学效果评价是一个大学的教学管理过程的重要组成部分。有许多评价指标需要,受到许多因素的影响,使评价指标之间的复杂非线性关系和教学效果的结果出现。传统的评价方法包括层次分析法,模糊综合评价,ID3算法,支持向量机,但是他们也有问题,如强烈的主观性和随机性,难以确定指标权重,容易过度拟合和优化速度慢。介绍了蜻蜓算法的BP网络和提出DA-BP网络有效的评价英语看,听力,和口语课程。研究结果表明,与传统的人工神经网络相比,DA-BP神经网络在我们的论文提出可以有效地提高大学英语的评价性能看,听力,和口语课堂教学质量。它提供了新方法和方法对大学英语课堂教学质量的评价。
5.1。未来的工作
拟议中的DA-BP神经网络可以学习机构的功能。评估性能可以进一步增加的帮助下优化。它真的可以帮助这三个属性的增强与英语有关,即。、观看、倾听和说话。
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。