文摘
高等教育的教学改革一直吸引了很多注意力,和高等教育是国家教育改革的关键对象。高等教育的质量,人才培养的质量,质量的科学研究、社会服务的质量,和生产结构特征都必须得到改善。高等教育教学改革的成功不仅是大学人才培养的质量和服务社会的重要任务,但也与内涵发展的大学和高等教育的可持续发展。教育教学改革是一个全面的系统工程,涉及不同方面的改革,如教学管理、教师教学、专业设置和课程开发。扩展的努力的结果和实际教育教学改革发展是评估这些改革的影响和成就。然而,教育教学的改革和成就相比,更高的和有效的改进在理论研究和实践经验。因此,这项工作是基于CNN(卷积神经网络),设计一个智能模型为点对点的评估和管理教育和教学改革成果。这项工作的贡献在以下三种方式:(I)它包括建设深维CNN和发送相关数据的大学教育教学改革与目的网络实现自适应特征提取和高精度的评估。(2)它也实现了高等教育教学质量的管理。(3)它旨在显示的hyperparameters CNN性能的影响更大,遗传算法。 This proposition is to optimize hyperparameters. It proves the validity and authenticity of this work through systematization, logic, and experiment.
1。介绍
随着中国经济和社会发展进入一个新的阶段,改革进入深水区变化,在新的条件下,忧虑,和挑战等待。几个人关心的是高等教育教学的改革和发展,以及国家长期教育改革蓝图计划包括显式说明高等教育教学的提高。产生独特的特征,最重要的一个目标国家教育教学改革是提高高等教育的质量,以及人才培养和开发、科学研究和社会服务能力和系统本身的结构。18日的报告的中国共产党全国代表大会强调促进高等教育内涵发展的重要性以及深化综合改革在教育领域,建设一个繁荣的社会总体目标的总体目标(1- - - - - -5]。
在江苏、湖北、黑龙江、教育部发起进行高等教育改革试点项目。为目的,创建联合国家综合改革试验区。高等教育教学的全面改革在最初五年试点项目的建立导致了建立全面改革战略的发展,深化改革促进机制,加强协同创新能力,全面提高高等教育质量。作为一个地区项目,强大的区域特点和发展优势。它包括教育系统的优化和学科结构,改革人才培养模式。它也包括辐射优质资源的能力除了展示区域高等教育资源的优势。所有这些可以作为综合模型和经验促进高等教育改革。然而,有一些根深蒂固的问题,需要解决。一般面临困难
不完美的高等学校的管理,教育省级政府的协调能力不足和缺乏自主权和独立运行的大学,缺乏对教育质量的保证和增强教学,和缺乏industry-university-research合作的机制6- - - - - -10]。
实现一个成功的高等教育教学改革不仅是大学员工培训的质量和在服务社会中所发挥的重要作用,但中国大学的内涵增长和长期健康的国家的高等教育机构。高等教育教学的改革是一个包罗万象,有条不紊的进行,要求变化在不同的领域,包括政府、指导、专业设置和课程设计。然而,随着高等教育改革的不断深化,障碍的概念,系统和策略限制教育教学的改革不能解决以前分散的个体的改革。相反,有必要逐步推进教育教学改革,全面、系统、整体的改革方式。而不是单个分散的努力,全国各地的一些大学开始加强全面的教育教学改革。这些努力是构成进一步研究目标的思考,实践,战略规划的综合教学改革11- - - - - -15]。
教学是大学的灵魂。成功或失败的高等教育教学的全面改革不仅是大学人才培养质量和服务社会的重要任务。更与中国高校内涵发展和高等教育的可持续发展。因此,评价和管理的高等教育教学改革的成果是一个主题的现实意义。但到目前为止,很少有研究在这个领域。这项工作是致力于依靠CNN设计策略,可以有效的评估和管理高等教育教学改革的成果。这项研究将不仅有实用价值为提高和完善教学工作的高等教育教学管理部门。此外,它提供了决策依据和指导改革决策者和改革主题进一步改变自己的观念,改革人才生产方法和生产流程,加强师资建设,提高教学质量的监测和评价系统,并优化教学服务保证。
2。相关工作
在分析的过程中教育改革模式,文献[16]划分模型基础上发展的实际需要。第一个模型是扩散发展和研究模型。这个模型有一个相对广泛的影响力。这个模型可以用来促进创新的课程和教育模式的过程中大规模改革教育制度。第二个模型是社会交互模型。这个社会互动模型需要新系统和新思想为核心,寻求更好的解决方案和方法。通过有效的宣传和促进当前社会的价值观和理念,教育改革主要集中在沟通和人与人之间的沟通。第三个模型是参与解决问题的模型。这个模型以改革为核心和基础,积极解决面临的各种问题,需要在改革过程中,不断提高解决问题的能力和创造力。文献[17)认为,高等教育必须注重提高教学质量,积极促进内部的创新教育模式。从不同的方面,如教育教学、教师教育、学校改革,教学条件,加强关注和了解学生的学习条件。从当前的美国的大学教育模式,许多专家表示,他们并不乐观。国家大学生科学研究理事会主席显然已经公开强调,当前在美国教学方法相对落后,这使得很多学生很难真正赢得并实现自己的长远发展。大多数学生不满意现有的教学方法。研究[18]关于当前大学教学情况深入研究和全面分析的基础上,强调过程的采用和促进美国的教学模式的改革可能不能保证上课的学生人数的减少持续时间相对较短。最好的是开发和促进100人的课堂的教学模式基于两个关键原因。首先是考虑和关注的真正需要学生在学习过程中了解他们的实际情况和学习能力,如获取信息,确保教学改革和教育的合理性。其次,必须有student-centric实践教学改革,以确保这种教学改革先进和当代保证进步学生的发展需求。
在研究[19),杨和克拉克进行深入研究和分析在教育改革的实质性的价值。他们认为,在市场改革模式下,许多高校已经开始积极落实教育价值观和继续推动教学活动和大学教育活动的变化。在价值取向的过程中,高校的教育管理系统严格遵循社会发展的实际需要,基于学生的个人发展。在分析现有的大学教学模式的过程中,指出许多大学必须以教学为核心的改革进程,积极保证教育教学的普及,促进国际教学模式改革。根据中国的教育模式改革的实际需要,(20.)提出,在社会主义市场,连续建立社会和经济系统,教育教学改革在我国得到了更大的影响。因此,在大学改革的过程中,高校的领导人必须结合时代的发展的实际需要,以确保教育改革与现有市场机制是一致的。文献[21)进行了深入分析和研究教育和教学改革的实际需要在工业时代和认为,现代信息技术的提高可以有效地促进教学改革。对应于一个学习社会的发展的实际需求,(22)提出,中国大学改革的过程中必须采取有效措施,确保学生提高学习能力。文献[23站在国际化的视角,以应对全球化的高等教育改革的实际需要,提出,在中国大学教育改革的过程中,有必要更新现有的教育教学理念,促进大学的团队建设的教学力量。在分析的过程中教育和教学改革模式,报告(24)了解各种高等教育改革过程中存在的问题,提出一定的解决方案。文献[25)的实际情况进行了深入分析教育和教学模式,改革以来强调的创新人才培养模式,必须在教学模式改革的核心。案例研究(26)反映在各种国际教育教学产生的问题和缺陷,结合教学方法、教学内容、教学目标和教学的概念,并进行进一步的改革和分析在不同的方面。
3所示。方法
本项目设计一维CNN的评估和管理教育和教学改革。网络设计了一种多尺度块(MSB)并行多尺度特征提取到上层输出,提高了特征提取的能力卷积层,并使用遗传算法(GA)优化网络。这个网络是GA-MS-CNN命名。
3.1。CNN的基本理论
CNN,由于其动机由人类视觉和设计被抵抗不变变换如缩放、平移、旋转,已成为一个事实上的标准计算机视觉任务在这十年里。深入学习算法,CNN可用于一个输入图像,分配的重要性(可学的重量和偏见)/图像中对象的不同方面,并能够区分它们。
卷积层是最重要的层在CNN,也是一个重要标志,它有别于传统的人工神经网络。卷积层的主要工作是使用一个可训练的卷积核进行卷积输入数据和输出结果。这是一个从输入数据中提取特征的过程。卷积层通常包含许多卷积核,其目的是能够提取更丰富的功能。卷积操作之后,还需要使用一个非线性函数,也就是说,人工神经网络的激活函数,来处理输出数据模型可以获得非线性和压缩输出在一个有限的范围内促进后续的数据处理。卷积层的计算公式 在哪里代表了特征映射,卷积核,是偏见的术语,是激活函数。
将采样层也叫池层。一般来说,卷积后的特性数据需要downsampled操作。将采样操作是一个非线性将采样方法,大大减少了从卷积的特性数据层通过采样下来的方法。将采样操作旋转的特点,规模、缩放不变性,同时减少了计算复杂度,提高模式识别结果的稳定性,减少过度拟合的现象。计算公式是 在哪里是抽样函数,是重量。
CNN后经过一系列的卷积层和汇聚层,通常是连接到一个完全连接层输出层。每个节点上的神经元点完全连接层与上一层的神经元节点,和功能连接的特性从先前的卷积获得层和池层串联。与传统的神经网络类似,完全连接层首先计算输入向量的点积和重量,然后添加一个偏见,最后输出结果通过激活函数,这就需要输入的大小是固定的。完全连接层本质上是一种特殊的脑回的层,可以取代一个回旋的层。
CNN首先计算损失之间的误差值预测价值和品牌价值,每一层的输出结果向前传播算法。然后,使用优化函数来更新每一层的重量和偏见根据链推导规则。当训练的次数达到设定值或叉错误值满足精度允许的范围内,保存的网络结构。CNN训练过程如图1。
卷积神经网络计算每一层的错误通过向前传播算法,然后通过优化更新网络的权重参数的功能。典型的优化算法原理如下: 在哪里是学习速率。如果小,这将导致缓慢的网络拟合和较长的训练时间。如果该值太大,重量参数更新的每一层将会太大,很难稳定。随机梯度下降法(SGD)算法通常用于深层神经网络训练。该算法需要设置网络开始培训前的学习速率,具有良好的通用性。
稀疏连接共享和体重的两个主要特征CNN。相对于完整连接,稀疏连接的想法意味着卷积核的卷积层只是卷积的连接部分区域提取的地方特色区域。如果一块数据和工作距离的增加会导致元素之间的弱相关。然而,使用稀疏连接生成卷积内核提取元素的地方特色。获得更全面的数据段的特点,通过多种类型的卷积核提取的局部特征进行了总结。这种稀疏连接的使用可以大大减少参数训练,帮助创建一个更深层次的网络结构。卷积中的多重卷积核层与上一层的输出执行卷积操作提取更全面的功能,可以描述的特征数据。当每个卷积内核对输入数据执行卷积操作,无论卷积中的数据区域的长度,所使用的恒重参数。否则,向后深卷积网络的建设将导致由于太多的参数。很难在传播更新参数,导致网络难以适应的问题。 In the CNN, multiple convolution kernels have multiple weight parameters, which play the function of multilevel feature extraction.
3.2。多尺度CNN
CNN使用多个卷积核总结提取的局部特征作为卷积的输出层的层,然后使用多个卷积层和池层提取更抽象和表达功能。一般来说,一个更深的CNN更容易获得更好的识别和分类的结果,但也有太多的参数训练有素,过度拟合问题的网络结构。本章构造了一个多尺度CNN。首先,提出了一种多尺度块,使用不同大小和类型的卷积核提取多尺度特性上并行网络的输出。这可以提高卷积的自适应特征提取功能层和CNN留出空间构建越来越深。本文提出的多尺度块结构如图2。
使用1×3、1×5和1×7 multisize卷积核进行特征提取的上层并行输出。添加BN卷积处理后的操作和之前激活功能。然后,激活后的输出函数ReLU映射是受到最大池操作。最后,汇集输出相结合得到一组特征向量。更大的卷积核是容易提取全球输入信号的特点,和较小的卷积内核很容易提取详细的输入信号特性。这种并行多尺度提取方法可以提高卷积层的特征提取能力和多个MSB层连接在一起形成一个多尺度卷积神经网络(MS-CNN)评估和管理教育和教学。
摘要MS-CNN构造由1卷积层,3 MSB层,完全连接层。BN处理添加到每个卷积层和MSB层来提高数据的分布的一致性在训练集和测试集,然后使用ReLU激活函数映射这一层的输出在一个合适的时间间隔。第一个卷积层使用更大的卷积内核执行卷积操作原来的教学和教育改革数据和提取的全球特征数据。这三个连接MSB层后,上层的输出是多尺度特征提取。完全连接层后,添加一个辍学过程比为0.5,提高网络的泛化性能。最后,使用将softmax函数映射和数据提取的特征进行分类。摘要MS-CNN构造的结构如图3。
层网络中卷积核的数量设置为128,64年,64年,32岁。卷积核的数量在一个倒金字塔分布,减少了参数的数量是训练,可以加快网络的收敛性结构。MSB层使用64卷积核的大小1×3、1×5,并行多尺度特征的提取和1×7前一层的输出。MS-CNN的训练过程的主要参数如表所示1。
3.3。优化与遗传算法
有许多hyperparameters CNN。不同模型的泛化性能取决于这些hyperparameters的不同组合。由于许多hyperparameters模型的存在,他们的各种组合,因此,将使模型表现在很多方面。为了获得最优hyperparameter组合,本章结合了遗传算法和MS-CNN。一方面,该方法可以利用功能,CNN不需要手动输入特性(直接输入原始数据),另一方面,它可以利用优化遗传算法的特征。
遗传算法是一种模拟自然进化过程的方法寻找最优解。适应度函数和概率转换规则是用来指导搜索方向。选择、交叉和变异在遗传算法的一些基本操作。具体优化过程如下。
初始化人口和编码。随机生成一个人口 ,每一个人代表一个hyperparameter分布,代表hyperparameters的数量,是初始人口规模。
确定适应度函数。以重建误差平方MS-CNN模型的训练样本作为遗传算法的适应度函数,计算公式 在哪里预期的输出和吗是实际的输出。
选择。采用轮盘赌选择方法,选择概率每个单独的是 在哪里代表个人的健身价值,代表人群中个体的数量,表示的系数。
交叉。由于个人使用实数编码、交叉操作方法采用实数交叉方法。突变。突变的概率的基础上,生成一个新的个体。计算适应度值。判断是否达到最大进化代数;如果它到达,结束搜索过程;否则,返回到选择操作。
遗传算法优化结束后,最好的个人获得用作hyperparameter MS-CNN的组合。
GA-MS-CNN的具体步骤如下:(1)收集原始的教学和教育改革数据,并划分训练集和测试集。(2)生成一个初始种群,种群的数量N,并设置进化一代又一代的数量米。(3)火车每个MS-CNN模型,并利用训练样本的平方重建误差作为适应度函数。(4)进行选择、交叉和变异操作序列生成一个新的人口,和判断是否已达到进化代数。如果判别条件得到满足,最优网络hyperparameters输出。否则,重复步骤3和步骤4,直到判断条件得到满足。(5)输入测试集优化模型,并得到最终结果评价管理的结果。
4所示。实验和讨论
4.1。数据集
这项工作用一个白手起家的数据集进行教学和教育改革的性能和评价管理。数据集包含一个共有5982个样本,其中3817个样本训练集,剩下的2165个样本测试集。每个样本的输入特征10教育和教学改革的性能指标,如表所示2。每一个指标采用1到10分的评分系统。最终的标签也是改革的1 - 10分。评价指标精度和召回。
4.2。评价MSB层的数量
非常有助于改变卷积层和池层分层提取,提取更多的代表特征。为了提高网络的自适应提取能力,应构建一个更深层次的网络结构。然而,它会导致训练参数的数量增加,从而提高网络训练的难度。在这个工作中,除了普通卷积层用于网络结构的第一层,其他卷积和池层是取代MSB层,和一个多尺度卷积神经网络建立了评估和管理教育和教学改革成果。卷积核的数量前三卷积层设置为128-64-64,和卷积核的数量在每一个卷积层设置为32。批处理大小设置为32为例,和许多实验进行统计。图4显示的数量的影响MSB层的管理改革绩效评估。
从图可以看出,当MSB层数的增加,性能显示了增加的趋势。这表明一个更深层次的网络结构可以提高网络自适应特征提取的能力和取得更好的改革成果评价管理性能。当MSB层的数量设置为3,最佳的性能。但随着网络继续深化,性能提升很小。因为网络深度达到一定值,参数训练网络结构达到最优,以及特征提取能力趋向于饱和。因此,GA-MS-CNN MSB层的数量可以设置为3。确保性能的条件下,相对肤浅的网络结构复杂性较低,可以加快网络拟合和减少网络的训练和测试时间。
4.3。评价批大小
CNN是基于反向传播算法来更新网络结构的参数。批量大小决定了训练集样本选择的数量为每个向后传播。批量大小越大,它表明更多的训练集数据用于重量在这个迭代更新。本文使用小样本数据,所以本章讨论批量大小的影响从16到64年网络性能。在实验中,MSB层的数量是3;其他参数保持不变。结果如图5。
从上面的图中,随着批量大小的增加,性能显示了增加的趋势。因为这篇文章是基于小样本训练GA-MS-CNN,当一个小批量大小设置,更新模型的重量与一个较小的每次训练集样本,这很容易导致模型陷入休克。因此,使用一个更大的批量大小,和更多的样本用于表示数据分布的总体样本训练集的网络结构是更好的减少损失函数的方向发展。当批大小设置为32,它的性能是最优的。批量大小继续增加时,模型的性能不会增加太多,表明网络结构达到最优,和样本的数量限制了进一步优化网络的结构参数。
4.4。评价卷积核的数量
在深CNN,多重卷积核的卷积层可以提取更全面的功能。然后,多重卷积层将提取高维和更抽象的特征作为分类器的输入,实现教育改革成果的评价和管理。multiconvolutional-layer卷积核的数量通常有两个分布。一个是一个递减类型。这种分布,减少大量的卷积核的第一层可以提取更多的全球特性,和训练参数相对较小,这有利于网络配件。另一种是增量分布。卷积层,越落后的卷积核的数量越多。这个方法有助于在更高的卷积层提取更详细的特性。为了探索卷积核的数量分布的影响在卷积层网络性能,在实验中,MSB层的数量是3和批处理大小设置为32。实验结果如图所示6。
从图可以看出,识别精度的递减分布multiconvolutional-layer卷积核的数量高于增加的分布。主要是因为前者分布法,可以提炼出更多的全球特性下卷积层。然后,备用卷积层和池层自适应选择提取的特征,也有相对较少的训练参数完全连接层之前,这有利于更好的网络拟合和更好的性能。实验表明,multiconvolutional层的数量的减少分布卷积内核可以有效的评估和管理教育和教学改革成果。
4.5。评价最高有效位
在实验中,本文中使用的方法有很好的效果的绩效评估管理教育和教学改革。为了进一步探索建立模型中的多尺度块的作用,在GA-MS-CNN MSB层被替换为一个共同的卷积层和一个池层。卷积层也由BN处理建立一个CNN网络4卷积层。结果如图所示7。
从图7,GA-MS-CNN召回精度达到97.7%和94.8%,高于4卷积的CNN网络结构层。这表明,相同深度的CNN, GA-MS-CNN,并行多尺度特征提取方法,可以提高网络结构的特征提取能力和更好的建模性能的教育和教学改革绩效评估管理。
4.6。评价遗传算法
约翰•霍兰德和他的合作者在1960年代和1970年代发展了GA。这个模型或抽象的生物进化是建立在达尔文的自然选择理论。它揭示了自然选择的过程,选择适当的个人繁殖。这个选择的目的是后代的繁殖下一代。目前研究应用GA算法来优化一维CNN。为了验证这一策略的有效性,本文进行比较实验。本文比较了网络性能在使用遗传算法不使用GA,结果如表所示3。
显然,使用GA优化时,网络可以获得最佳性能。精度可以得到一个1.8%的增长,你可以增加1.1%召回。这个证明的有效性和正确性使用GA优化CNN。
5。结论
高等教育教学改革的重要组成部分和关键国家教育改革的目标。高等教育改革的目标是全面提高高等教育质量,提高人才培养的质量,从而进一步提高社会生产力。高等教育教学改革的有效性不仅直接关系到高校人才培养的质量和为社会服务的重要任务,但也与中国大学的内涵发展和高等教育的可持续发展。作为一个重要课题,高等教育教学的改革是一项综合的系统工程。高等教育教学改革的不断深化,高等教育的结果的评估和管理教学改革已成为一个热点问题。然而,这仍然是一个缺乏理论研究和实践经验。因此,基于CNN,这个工作设计了一个智能模型为点对点的评估和管理教育和教学改革的成果。
这个工作的内容是基于以下三点:(我)建设深维CNN连接大学教育和教学改革的相关数据的神经网络识别的自适应特征提取和准确评价和管理高等教育教学的质量。(2)针对这一问题,使用许多hyperparameters CNN对网络性能的影响更大,建议优化hyperparameters遗传算法。(3)证明的有效性和可靠性的工作,本文通过系统、全面的实验。
数据可用性
在当前的研究中使用的数据集是可从相应的作者在合理的请求。
的利益冲突
作者宣称他们没有利益冲突有关的出版。