标志”src=

科学的规划
PDF
科学的规划/2021年/文章
特殊的问题

管理大数据、可视化和分析2021年医疗基于科学编程

把这个特殊的问题

评论文章|开放获取

体积 2021年 |文章的ID 9921960 | https://doi.org/10.1155/2021/9921960

舒欣王, ”遗传算法和BP神经网络对大学体育教学评价”,科学的规划, 卷。2021年, 文章的ID9921960, 7 页面, 2021年。 https://doi.org/10.1155/2021/9921960

遗传算法和BP神经网络对大学体育教学评价

舒欣王1

1补充免疫活动大学,郑州,河南,中国

学术编辑器:沙纳齐尔
收到了 2021年3月19日
接受 2021年5月25日
发表 2021年5月31日

文摘

体育教育是必不可少的健康计划的一部分,也反映了高等教育系统。与体育老师负责教体育和/或健康教育学生。本研究提出了一种新方法与高校大学体育教学评价。通过将神经网络与遗传算法(GA)相结合,我们提出的方法可以改善一般传统的BP网络,比如全局收敛性和培训时间。该模型使用MATLAB软件进行实证研究工作。根据MATLAB仿真和实验,表明神经网络与遗传算法相结合的算法具有有效的应用前景与高校大学体育教学评价。

1。介绍

目前,我们总是通过不同的方法和教学评价的方法,为教学质量一直是社会关注的焦点。在中国,我们有大量的高等教育体系中,大量的学生学习。大学的培训质量的评价是一个重要的问题在我们面前需要适当的评价机制。质量评价体系被认为是教育的一个重要组成部分(1- - - - - -5]。目前,许多教学质量评价系统建立了根据普通高校的标准水平。在目前的评价体系中,存在一些问题对大学教育质量的评估包括以下。(一)评价指标体系是不合理的,不能反映大学体育教育的特点。(b)教学评价指标往往包含很多没有量化的因素,所以在评估,有一些输入和输出之间的复杂的非线性关系。所以,很难建立精确的数学模型通过一个关系。(c)教学质量评价方法,如绝对评价方法,相对评价方法,评价方法,评价方法,现实的方法,和综合评分法,要么是太主观,或简单的数学运算(如加法、减法、乘法和除法)是用来评估教学效果,忽视了评价指标之间的非线性关系和教学效果,结果很难反映教学质量;也很难被人接受6- - - - - -13]。(d)很难作出准确的评估通过使用传统的方法来评估一些指标的结果,和计算是复杂的,解决方案是繁琐的,这些算法也缺乏自学能力(14- - - - - -16]。

为了克服这些问题,本研究提出了一个新颖的方法与高校大学体育教学评价。通过将神经网络与遗传算法相结合,当前一般传统BP网络方法进展,比如全局收敛性和培训时间。利用MATLAB软件对实验工作的方法。基于仿真和实验,结果表明,神经网络与遗传算法相结合的算法操作申请了大学与大学体育教学评价。

2。BP神经网络和遗传算法

下面各小节将简要展示细节。

2.1。遗传算法

遗传算法主要包括选择、交叉、变异,和其他操作。通过将神经网络与遗传算法相结合,它不仅利用神经网络的学习能力强,也结合了遗传算法的全局搜索特性。

在本文中,我们介绍了遗传算法的BP神经网络评价模型,这是一个进一步优化BP神经网络的应用。各种应用遗传算法存在的17,18]。

2.2。基于遗传算法的BP神经网络系统模型

在BP神经网络中,我们使用下降法作为学习规则。通过调整每一层的重量值,我们尽量减少网络误差的平方之和。如图1首先,选择有代表性的教学质量评价指标作为输入信息;然后,我们发送这些评价指标的输入层、隐藏层和输出层进行训练。我们使用遗传算法迭代学习网络权重根据培训目标函数找到最佳权重。网络成为一个稳定的模式评估者,然后,评价结果可以输出。


图1
BP神经网络训练模型与遗传算法。

模型的输入节点的数量n(大学体育教育质量的评价指标),中间层节点的数量n,输出层节点的数量是1,这是大学体育教育质量的评估价值。直接输入层节点传输信息到中间层节点,所以输入层节点的输出等于输入;中间层节点的输出信息的输入输出层节点的信息,和输出层只有一个节点,它接收输入的中间层节点和输出教学质量的评估结果:(1)输入层节点 ,也就是说,n代表教学质量评估(2)中间层节点输入是 输出是 在哪里 从输入层节点重量吗我到中间层节点j和 代表了我th因素的样本,即。,我教学质量评价指标。(3)输出层节点:输出层只有一个节点,和中间的输入是输出层节点: 在哪里问样品的实际输出值,也就是说,教学质量评估值和计算 从中间层节点连接的重量吗我输出层节点。

2.3。遗传算法
2.3.1。编码模式

常见的基因编码方法是实数编码和二进制编码。实数编码精度高、易于搜索在一个大空间;二进制编码与二倍体染色体的重要生物学特性在高等生物和长期记忆的功能,方便各种遗传操作。为了便于遗传操作,二进制编码用于权重系数。

2.3.2。培训目标函数

培训目标函数被定义为平方之和的平均值和实际产出之间的误差的评估价值P样品: 在哪里P是训练样本的总对数模式,问示例网络的实际输出值,然后呢问的期望值是示例网络。实际的输出问识别对象(高职院校的教学质量评价模型)作为反馈信号,这与神经网络样本的期望值E<e。如果e不符合由于小数量,重量系数不断调整以满足相应的需求。

2.3.3。体重调整的BP神经网络模型评价体系

网络学习是最小化的目的e通过调整网络中连接的重量。采用梯度下降法调整连接重量如下:

在 ,学习速率, 。然后,输入层节点之间的连接权重调整数量和中间层节点

调整数量的连接权重如下:

利用上述模型,可以确定神经网络的连接权重根据普通神经网络的迭代算法,并实际产出和样本值之间的误差可以减少。

2.3.4。描述基于优化神经网络的连接权重优化问题

在哪里e总网络训练误差和吗 统一编号后连续重量包括输入层节点的连接权值和中间层节点和中间层节点的连接权值和输出层节点,n连接权值的总数。的约束 。其中, 和 变量的 的上下界的改变。

2.3.5。生成初始种群

至于初始人口规模的选择,根据研究,非线性问题越大,越大P。在这篇文章中,P= 30,初始种群组成P随机生成字符串。

2.3.6。计算健身

人口计算适应度函数总是在应用遗传算法的一个瓶颈问题。因为个体的选择概率成正比健身,适应度函数的定义对遗传算法有很大的影响。有密切的适应度函数和目标函数映射关系,所以健身采用计算方法如下: 在哪里e培训目标函数和吗C是最大的e在目前的一代。

2.3.7。遗传操作产生新的种群

基因操作主要包括复制、交叉和变异。复制操作的目的是改善系统的全局收敛性和收敛效率。主要的思想是,字符串的复制概率公关正比于其健身,也就是说,高的个人健身将复制到下一代有高概率。交叉操作可以结合新的个人和搜索链空间中有效地避免有效的基因缺失。只有在有效的基因缺失的情况下,变异操作的效果更加明显。考虑到效率的全局收敛性,避免过早收敛有效基因缺失引起的,采用以下策略遗传操作参数的选择: 在哪里C所选择的参数定义是健身和吗 是健身。方程(10)复制概率变化适应性的变化,也就是说,高的个人健身会遗传给下一代更高概率和较低的个人健身会遗传到下一代的概率较低。结果表明,交叉概率电脑通常是[0.65,0.9],而突变概率点通常是[0.001,0.1]。

2.4。遗传算法训练的神经网络算法的步骤
(1)选择训练样本数据,输入层和中间层的连接权重和中产层和输出层随机生成: 和 (2)实际的输出问样本的计算根据方程(1)- (3)(3)根据方程(4),计算价值函数e之间的误差平方和的实际输出值与期望值(4)如果e≤e满足误差要求,培训结束后,然后转到步骤(11);否则,转到步骤(5)(5)的重量调整值输入层和中间层,中间层和计算输出层根据方程(6)和(7)(6)重新计算新的连接权重根据方程(9)和(10): 和 (7)根据新的权重和样本数据,平均误差e实际的输出问网络的样本重新计算根据方程(1)- (4)(8)如果E≤ 和误差要求,培训结束,然后转到步骤(11);否则,转到步骤(9)(9)将人口规模n、体重变化范围、交叉概率PC,概率和变异概率点,并确定复制公关根据方程(10)和(11)(10)复制交叉、变异和遗传算法计算,根据网络遗传算法生成的重量,下一个培训的初始权重值的神经网络模型,然后转到步骤(5)(11)在培训结束时,输出满足训练精度的重量: 和 (12)根据确定的重量值 和 ,把实验数据计算和输出评估结果

通过修正神经网络的权重已经完成了培训任务,网络模型构成模式评估者。

3所示。在大学体育教学质量评价

扩张的科学和信息技术,采用计算机技术被广泛的应用在生活的各个方面。教室教学和各种体育活动丰富计算机技术的支持下(19]。各种研究已经进行了相关物理教育。一项研究分析了35个体育教师持续专业发展增值培训嵌入自决理论,需要支持教学、和使用定量和定性的方法20.]。虚拟现实和网络的应用领域的嵌入式系统使用的物理教育教学评价(21]。研究评估的有效性需要支持在体育教育教学日常强度到高强度的体育运动的女孩通过混合方法评价(22]。

3.1。建立评价指标的教学质量

为了评估教学质量更加科学和有效,我们必须首先确定一套科学的教学质量评价指标体系。采访的基础上补充免疫活动大学的一些老师和学生,郑州大学的工业技术,黄淮大学和黄河科技大学、结合的理论和实践研究的总结评价的高校体育教学质量,本文建立的评价指标体系,在大学体育教学的质量,如表所示1。从表1,我们知道指标体系决定了教学质量评价模型的网络结构。
一级指标 二级指标 输入 一级指标 二级指标 输入
教学态度 严格的备课 X1 课程内容 大部分的实际训练 X10
经营批发 X2 强调 X11
演讲的能力 内容体系 X3 教学方法 教学生按照因材施教 X12
复杂的问题 X4 专注于灵感 * 13
理论与实际相结合 X5 教学和教育 学习和学生之间的互动 X14英寸
启发式 X6 成为别人的一个模型 连接
关键和困难 X7 严格的要求 乘16
示范 的混合体 教学效果 学生应该掌握它 X17
学生的热情 X9 学生擅长做的事情 X18
表1
大学体育教学质量的评价指标体系。
3.2。标准化的输入指标

因为二级索引输入是通过使用百分位系统和学生评分,每个组件的大小值是非常不同的。如果原始数据直接应用没有任何转换,原始数据的绝对值可能太大,超出有效处理范围的神经元,导致所谓的“饱和现象。“即使原始数据的绝对值并不太大,一个组件可能太大,和对网络的影响远远大于其他组件,以便其他组件失去调节网络的能力。因此,有必要使神经网络的输入样本正常化。摘要最大和最小方法用于规范化处理,因为这是一个线性变换的数据处理方法,可以更好地保留其原始意义,不会导致信息丢失。输入数据,本文中使用的归一化公式如下: 在哪里x是归一化后的神经网络的输入值,我神经网络的输入值没有处理, 的最大输入神经网络, 神经网络的最小输入。

3.3。准备样本库

GABP神经网络,根据汇总和分析,根据教学质量的评价指标,本文制定高职院校的教学调查问卷,我们学院的学生可以选择和指标得分的教师。收集到的样本数据标准化根据公式(11)。这些数据转换为数据[0,1]。处理过的样本数据如表所示2。
不。 1 2 3 4 5 6 7 8 9 10 11 12 13 14
X1 0.51 0.69 0.65 0.66 0.68 0.55 0.56 0.98 0.98 0.70 0.88 0.50 0.51 0.71
X2 0.53 0.52 0.55 0.96 0.30 0.53 0.95 0.80 0.95 0.51 0.93 0.59 0.91 0.55
X3 0.70 0.96 0.88 0.65 0.31 0.45 0.80 0.6 0.72 0.68 0.67 0.69 0.30 0.65
X4 0.73 0.70 0.59 0.67 0.31 0.49 0.70 0.61 0.70 0.67 0.87 0.69 0.30 0.56
X5 0.52 0.96 0.97 0.51 0.55 0.45 0.51 0.34 0.95 0.48 0.93 0.48 0.31 0.59
X6 0.98 0.97 0.98 0.98 0.33 0.51 0.71 0.32 0.75 0.72 0.91 0.67 0.33 0.54
X7 0.70 0.72 0.68 0.69 0.51 0.52 0.51 0.51 0.69 0.53 0.69 0.75 0.49 0.49
的混合体 0.51 0.69 0.93 0.75 0.69 0.48 0.68 0.48 0.71 0.67 0.76 0.71 0.48 0.49
X9 0.96 0.95 0.95 0.95 0.53 0.51 0.72 0.69 0.92 0.75 0.95 0.65 0.51 0.67
X10 0.71 0.98 0.96 0.65 0.48 0.69 0.72 0.69 0.92 0.75 0.95 0.65 0.51 0.68
X11 0.78 0.68 0.69 0.72 0.66 0.65 0.60 0.68 0.70 0.82 0.98 0.64 0.54 0.69
X12 0.96 0.93 0.99 0.89 0.81 0.49 0.50 0.56 0.89 0.47 0.93 0.51 0.33 0.49
* 13 0.96 0.97 0.91 0.92 0.31 0.33 0.71 0.31 0.71 0.71 0.71 0.71 0.31 0.71
X14英寸 0.72 0.69 0.68 0.69 0.53 0.72 0.65 0.51 0.71 0.67 0.69 0.73 0.51 0.51
连接 0.70 0.71 0.88 0.71 0.59 0.68 0.55 0.75 0.72 0.65 0.41 0.71 0.31 0.69
乘16 0.70 0.02 0.65 0.68 0.66 0.71 0.89 0.65 0.75 0.73 0.59 0.49 0.28 0.69
X17 0.93 0.70 0.89 0.73 0.67 0.65 0.67 .071 0.71 0.75 0.68 0.72 0.27 0.72
X18 0.71 0.92 0.74 0.98 0.30 0.32 0.63 0.58 0.89 0.71 0.70 0.69 0.31 0.69
表2
训练样本集数据预处理。
3.4。仿真过程和结果

MATLAB中的神经网络工具箱包含各种神经网络算法的实现程序。BP神经网络在MATLAB的实现一般有四个步骤:首先是网络的初始化,第二个是网络的创建,第三是网络的仿真,第四是网络的训练。测试GA神经网络训练模型的性能,阅读训练数据和教师数据(前10组数据表2),生成相应的网络模型根据神经网络模型结构提出了部分2.2,并设置网络训练的误差精度e= 0.001。神经网络的操作参数设置如下:学习效率0.9和动量系数0.9,以及遗传算法的运行参数设置如下:体重变化范围0.5,交叉概率为0.75,0.005和变异概率。仿真过程如下。

3.4.1。模拟过程

Fid = fopen (train_data.txt);P= fscanf (fid, % g, [10、18]);%P= mydataT= fscanf (fid, % g, [1, 10]);净= = newff ([0,1], [1、7] {‘tansig’,‘tansig}, traingdm”);Net.trainParam.show = 50;…net.trainParam.goal = 0.001;fidt = fopen (“test_data.txt”);而(feof (fidt))问= fscanf (fidt % g, [4, 18]);B= sim(净,Q);结束

表3与BPGA显示了结果,仿真评估结果和专家评价结果的四个测试集(最后的四组数据表2如表所示4)。从表3和4,我们知道,它不仅是训练样本非常接近专家评价结果还四个测试集的模拟评价结果非常接近专家评价结果。
数量 1 2 3 4 5 6 7 8 9 10
专家评价 0.700 0.750 0.910 0.710 0.450 0.571 0.680 0.520 0.850 0.650
网络测试 0.710 0.740 0.711 0.720 0.464 0.573 0.670 0.0490 0.860 0.651
表3
基于遗传算法的神经网络训练结果比较和实际评价结果。
数量 11 12 13 14
专家评价 0.825 0.630 0.511 0.630
网络测试 0.810 0.651 0.535 0.610
表4
对比测试结果的测试集和实际评价结果。

4所示。结论

本文的贡献是提高传统使用GA BP神经网络。随着遗传算法迭代的重量因素可以改变BP神经网络的输入。基本思想是使用遗传算法来优化神经网络的输入参数,系统收敛速度,最后,将优化结果作为BP算法的初始值,然后,用BP算法训练网络。通过这种方式,与GA BP算法交替运行,直到达到所需精度的问题。在实验中,我们使用多组样本数据测试和我们学院的建立基于遗传算法的BP神经网络模型。通过优化神经网络连接权值,也就是说,初始种群的遗传进化一代复一代,实现大学体育教学质量的评价。结果表明研究的有效性。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究得到了河南省科技项目(社会发展),研究集成开发的体育锻炼和物理治疗的角度可替换主体(不合作。2020年,202102310651)。

引用

  1. l .歌曲和j .黄”,设计基于BP神经网络的教学质量评价模型,”机电技术,19卷,不。5,页1 - 10,2020。视图:谷歌学术搜索
  2. l .顾”多媒体教学质量评价灰色关联分析和神经网络的基础上,“现代电子技术,43卷,不。9日,第194 - 191页,2020年。视图:谷歌学术搜索
  3. j .张”,英语教学质量的评估基于遗传算法优化RBF神经网络,”计算机系统应用卷,29号3、171 - 176年,2020页。视图:谷歌学术搜索
  4. c . y . Wu吴,y阴”网络教学质量评价模型基于证据理论和神经网络,”现代电子技术,43卷,不。19日,183 - 186年,2020页。视图:谷歌学术搜索
  5. 李y”设计的大学教学质量评估模型基于数据挖掘算法,”现代电子技术,43卷,不。17日,第130 - 127页,2020年。视图:谷歌学术搜索
  6. l . Zhang f .郑、王l . et al .,“课程质量评价体系的研究和应用基于BP神经网络,”内蒙古大学学报(自然科学版),23卷,不。5,十三至十八页,2020年。视图:谷歌学术搜索
  7. >、y . Lang和z谢,“实时情感识别研究在课堂质量分析,基于异常”自动化技术与应用,39卷,不。6,52-57,2020页。视图:谷歌学术搜索
  8. g .左、苏x h . Wang et al .,“课堂行为研究发现大学生基于CNN深度学习模型,”智能计算机和应用程序,10卷,不。2、158 - 160年,2020页。视图:谷歌学术搜索
  9. h·崔研究K-Modes算法和神经网络在教学评价中的应用和学习预测,15卷,不。2、2020。
  10. l . Zhang f .郑、王l . et al .,“课程质量评价体系的研究和应用基于BP神经网络,”内蒙古大学学报(自然科学版),卷036,不。1,第104 - 102页,2020。视图:谷歌学术搜索
  11. 问:吴、l .羌族和x关,“光学分数基于多尺度残余卷积神经网络的识别方法和双向简单循环单元,“激光和光电的进展卷,57号8,2020。视图:出版商的网站|谷歌学术搜索
  12. x丽安,j·黄和j .吴”案例研究神经网络理论和应用实践教学,“计算机和信息技术,28卷,不。6,71 - 74年,2020页。视图:谷歌学术搜索
  13. l .施c . Cheng和美国易”,研究评价大学生实践教学效应”基于BP神经网络,扬州大学学报(高等教育研究版),24卷,不。2、115 - 121年,2020页。视图:谷歌学术搜索
  14. p .苏”,基于机器学习的反馈教学模式”,课程教育研究,22卷,不。14日,2020年。视图:谷歌学术搜索
  15. 郑许g . Cheng y, y,“基于机器视觉的金工实习教学改革的探索提高实践安全,”实验技术与管理,37卷,不。5,265 - 269年,2020页。视图:谷歌学术搜索
  16. z Yuanyi和l .郑”交互文本分类方法基于深层神经网络的在线协作学习,”现代远程教育研究,32卷,不。3、106 - 114年,2020页。视图:谷歌学术搜索
  17. a . Semnani m . Ostadhassan y, m··沙里夫和b . Liu”联合约束位置和控制参数的优化使用基于教学优化和inter-distance算法”石油科学与工程》杂志上文章ID 108652卷,203年,2021年。视图:出版商的网站|谷歌学术搜索
  18. a . Khosravi m . Malekan j·j·g . Pabon赵x,和m·e·h·阿萨德“设计参数建模使用塔式太阳能电站系统的自适应神经模糊推理系统优化与遗传算法的结合,教学上优于优化算法,”《清洁生产文章ID 118904卷,244年,2020年。视图:出版商的网站|谷歌学术搜索
  19. p .董和a·李”模拟基于FPGA的体育教学和可穿戴式虚拟现实设备,“微处理器和微系统公司文章ID 103773卷,81年,2021年。视图:出版商的网站|谷歌学术搜索
  20. n . Aelterman,克里斯丁·m·。梵斯丁凯斯特h·范·科尔德•梅耶尔j . l . Van den Berghe,和l . Haerens”发展和培训的评估需要支持在体育教育教学:定性和定量结果,“教学和教师教育,29卷,第75 - 64页,2013年。视图:出版商的网站|谷歌学术搜索
  21. j . Cheng”体育教学评价基于web嵌入式系统和虚拟现实,”微处理器和微系统公司文章ID 103980卷,83年,2021年。视图:出版商的网站|谷歌学术搜索
  22. d . j . Sturm j . Bachner d .任宁格s Haug和y Demetriou”集群随机试验来评估需要支持在体育教育教学六年级女生的体育活动:一个混合方法研究中,“体育及运动心理学卷,54篇文章ID 101902, 2021。视图:出版商的网站|谷歌学术搜索

版权©2021王舒心。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。

更多相关文章

对本文没有相关内容可用。
PDF 下载引用 引用
下载其他格式更多的
ePub
XML
订单打印副本订单
的观点187年
下载258年
引用

相关文章

对本文没有相关内容可用。

文章奖:2020年杰出的研究贡献,选择由我们的首席编辑。获奖的文章阅读。