基于深度信念网络的高校教育管理模式评价研究

刘静

(西安工程大学， 高等教育研究所， 陕西， 西安 710048)

0 引言

高校教育管理模式是高校教学管理的核心，国家对教育事业的重视程度显著提高，因此对高校教育管理模式评价具有实际意义。当前有许多学者对高校教育管理模式评价进行了研究，取得了不错的研究成果。但当前评价方法经常存在局限性，有学者提出了研究基于大数据的评价方法[1]，该方法通过大数据技术收集信息作为评价依据，结合构建全过程评价体系实现评价，但该方法技术要求较高，导致评价效率低，还需要进一步深入研究；有学者提出了基于AHP层次分析法的评价方法[2]，通过该方法构建评价指标体系实现评价，由于该方法计算过程复杂，导致评价效果不佳。

深度信念网络(DBN)，可提高训练的效率，在评价方面具有显著的优势。因此为弥补以往方法的劣势，本文提出了基于深度信念网络的高校教育管理模式评价方法，提升高校教育管理模式评价效果，为今后高校教育改革提供新的发展思路。

1 深度信念网络的高校教育管理模式评价

1.1 深度信念网络

受限玻尔兹曼机模型(RBM)包括隐性与显性神经元，受限玻尔兹曼机模型需定义能量函数后导进相关的概率分布函数。设在状态不变的条件下，能量函数定义为

(1)

其中，b表示偏置系数，c表示自身权重，W表示权值，n表示神经元数量。

隐层神经元hj被激活的概率为

(2)

隐层神经元可激活显层神经元vi，则有

(3)

其中，σ(x)=x·sigmoid(x)。

受限玻尔兹曼机模型各层神经元相互独立，则概率密度为

(4)

随机数μ的阈值为0～1，显层中存在1条数据后，为求解各隐层神经元被发现的概率，需通过显层神经元激活，具体如下：

hj=1,P(hj|x)≥μ

hj=0,P(hj|x)<μ

(5)

通过上式得出隐层各神经元是否被激活。显层和隐层求解过程一样。

由多个RBM堆叠生成DBN模型结构，其模型结构见图1。

图1 深度信念网络模型结构

1.2 深度信念网络及训练算法

因高校教育管理模式评价实质上是判别分类问题，故可以将深度信念网络用于高校教育管理模式评价过程中，并主要负责分类[3]。DBN权值参数训练学习过程包括：通过RMB实施分层预训练[4]，再通过BP算法实施调优，详细过程如下。

Step 1 预处理网络权值和参数。利用分歧算法训练RBM1并保存偏置、权值，RBM2的输入为RBM1隐含层的输出，以同样方式训练RBM，预处理模型权值。为得出权值参数的最优值，通过无监督的贪心逐层训练算法实现预处理，通过预训练阶段可减少采样噪声，但为减小误差有时需微调[5]。

Step 2 参数调优阶段。网络参数的调整通过反向传播算法实现，反向传播网络的输入是预训练最后RBM的输出，此时网络参数已确定，总体DBN网络权值参数调整，再通过带标签的训练样本实施调整至符合条件。反向传播算法运算过程，设置反向传播网络各层处理单元为n个，作用函数用式(6)描述：

(6)

假设有m个样本模式(xs,ys)学习集，训练样本用s=(1,2,…,m)描述，osj表示单元j的输出，asj表示输入综合，具体为

(7)

假设网络初始值的取值范围为0～1，各输入模式s，此时期望输出和网络输出会存在误差，网络误差如式(8)：

(8)

其中dsj表示第s个输入模式输出单元j的期望输出。

权值w的修正具体如下：

wji(t+1)=wji(t)+ηδsjosj

(9)

为了提升网络收敛速度，在式(9)中导入学习速率，添加姿态项到权值修正公式，即：

wji(t+1)=wji(t)+ηδsjosj+a(wji(t)-wji(t-1))

(10)

其中势态因子用常数a描述。

权值更新随姿态因子的权值变化，各层权值利用误差反向传播实施优化[6]。

1.3 基于深度信念网络的高校教育管理模式评价

按照评价指标构建原则，构建高校教育管理模式评价指标，见图2。由图2可知，按照评价指标构建原则，构建高校教育管理模式一二级评价指标，一级指标包括教学管理效果、教学管理队伍、教学计划管理、教学基础建设管理、教学环节管理。

图2 高校教育管理模式评价指标

高校教育管理模式评价可体现高校教学水平的能力，由此构建深度信念网络的高校教育管理模式评价模型，见图3。

图3 深度信念网络的高校教育管理模式评价模型

为提高深度信念网络模型泛化和学习能力，通过上面两步实施参数分组，先找出各自的相对局部位置[7-8]，依据局部结果实施全局寻优，提升其评价的效果。由图3可知，将图2中高校教育管理模式评价指标作为原始指标，输入深度信念网络模型中，分别采用基于分歧算法和反向传播算法对深度信念网络模型实施预处理和参数调优处理后，深度信念网络输出结果就是高校教育管理模式评价结果。

2 实验结果与分析

选取某所高校作为实验对象，对该高校的教育管理模式进行评价，验证本文方法评价效果。设置高校教育管理模式评价结果分为优秀、一般、较差三个级别；评价指标的评分总分为100分，优秀为80～100，一般为50～79，较差为0～49。实验对比方法为文献[1]的大数据评价方法、文献[2]的AHP评价方法。

本文方法以深度信念网络作为基础，构建评价模型，势态因子会影响权值更新，在开展实验之前先要确定在何种势态因子之下模型具有较高评价精度，假设势态因子取值范围为4～7，验证在不同迭代次数之下，势态因子对于模型精度影响，结果见图4。从图4能够看出，随着迭代次数增加，各态势因子下模型精度不断提升，当态势因子为7时，模型精度最高，由此可以看出，后续实验开展时选取态势因子为7，能够保证评价结果具有较高准确性。

图4 势态因子对于模型精度影响

使用本文方法对实验对象各指标进行评分，结果见图5。从图5中能够直观看出使用本文方法评价实验对象后各指标的得分，大多数指标得分都在80分以上,也就是评价结果为优秀，仅有教研室管理与课程标准制定两个指标在80分以上，也就是评价结果为一般，出现这种评价结果的原因可能是高校对这两个评价指标存在忽视的问题，按照该评价结果高校可适当调整现有教育模式。

(a) 二级指标评分结果

通过专家评价等形式获得各高校评价指标实际教育管理模式的得分，分别使用三种评价方法对高校教育管理模式一级指标实行评价，评价结果与实际评价结果进行对比，结果见图6。从图6中能够看出，使用本文方法对研究对象实行评价，与专家评价的实际结果最为接近，说明针对一级评价指标使用本文评价方法进行评价的结果最为准确。两种对比方法由于各种因素限制，导致与实际评价结果差别较大。

图6 评价结果对比

统计三种方法的评价方差，结果见图7。从图7中能够看出，使用本方法评价教育管理模式能够获得较小的方差，由此可以进一步看出使用本文方法评价教育管理模式更加具有准确性，两种对比方法的方差较大，说明运用这两种对比评价方法无法获得良好的评价结果。

图7 评价方差结果对比

分析以往评价研究经验，各类评价方法均存在误评价的可能性，因此本文研究也需要验证评价过程中是否出现误评价情况，结果见图8。分析图8可知，使用本文方法评价实验对象出现较低误评价率，误评率不超过1%，从侧面证明使用本文方法评价高校教育管理模式时，具有较高的评价准确性。

图8 高校教育管理模式误评价结果对比

3 总结

针对高校教育管理模式评价方法比较片面的问题，本文研究基于深度信念网络的高校教育管理模式评价方法，提升高校教育管理模式评价全面性及效率。通过构建基于受限玻尔兹曼机模型堆叠的深度信念网络模型，对高校教育管理模式评价指标进行训练调优后，得出高校教育管理模式评价结果。实验结果表明，本文方法的高校教育管理模式评价准确性高，可较好实现高校教育管理模式评价。