高校教育信息資源管理評估的神經網絡模型研究

高校教育信息資源管理評估的神經網絡模型研究

高校教育信息資源管理評估的神經網絡模型研究
蔣嗚
[摘要]文章利用神經網絡方法建立了教育信息資源管理評估系統的數學模型。為了確保教育信息資源管理評估的科學性和合理性，該研究將評價指標作為神經網絡的輸入，將教育信息資源的管理效益作為輸出，基于最小二乘法原理，運用梯度搜索技術，力圖使網絡的實際輸出值與期望輸出值的誤差均方值達到最小。經仿真分析，所建立的數學模型較好地擬合了高校教育信息資源管理的實踐狀況，具有較好的辨識精度。
[關鍵詞]神經網絡教育信息資源管理評價模型仿真
[作者簡介]蔣嗚（1957-），男，上海第二工業大學人文學院副院長，副研究員，主要研究方向為高等教育、繼續教育和職業教育。（上海200060）
[中圖分類號]G647
[文獻標識碼]A [文章編號]1004-3985(2010).36-0056-02
一、引言
隨著信息技術的發展，高校教育信息資源在高校的教學過程中發揮著越來越重要的作用。但是，由于教育信息資源建設資金投入的不斷加大，信息資源的種類不斷增多、數量逐漸增加、技術含量空前提高。如何提高教育信息資源管理效益，最大限度地利用教育信息資源，提高信息保障能力，已經成為擺在高校信息管理者面前的現實課題。教育信息資源管理評估是提高高校教育信息資源管理水平的關鍵環節。由于高校教育信息資源管理系統含有許多不確定性因素，這些因素一般比較難以量化，評價誤差往往較大。目前，評價教育信息資源管理質量的方法有很多，但大都基于傳統的定性方法或者模糊數學的方法，這些方法基本都局限于線性的運算方式，而由于評價體系的輸入（各評價指標）和輸出（管理質量）之間的關系并不一定是簡單的線性關系，所以尋找評價體系的輸入和輸出的準確數學關系，建立一個合理的、科學的數學模型，將對教育信息資源管理質量的評估有著重要的意義。本文利用神經網絡理論建立了教育信息資源管理質量評價系統的神經網絡數學模型，以期為教育信息資源管理質量評估體系的研究提供有益的借鑒。
二、教育信息資源管理評估指標體系的建立
（一）教育信息資源管理的內涵
狹義的教育信息資源管理是指對教育信息本身即教育信息內容實施管理的過程；廣義的教育信息資源管理是指對教育信息內容及與信息內容相關的資源，包括對信息設備設施、信息技術、信息資源費效、人員等進行管理的過程。高校教育信息資源管理過程始于信息人員對用戶的信息需求的分析，經過信源分析、信息采集與轉換、信息組織、信息存儲、信息檢索、信息再生和信息傳遞等環節，最終滿足用戶的信息需求。
（二）教育信息資源管理評估指標體系
為了評價教育信息資源管理質量，通常對其信息設備設施管理質量、信息技術管理質量、教育信息資源管理費效、管理人員素質等內容進行評價。教育信息資源管理評估指標共有7個，分別為X．、X2、X3、X4、X5、X6、X7。X．表示教育信息設備設施的使用狀況；X2表示信息設備設施的維護狀況；X3表示技術手段運用狀況；X4表示教育信息資源管理的投入經費；X5表示教育信息資源管理經費的使用狀況；X6表示人員的履行管理職能的狀況；X7表示人員的管理創新能力狀況等。在實踐中，為了便于操作，我們給出了具體的下一級指標，限于篇幅，在此省略。假設評價指標的論域為[0，10]。評價矩陣要素運用德爾斐法確定，即分別由專家填寫相應的分值，匯總后的教育信息資源管理質量情況如表l所示。
三、教育信息資源管理評估的神經網絡評估模型
神經網絡理論是近幾年來國內外的一個前沿研究領域，它可用于預測、分類、模式識別和過程控制等各種數據處理場合。相對于傳統的數據處理方法，它更適合處理像教育信息資源管理這樣的模糊、非線性和模式特征不明確的問題。
（一）建模引理
BP模型是一種用于前向多層神經網絡的反向傳播算法，由魯梅爾哈特(D．Ruvmelhar)和麥克萊倫德（McClelland）于1985年提出。

1．神經網絡模型的結構。BP算法可用于多層網絡，網絡中不僅有輸入層節點及輸出層節點，而且還有一層至多層隱層節點。采用BP神經網絡可以實現對高校教育信息資源管理質量評估系統的辨識。假設將7個評估指標作為神經阿絡系統的輸入，把信息管理質量作為系統的輸出，具體如圖1所示。
當有信息向網絡輸入時，信息首先由輸入層傳至隱層節點，經特性函數作用后，再傳至下一隱層，直到最終傳到輸出層輸出，其間每經過一層都要由相應的特性函數進行變換。
2．BP算法。反向傳播算法旨在對評估體系進行辨識，以使網絡的實際輸出值與期望輸出值的誤差均方值最小為目標，運用最小二乘和梯度搜索技術進行辨識。由于網絡的修正過程是誤差一邊向后傳播一邊修正加權系數的過程，因此，可用其對高校教育信息資源管理質量評估體系進行辨識。BP的修正目的是對網絡的連接權值進行調整，以使任何一個輸入都能得到所期望的輸出。修正的方法是用一組訓練樣例對網絡進行訓練，每一個樣例都包括輸入和期望輸出兩部分。訓練時，首先把樣例的輸入信息輸入到網絡中，由網絡自第一個隱層開始逐層地進行計算，并向下一層傳遞，直至傳至輸出層，其間每一層神經元只影響到下一層神經元的狀態。然后，將其輸出與樣例的期望輸出進行比較，如果它們的誤差不能滿足要求，則沿著原來的連接通路逐層返回，并根據二者的誤差按照一定的原則對各層節點的連接權值進行調整，使誤差逐步減小，直到達到要求為止。
（二）模型的建立

利用BP算法可使性能指標最小化，為了保證系統的穩定性，把被辨識對象信息資源管理質量評估系統的實際輸出y作為反饋信號，將其與神經網絡辨識器的輸出；比較，使E其中L´為一個很小的數，如果不滿足要求，則不斷調整權系數，以達到期望要求。
根據反向傳播計算公式，可得如下權系數修正規律。

四、仿真分析

采用三層BP神經網絡對上述教育信息資源管理質量評估系統進行辨識，輸入層、隱含層和輸出層的結點數分別為7×14 xl，激活函數采用sigmoid型，修正率´r7=0.9，學習訓練算法采用反向傳播算法，將表l中的數據作為神經網絡辨識模型的訓練樣本，目標誤差為0.001，仿真流程框圖和訓練過程如圖2和圖3所示。學習訓練達到要求后，可得到如58頁表2所示的辨識值。從表2可以看出，原始數據與神經網絡系統的辨識值非常接近，也就是說，該模型能較為準確地根據各評價指標來評估信息管理工作質量。
五、結論
運用BP神經網絡建立的教育信息資源管理質量評估系統的數學模型，其輸出辨識值與真實值之間的誤差很小。一旦神經網絡的結構及其算法確定后，數學模型的準確程度則與輸入的訓練樣本的數量密切相關。訓練樣本越多，該數學模型就越能準確地根據各評價指標來描述教育信息資源管理質量的好壞。當然，在教育信息資源管理實踐中，個別指標的突變可能會導致評估結果的錯誤。這種現象是客觀存在的，個別指標災變的突然性和不可預見性較強，極小的輸入會導致災變的輸出，離差巨大，本文所研究的神經網絡評估模型沒有考慮個別指標信息的災變現象，還需在后續的工作中加以解決。
[參考文獻]
[1]蔣宗禮．人工神經網絡導論[M].北京：高等教育出版社，2001．
[2]趙振宇，徐用懋．模糊理論和神經網絡的基礎與應用[Ml.北京：清華大學出版社，1995.

【高校教育信息資源管理評估的神經網絡模型研究】相關文章：

高校人力資源管理信息化建設研究08-18

云計算對高校教育信息化建設的影響研究08-18

基于校園網的高校教育信息系統的研究與實現08-06

神經網絡與智能信息處理08-06

基于人工神經網絡的肺癌診斷研究08-05

民辦高校人力資源管理優化研究08-05

中國股市的運行模型研究08-05

養老金評估模型--可計算一般均衡模型08-05

養老金評估模型--可計算一般均衡模型08-05