一种基于类神经网络的专业认证权重优化方法及系统技术方案

本发明专利技术提供了一种基于类神经网络的专业认证权重优化方法及系统，基于BP神经网络模型，并添加了反馈机制，即在BP神经网络模型的每轮计算后均向相关教师和专业负责人反馈BP神经网络模型各层之间的最新的权重值以及相应计算所得的各误差项的值，并在每次反馈后，均由相关教师参与并调整输入层到第一隐含层的各权重值、并由专业负责人参与并调整第一隐含层到第二隐含层以及第二隐含层到输出层的各权重值，直至BP神经网络模型依据预先设定的循环次数完成各相应次的循环计算，最后输出优化后的各层之间的权重。本发明专利技术用于调整教学专业的专业认证权重。

An Optimal Method and System of Professional Authentication Weight Based on Neural Network

【技术实现步骤摘要】
一种基于类神经网络的专业认证权重优化方法及系统
本专利技术涉及专业认证领域，具体涉及一种基于类神经网络的专业认证权重优化方法及系统。
技术介绍
为了提高毕业生的质量，在教育领域，有教育质量评估与工程教育专业认证之说。尽管专业认证和教学质量评估的目的都是为了提高毕业生的质量，但是教育质量评估和专业认证有一定的区别。其中，质量评估的对象是学校，教学质量评估是对办学水平的评价，更加重视硬件的达标情况。而工程教育专业认证是指专业认证机构针对高等教育机构开设的工程类专业教育实施的专门性认证，核心是要确认工科专业毕业生达到行业认可的既定质量标准要求，是一种以培养目标和毕业出口要求为导向的合格性评价。专业认证的对象是专业，专业认证不仅重视交给学生了什么，更重视学生学到了什么，在对学生所接受的基础教育情况全过程进行考查和评价的基础上更加注重对学生实际掌握技能的考察评价。工程教育专业认证的对象是高校工程类的某个专业。中国工程教育认证通用标准(CEEAA)中规定了12条专业制定的毕业要求，即工程知识、问题分析、设计/开发解决方案、研究、使用现代工具、工程与社会、环境和可持续发展、职业规范、个人和团队、沟本文档来自技高网...

【技术保护点】
1.一种基于类神经网络的专业认证权重优化方法，其特征在于，包括步骤：建立BP神经网络模型，所述的BP神经网络模型包括1个输入层、2个隐含层和1个输出层；初始化BP神经网络模型中各层的节点的数量及输入层的初始值，以及模型中各层的节点之间的权重的初始值，以及模型的输出层的各个节点对应的期望值；其中：输入层的节点表示待进行专业认证的专业的样本学生的课程成绩，第二隐含层的节点表示待进行专业认证的专业的学生毕业要求，第一隐含层的节点表示对第二隐含层的节点的细分，输出层的节点表示待进行专业认证的专业的培养目标，输入层与第一隐含层之间的权重代表的是输入层的节点对第一隐含层的节点的支撑度，第一隐含层与第二隐含...

【技术特征摘要】
1.一种基于类神经网络的专业认证权重优化方法，其特征在于，包括步骤：建立BP神经网络模型，所述的BP神经网络模型包括1个输入层、2个隐含层和1个输出层；初始化BP神经网络模型中各层的节点的数量及输入层的初始值，以及模型中各层的节点之间的权重的初始值，以及模型的输出层的各个节点对应的期望值；其中：输入层的节点表示待进行专业认证的专业的样本学生的课程成绩，第二隐含层的节点表示待进行专业认证的专业的学生毕业要求，第一隐含层的节点表示对第二隐含层的节点的细分，输出层的节点表示待进行专业认证的专业的培养目标，输入层与第一隐含层之间的权重代表的是输入层的节点对第一隐含层的节点的支撑度，第一隐含层与第二隐含层之间的权重代表的是第一隐含层的节点对第二隐含层的节点的支撑度，第二隐含层与输出层之间的权重代表的是第二隐含层的节点对输出层的节点的支撑度；第一隐含层的输出表示毕业要求细分点的达成度，第二隐含层的输出表示待进行专业认证的专业的毕业要求的达成度，输出层的输出表示待进行专业认证的专业的培养目标的达成度；基于上述初始化的输出层的各个节点对应的期望值，以及各层的节点的数量及输入层的初始值，以及各层的节点之间的权重的初始值，进行如下步骤的计算：(1)计算第一隐含层的输出h1；(2)计算第二隐含层的输出h2；(3)计算输出层的输出(4)计算输出层到第二隐含层的误差项(5)计算第二隐含层到第一隐含层的误差项(6)计算第一隐含层到输入层的误差项(7)向相关教师和专业负责人反馈各层之间的最新的权重值以及计算所得的各误差项的值；(8)接收上述(7)中相关教师修改后的输入层到第一隐含层的各权重的值，并接收上述专业负责人修改后的第一隐含层到第二隐含层、以及第二隐含层到输出层的各权重的值，转而循环执行步骤(1)，直至循环计算的次数达到预先设定的次数，之后存储并输出各层之间的最新的权重值，该存储并输出的各层之间的最新的权重值即为优化后的专业认证权重。2.根据权利要求1所述的基于类神经网络的专业认证权重优化方法，其特征在于，计算第一隐含层的输出的计算公式为h1＝g1(net1)，计算第二隐含层的输出的计算公式为h2＝g2(net2)，计算输出层的输出的计算公式为计算输出层到第二隐含层的误差项的计算公式为计算第二隐含层到第一隐含层的误差项的计算公式为计算第一隐含层到输入层的误差项的计算公式为其中：net1＝w1Tx+b1，net2＝w2Th1+b2，net3＝vTh2+b3，δ1(k)＝h2⊙(1-h2)⊙(v·δ(k))T，g1为第一隐含层的激活函数，g2为第二隐含层的激活函数，g3为输出层的激活函数，i表示输入层的第i个节点，j表示第一隐含层中的第j个节点，l表示输出层中的第l个节点，矩阵x的元素xi表示输入层中第i个节点的初始值，矩阵w1的元素w1ij表示输入层的第i个节点与第一隐含层中的第j个节点之间的权重，矩阵h1中的h1j表示第一隐含层中的第j个节点的输出，矩阵w2的元素w2jk表示第一隐含层中的第j个节点与第二隐含层中的第k个节点之间的权重，矩阵h2中的h2k表示第二隐含层中的第k个节点的输出，矩阵v的元素vkl表示第二隐含层中的第k个节点与输出层的第l个节点之间的权重，矩阵b1、矩阵b2和矩阵b3均为所创建的BP神经网络模型的偏置项,矩阵中的元素表示输出层中的第l个节点的输出,矩阵y中的元素yl表示输出层中的第l个节点的输出对应的期望值，n＝s。3.根据权利要求1或2所述的基于类神经网络的专业认证权重优化方法，其特征在于，所述的系统用户包括系统管理员、以及待进行专业认证的专业的相关教师和专业负责人。4.一种基于类神经网络的专业认证权重优化系统，其特征在于，包括：账号权限管理模块，用于系统管理员定义系统用户的登录账号名、登录密码，并用于系统管理员给系统用户选定所对应的功能业务模块，从而给登录账号名分配菜单权限；登录认证服务模块，用于输出登录界面到显示器，并用于对系统用户通过登录界面输入提交的登录账号名及登录密码进行验证，实现系统用户的账号登录；功能应用模块，用于在登录认证服务模块验证登录信息通过后，从所述账号权限管理模块中获取并输出当前登录账号名对应的功能业务模块；所述的功能业务模块包括BP神经网络单元、第一权重修改单元、第二权重修改单元和优化结果单元，其中：所述的BP神经网络单元，用于系统管理员建立BP神经网络模型，所述的BP神经网络模型包括1个输入层、2个隐含层和1个输出层...

【专利技术属性】
技术研发人员：韩士元，周亚新，房雅，周劲，邓烨，刘振，
申请(专利权)人：济南大学，
类型：发明
国别省市：山东,37