一种基于神经网络预测分析模型的问卷调查间接评估方法
【专利摘要】本发明公开了一种基于神经网络预测分析模型的问卷调查间接评估方法，涉及自动化领域，其包括：提取问卷调查相关数据；对提取的问卷调查相关数据进行预处理，获得真实且合格的数据；基于真实且合格的数据构建BP神经网络评估模型；训练模型以获得更加有效且合理的评估模型；将通过分析模型所获得的知识并结合专家知识封装于执行决策的决策服务中；利用决策服务判定毕业要求达成度。本发明覆盖面广，效率高，具有自主分析决策能力，能够客观地评估学生学习成果。
【专利说明】
一种基于神经网络预测分析模型的问卷调查间接评估方法
技术领域
[0001] 本发明涉及知识自动化领域，设计了一种基于神经网络预测分析模型的问卷调查 间接评估方法。
【背景技术】
[0002] 从2015年3月教育部推出与国际实质等效的《工程教育专业认证标准》以来，全国 各大高校都在积极推动工程教育专业认证工作。
[0003] 各高校对于不同的毕业要求也有不同的评价方案，大都分为诊断型评价，形成型 评价，总结型评价，由于可以较为准确地量化，现有的工程教育专业认证方案大多为课程考 核成绩分析法这一方案。这一方案能对学生已经形成的知识、能力、态度等发展做出合理的 评价，但过于倾向考试成绩而导致开放性严重不足。
[0004] 为解决上述问题，本发明设计了一种基于神经网络预测分析模型的问卷调查间接 评估方法，此方法灵活多样、具有开放性的定性、定量相结合的优点。
【发明内容】
[0005] 为了克服目前评估方法的不足，本发明设计了一种基于神经网络预测分析模型的 问卷调查间接评估方法，它具体包括以下步骤： 1) 提取问卷调查相关数据； 2) 对提取的问卷调查相关数据进行预处理，获得真实且合格的数据； 3) 基于真实且合格的数据构建BP神经网络评估模型； 4) 训练模型以获得更加有效且合理的评估模型； 5) 将通过分析模型所获得的知识并结合专家知识封装于执行决策的决策服务中； 6) 利用决策服务判定毕业要求达成度。
[0006] 上述基于知识自动化的毕业要求达成度间接评估方法，其特征在于:所述步骤1) 包括： 问卷调查的对象包括:用人单位、毕业生、应届毕业生； 调查内容包括两项:一是受访者对毕业要求各项能力重要性的认同程度;二是毕业生 在这些能力上表现和达成情况。
[0007] 上述基于神经网络预测分析模型的问卷调查间接评估方法，其特征在于:所述步 骤2)进一步包括： 将上述所获数据进行标准化处理： 根据以上指标制定一张供受访者填写的毕业要求达成情况调查表，每个指标评价结果 分为"非常不认同/非常不满意" "基本不认同/基本不满意""一般认同/一般满意""基本认 同/基本满意""非常认同/非常满意"五个等级； 每个受访者可对每个指标进行评分，分值为五分制，用12个指标构成的指标体系来评 估毕业要求达成度，第i个受访者的第j个指标为，则对该指标进行标准化处理公式如下： (1) 其中，叫是Clj的标准数据;i是未标准化的第j个指标平均值而是未标准化的第j 个指标的标准差；
(3) 其中，M为评估者的个数，如果标准化的数据仍然大于1，则将该项数据赋值为1。
[0008]根据权利要求1所述的基于神经网络预测分析模型的问卷调查间接评估方法，其 特征在于，所述步骤A103进一步包括： 对毕业要求达成度评估问题，可以看作是输入(毕业要求达成度评估指标)到输出（对 毕业达成度最终评估结果）的非线性映射，因此，采用了 3层BP神经网络结构，即输入层、隐 含层、输出层； 具体建模过程由以下4个步骤组成： 1) 输入层节点的确定： 毕业要求达成度评估指标分为12个，12个评估指标作为BP神经网络输入层的输入，因 此，BP神经网络的输入层节点数就相应地确定为12个； 2) 输出层节点的确定： 由于毕业要求达成度评估结果只有一个，因此网络的输出层只设1个输出节点； 3) 隐含层节点的确定： 到目前为止，如何选定最佳的隐含层节点个数仍是一个急待解决的问题。如果我们选 择的隐含层节点数太少，则会使整个神经网络的收敛速度变慢，且不易收敛，相反，如果我 们选择的隐含层节点数太多，则会引起神经网络的拓扑结构复杂、迭代学习时计算量大，误 差也不一定最佳等问题，此外隐含节点太多还会增加训练时间； 目前，比较常见的确定隐含层节点数量的经验公式有： (4) 其中，P为隐贫
层节点个数，m为输入层节点个数，n为输出层节点个数，￡1取值大于1 且小于10; 通过逐一试验，得到最佳隐含层节点数为7，即p=7; 4) 激活函数的选定： 由于在训练数据样本集中，评估结果的期望输出值经过归一化处理后均落于[0，1]区 间内，因此，我们可以将BP神经网络隐含层单元和输出层单元上的激活函数都取为Sigmoid 函数，函数形式为：
在这个模型中： 输入向量为X=(X1，X2，'"Xm)，m为输入层节点的个数； 隐含层输出为11=(111，112，"_恥）4为隐含层节点的个数； 模型实际输出为Y=(y); D=(d)表示训练样本期望输出； 输入层单元i到隐含层单元j的权; 隐含层单元j到输出层单元的权值为 弓丨入XQ=-1，可为隐含层神经元引入阀值为_ ; 弓丨入h〇=-l，可为输出层神经元引入阀值为铋; 对于隐含层，有如下公式：
(6) 其中，j =1，2,…p; 对于输出层，有如下公式：
(7)。
[0009] 根据权利要求1所述的基于神经网络预测分析模型的问卷调查间接评估方法，其 特征在于，所述步骤A104进一步包括： 将输入向量X反复代入BP神经网络模型，并指定对应的正确输出结果，先计算实际输入 与正确输出的差值得到计算误差，在神经网络中反向传播误差，然后计算每个权重对误差 的贡献大小，并以此为依据对连接权值进行调整，神经网络不断自我调整权值并使误差最 小，直到其对所有的输入均可得到正确的输出。
[0010] 根据权利要求1所述的基于神经网络预测分析模型的问卷调查间接评估方法，其 特征在于，所述步骤A105进一步包括： 业务规则管理系统将封装的知识部署在受业务流程管理系统控制的决策服务中。
[0011] 根据权利要求1所述的基于神经网络预测分析模型的问卷调查间接评估方法，其 特征在于，所述步骤A106进一步包括： BP神经网络评估模型最后的输出值即为毕业要求达成度的值。
[0012] 本发明的技术效果在于:本发明通过问卷调查法收集问卷调查数据，基于问卷调 查数据构建了BP神经网络评估模型，并以此评估模型来间接评估毕业生毕业要求达成度； 设计了毕业要求达成度的决策流程，并构建了毕业要求达成度的决策管理循环架构;采用 了"业务流程-决策服务-业务知识-分析模型-数据-业务流程"这个循环途径，从而实现了 间接评估毕业要求达成度的自动化。
【附图说明】
[0013] 图1为本发明的实施流程图； 图2为本发明的BP神经网络评估模型图； 图3为本发明中毕业要求达成度的决策管理循环架构图； 图4为本发明中毕业要求达成度的决策流程图；
【具体实施方式】
[0014] 下面结合附图对本发明的技术方案作进一步的详细说明。应该指出的是下面说明 仅仅是示例性的，而不是为了限制本发明的范围以及其应用。
[0015] 项目实施方式 如图1所示，一种基于神经网络预测分析模型的问卷调查间接评估方法，【具体实施方式】 如下： 1) 提取问卷调查相关数据； 2) 对提取的问卷调查相关数据进行预处理，获得真实且合格的数据； 3) 基于真实且合格的数据构建BP神经网络评估模型； 4) 训练模型以获得更加有效且合理的评估模型； 5) 将通过分析模型所获得的知识并结合专家知识封装于执行决策的决策服务中； 6) 利用决策服务判定毕业要求达成度。
[0016] 上述基于神经网络预测分析模型的问卷调查间接评估方法，其特征在于:所述步 骤1)包括： 问卷调查的对象包括:用人单位、毕业生、应届毕业生； 调查内容包括两项:一是受访者对毕业要求各项能力重要性的认同程度;二是毕业生 在这些能力上表现和达成情况。
[0017] 上述基于神经网络预测分析模型的问卷调查间接评估方法，其特征在于:所述步 骤2)进一步包括： 将上述所获数据进行标准化处理： 根据以上指标制定一张供受访者填写的毕业要求达成情况调查表，每个指标评价结果 分为"非常不认同/非常不满意" "基本不认同/基本不满意""一般认同/一般满意""基本认 同/基本满意""非常认同/非常满意"五个等级； 每个受访者可对每个指标进行评分，分值为五分制，用12个指标构成的指标体系来评 估毕业要求达成度，第i个受访者的第j个指标为Clj，则对该指标进行标准化处理公式如下：
(1) 其中，W是叫的标准数据;是未标准化的第j个指标平均值A是未标准化的第j 个指标的标准差；
(3) 其中，M为评估者的个数，如果标准化的数据仍然大于1，则将该项数据赋值为1。
[0018] 根据权利要求1所述的基于神经网络预测分析模型的问卷调查间接评估方法，其 特征在于，所述步骤A103进一步包括： 对毕业要求达成度评估问题，可以看作是输入(毕业要求达成度评估指标)到输出（对 毕业达成度最终评估结果）的非线性映射，因此，采用了 3层BP神经网络结构，即输入层、隐 含层、输出层； 具体建模过程由以下4个步骤组成： 1) 输入层节点的确定： 毕业要求达成度评估指标分为12个，12个评估指标作为BP神经网络输入层的输入，因 此，BP神经网络的输入层节点数就相应地确定为12个； 2) 输出层节点的确定： 由于毕业要求达成度评估结果只有一个，因此网络的输出层只设1个输出节点； 3) 隐含层节点的确定： 到目前为止，如何选定最佳的隐含层节点个数仍是一个急待解决的问题。如果我们选 择的隐含层节点数太少，则会使整个神经网络的收敛速度变慢，且不易收敛，相反，如果我 们选择的隐含层节点数太多，则会引起神经网络的拓扑结构复杂、迭代学习时计算量大，误 差也不一定最佳等问题，此外隐含节点太多还会增加训练时间； 目前，比较常见的确定隐含层节点数量的经验公式有： P .Sigm:夺:砝屮餐 (4) 其中，P为隐含层节点个数，m为输入层节点个数，n为输出层节点个数，级取值大于1 且小于10; 通过逐一试验，得到最佳隐含层节点数为7，即p=7; 4) 激活函数的选定： 由于在训练数据样本集中，评估结果的期望输出值经过归一化处理后均落于[0，1]区 间内，因此，我们可以将BP神经网络隐含层单元和输出层单元上的激活函数都取为Sigmoid 函数，函数形式为：
在这个模型中： 输入向量为X=(X1，X2，'"Xm)，m为输入层节点的个数； 隐含层输出为11=(111，112，"_恥）4为隐含层节点的个数； 模型实际输出为Y=(y); D=(d)表示训练样本期望输出； 输入层单元i到隐含层单元j的权值为 隐含层单元j到输出层单元的权值为; 弓丨入XQ=-1，可为隐含层神经元引入阀值; 引入h〇=-l，可为输出层神经元引入阀值为W 对于隐含层，有如下公式： 其中，j =1，2,…p; (6) 对于输出层，有如下公式：
[0019] 根据权利要求1所述的基于神经网络预测分析模型的问卷调查间接评估方法，其 特征在于，所述步骤A104进一步包括： 将输入向量X反复代入BP神经网络模型，并指定对应的正确输出结果，先计算实际输入 与正确输出的差值得到计算误差，在神经网络中反向传播误差，然后计算每个权重对误差 的贡献大小，并以此为依据对连接权值进行调整，神经网络不断自我调整权值并使误差最 小，直到其对所有的输入均可得到正确的输出。
[0020] 根据权利要求1所述的基于神经网络预测分析模型的问卷调查间接评估方法，其 特征在于，所述步骤A105进一步包括： 业务规则管理系统将封装的知识部署在受业务流程管理系统控制的决策服务中。
[0021] 根据权利要求1所述的基于神经网络预测分析模型的问卷调查间接评估方法，其 特征在于，所述步骤A106进一步包括： BP神经网络评估模型最后的输出值即为毕业要求达成度的值。
[0022] 2.实施例 本实施例以自动化专业的毕业要求达成度评估为例。为了更进一步地说明本发明的具 体实施过程，共向用人单位发放12问卷，收回有效问卷10份。考察的指标内容如表1所示，对 于表1中12个指标，有的指标权重较大，而有的则较小，所以，通过确定权重系数来体现个指 标之间的差异，本实施例的权重系数由经验丰富的专家通过调查数据资料确定。
[0023] 表！评价指标体系
毕业要求认同度和达成情况用1~5分表示，其中1分表示非常不认同/非常不满意，2分 表示基本不认同/基本不满意，3分表示一般认同/ 一般满意，4分表示基本认同/基本满意，5 分表示非常认同/非常满意。表2为毕业要求认同度调查表，表3为毕业要求达成情况调查 表，表4为毕业要求认同度和达成情况汇总表。
[0024] 表2毕业要求认同度调查表
表3毕业要求达成情况调查表
表4毕业要求认同度和达成情况汇总表
对毕业要求认同度调查表和毕业要求达成情况调查表中的数据进行分析和标准化处 理，如表5、6所不。
[0025]表5标准化后的数据(认同度）
表6标准化后的数据(达成情况）
每项毕业要求都是由用人单位评判，其中认同度值占综合标准化值的40%，达成情况值 占综合标准化值的60%，如表7所示。
[0026]表7综合标准化后的数据(10个评估样本）
综合标准化值可作为BP神经网络评估模型的输入值，选取上述10个评估样本，如表6， 并将数据分为两部分，选取前面的8个样本作为训练样本，后面的4个样本作为测试样本，学 习精度为，经过995次训练后，其评估结果见表8,后面4个测试样本的评估结果和期望输出 评估结果见表9。
[0027] 表8 BP神经网络评估结果
表9 BP神经网络评估结果与期望输出结果对比
从表9可以看出，评估结果与期望输出结果非常接近，说明该评估结果误差较小。
【主权项】
1. 一种基于神经网络预测分析模型的问卷调查间接评估方法，其特征在于，所述基于 神经网络预测分析模型的问卷调查间接评估方法包括： 步骤SlOl，提取问卷调查相关数据； 步骤S102,对提取的问卷调查相关数据进行预处理，获得真实且合格的数据； 步骤S103,基于真实且合格的数据构建BP神经网络评估模型； 步骤S104，训练模型以获得更加有效且合理的评估模型； 步骤S105,将通过分析模型所获得的知识并结合专家知识封装于执行决策的决策服务 中； 步骤S106，利用决策服务判定毕业要求达成度。2. 根据权利要求1所述的基于神经网络预测分析模型的问卷调查间接评估方法，其特 征在于，所述问卷调查相关数据包括： 问卷调查的对象包括:用人单位、毕业生、应届毕业生； 调查内容包括两项：一是受访者对毕业要求各项能力重要性的认同程度;二是毕业生 在这些能力上表现和达成情况。3. 根据权利要求1所述的基于神经网络预测分析模型的问卷调查间接评估方法，其特 征在于，所述步骤S102进一步包括： 将上述所获数据进行标准化处理： 根据以上指标制定一张供受访者填写的毕业要求达成情况调查表，每个指标评估结果 分为"非常不认同/非常不满意" "基本不认同/基本不满意""一般认同/一般满意""基本认 同/基本满意""非常认同/非常满意"五个等级； 每个受访者可对每个指标进行评分，分值为五分制，用12个指标构成的指标体系来评 估毕业要求达成度，第i个受访者的第j个指标为(?，则对该指标进行标准化处理公式如下：其中，XU是(?的标准数据；巧是未标准化的第j个指标平均值是未标准化的第j个 指标的标准差；其中，M为评估者的个数，如果标准化的数据仍然大于1，则将该项数据赋值为1。4. 根据权利要求1所述的基于神经网络预测分析模型的问卷调查间接评估方法，其特 征在于，所述步骤S103进一步包括： 对毕业要求达成度评估问题，可以看作是输入(毕业要求达成度评估指标)到输出（对 毕业达成度最终评估结果）的非线性映射，因此，采用了 3层BP神经网络结构，即输入层、隐 含层、输出层； 具体建模过程由以下4个步骤组成： I)输入层节点的确定： 毕业要求达成度评估指标分为12个，12个评估指标作为BP神经网络输入层的输入，因 此，BP神经网络的输入层节点数就相应地确定为12个； 2 )输出层节点的确定： 由于毕业要求达成度评估结果只有一个，因此网络的输出层只设1个输出节点； 3) 隐含层节点的确定： 到目前为止，如何选定最佳的隐含层节点个数仍是一个急待解决的问题，如果我们选 择的隐含层节点数太少，则会使整个神经网络的收敛速度变慢，且不易收敛，相反，如果我 们选择的隐含层节点数太多，则会引起神经网络的拓扑结构复杂、迭代学习时计算量大，误 差也不一定最佳等问题，此外隐含节点太多还会增加训练时间； 目前，比较常见的确定隐含层节点数量的经验公式有：其中，P为隐含层节点个数，m为输入层节点个数，η为输出层节点个数，《取值大于1且 小于10; 通过逐一试验，得到最佳隐含层节点数为7，即ρ=7; 4) 激活函数的选定： 由于在训练数据样本集中，评估结果的期望输出值经过归一化处理后均落于[〇，1]区 间内，因此，我们可以将BP神经网络隐含层单元和输出层单元上的激活函数都取为Sigmoid 函数，函数形式为：在这个模型中： 输入向量为X=(X1，X2，'"Xm)，m为输入层节点的个数； 隐含层输出为11=(!11，!12，"_恥），？为隐含层节点的个数； 模型实际输出为Y=(y); D=(d)表示训练样本期望输出； 输入层单元i到隐含层单元j的权值为v = … 隐含层单元j到输出层单元的权值为; 引入Xo=-I，可为隐含层神经元引入阀值为V = ..:.?); 弓丨入ho=-l，可为输出层神经元引入阀值为W = (Wsi);对于隐含层，有如下公式： 其中，j =1，2,…p; 对于输出层，有如下公式：5. 根据权利要求1所述的基于神经网络预测分析模型的问卷调查间接评估方法，其特 征在于，所述步骤S104进一步包括： 将输入向量X反复代入BP神经网络模型，并指定对应的正确输出结果，先计算实际输入 与正确输出的差值得到计算误差，在神经网络中反向传播误差，然后计算每个权重对误差 的贡献大小，并以此为依据对连接权值进行调整，神经网络不断自我调整权值并使误差最 小，直到其对所有的输入均可得到正确的输出。6. 根据权利要求1所述的基于神经网络预测分析模型的问卷调查间接评估方法，其特 征在于，所述步骤S105进一步包括： 业务规则管理系统将封装的知识部署在受业务流程管理系统控制的决策服务中。7. 根据权利要求1所述的基于神经网络预测分析模型的问卷调查间接评估方法，其特 征在于，所述步骤S106进一步包括： BP神经网络评估模型最后的输出值即为毕业要求达成度的值。
【文档编号】G06N3/04GK105931153SQ201610229841
【公开日】2016年9月7日
【申请日】2016年4月14日
【发明人】段斌, 朱智勇, 尹桥宣, 杨壮, 陈娟
【申请人】湘潭大学