6第六章 支持向量机专题 授课2013.ppt
班丽丽+纪二娟
摘 要： 为了提高远程教学质量的评估精度，针对当前远程教学评估模型的不足，提出支持向量机的远程教学质量评估模型。首先建立远程教学质量评估指标体系，采用核主成分分析选择重要指标，然后根据重要指标收集数据，采用支持向量机进行远程教学质量评估，最后采用某高校远程教学质量数据进行性能验证。结果表明，支持向量机显著改善了远程教学质量的评估效果，可以为高校教学管理者提供有价值的信息。
关键词： 远程教学； 质量评估； 支持向量机； 验证性实验
中图分类号： TN98?34； TP183 文献标识码： A 文章编号： 1004?373X（2017）13?0126?04
Abstract：In order to improve the evaluation accuracy of the distance teaching quality， and eliminate the insufficient of the current distance teaching evaluation model， the distance teaching quality evaluation model based on support vector machine is proposed. The evaluation index system of the distance education quality is established. The kernel principal component analysis is used to select the key indicators， according to which the data is collected. The support vector machine is adopted to evaluate the distance teaching learning quality. The distance teaching quality data for a certain university is employed to test its performance. The results show that the support vector machine can improve the evaluation effect of the distance teaching quality significantly， and provide the valuable information for the university teaching administrators.
Keywords： distance teaching； quality assessment； support vector machine； verification experiment
0 引 言
教學质量对于高等教学来说至关重要，而远程教学是高等教学的一个重要组成部分。远程教学质量评估可以帮助教师改进教学方法，完善教学内容，因此远程教学质量评估具有积极意义[1?2]。在实际应用中，远程教学质量与多种指标相关，是一个十分复杂的系统，既有一些定量指标，同时有一些定性指标，而且指标之间也相互影响，使得远程教学质量评估难度增加，如何构建科学、客观的远程教学评估模型引起了高校管理者的高度重视[3]。
多年以来，许多研究人员对远程教学质量评估问题进行深入研究，构建了一些远程教学质量评估模型[4]。文献[5]提出采用模糊理论对远程教学质量评估指标进行处理，然后根据模糊综合评判得到远程教学质量评估结果。文献[6]提出采用层次分析法选择远程教学质量评估的指标，然后对指标进行定量分析，建立远程教学质量评估模型。文献[7]提出基于马尔可夫链的远程教学质量评估模型，并结合学生考试成绩对远程教学质量进行综合评估，这些方法均属于线性建模方法，不能描述远程教学质量的非线性变化特点，而且远程教学质量变化十分复杂，不仅有线性变化特点，而且具有随机性，即非线性变化特点，因此它们存在一定的局限性[8]。随着非线性理论的不断成熟，出现了基于神经网络的远程教学质量评估模型，通过对远程教学质量评估问题进行非线性拟合，找到远程教学质量的变化规律，取得了不错的远程教学质量评估效果。但远程教学有其特殊性，其历史数据有限，导致神经网络经常出现“过拟合”现象，使得远程教学质量评估结果有时与实际情况相差很大，可信度低[9?10]。相对于神经网络，支持向量机可以在有限历史数据条件下建立远程教学质量评估模型，克服“过拟合”缺陷，然而支持向量机在建立远程教学质量评估模型的过程中，评价指标选择十分重要，评估指标过多，学习时间越长，学习效率越低，同时支持向量机的参数也是影响支持向量机性能的一个重要方面，如果参数选择不恰当，那么建立的远程教学质量评估模型没有什么实际应用价值[11]。
为了提高远程教学质量的评估精度，提出支持向量机的远程教学质量评估模型。首先建立远程教学质量评估指标体系，采用核主成分分析选择重要指标，然后采用支持向量机建立远程教学质量评估模型，最后采用某高校远程教学质量数据进行性能验证，实验结果验证了本文模型用于远程教学质量评估的有效性和优越性。
1 相关理论
1.1 核主成分分析法
在主成分分析的基础上，有学者提出了核主成分分析法，通过引入一个非线性映射函数，较好地解决了主成分分析只能提取线性主成分的缺陷，可以提取非线性主成分。设原始数据为表示映射函数，且有那么协方差矩阵的计算公式为：
1.2 支持向量机
支持向量机是一种模式识别方法，设样本为，最大分类间隔的最优化问题如下：
1.3 粒子群算法
设为速度向量，为位置向量，那么粒子位置和速度的更新过程为：
2 支持向量机的远程教学质量评估模型
采用支持向量机构建远程教学质量评估模型时，首先要选择最重要的远程教学质量评估指标，本文采用核主成分解决该问题；然后采用粒子群算法解决支持向量机参数优化问题；最后采用最优参数支持向量机和重要远程教学质量评估指标建立远程教学质量评估模型，具体流程如图1所示。
3 远程教学质量评估的应用实例
3.1 评估指标
选择某高校的远程教学质量评估作为应用对象，评估指标体系如表1所示，共13个指标，采用远程教學质量评分作为输出（y）。
3.2 采集数据
根据学生、同行对100个老师教学质量进行打分，由于指标的值范围不同，采用式（15）进行归一化处理，处理后的数据如表2所示。
3.3 核主成分提取主成分
采用核主成分对表1中的数据进行分析，得到的结果如图2所示，从图2可以发现，各评估指标相关性十分明显，采用核主成分分析可以去除评估指标之间的相关性，消除了指标间的冗余，减少了指标数量，根据累计贡献率可知，选前7个主成分可以描述原始指标的信息。
3.4 结果与分析
根据图2中的7个主成分对表2的远程教学质量评估数据进行分析和处理，减少原始评估数据的规模，采用支持向量机对处理后的远程教学质量评估数据进行训练，并采用粒子群算法确定模型的参数和宽度参数的值，得到并对最后50个远程教学质量训练样本进行估计，得到的结果如图3所示，实际值与估计值的偏差如图4所示。从图3和图4可以看出，支持向量机可以获得较精确的远程教学质量评估结果，而且远程教学质量评估偏差变化十分小，实验结果验证了该远程教学质量评估模型的有效性。
为了验证支持向量机的远程教学质量评估模型的优越性，选择文献[3，5，10]的教学质量评估模型作为对比实验，它们的平均评估精度及训练时间如表3所示。从表3可知，相对于当前经典远程教学质量评估，支持向量机的远程教学质量评估精度更高，评估速度更快，远程教学质量评估更加可靠，主要是由于该模型集成了核主成分分析、支持向量机以及粒子群算法的优点，建立了更优的远程教学质量评估模型。
4 结 语
本文提出基于支持向量机的远程教学质量评估模型，针对远程教学质量评估指标多的缺陷，选择核主成分分析方法对远程教学质量评估指标进行预处理，去除一些不重要以及重复的指标，减少支持向量机的训练时间。然后采用支持向量机构建远程教学质量评估模型，最后将该模型应用于高校远程教学质量评估过程，结果表明，该模型减少了远程教学质量评估误差，极大改善了远程教学质量评估效果，而且评估速度更快，比其他模型更适合于远程教学质量评估。
参考文献
[1] 刘强，戴起勋.高等教学大众化条件下教学质量评价体系研究现状[J].江苏大学学报，2003，25（2）：31?34.
[2] 李小梅，屈琼斐，李延保.高校本科教学分层次评估的可行性研究[J].高教发展与评估，2006，22（5）：61?67.
[3] 吴虹.基于模糊综合评判法的高校教师教学质量评价体系的构建[J].统计与决策，2010，19（3）：166?168.
[4] 付海艳，符谋松，张诚一.粗糙集理论在高校教学质量评价分析中的应用[J].计算机工程与应用，2007，43（36）：214?216.
[5] 丁家玲，叶金华.层次分析法和模糊综合评判在教师远程教学质量评价中的应用[J].武汉大学学报，2003，56（2）：241?245.
[6] 陈坤宝.基于模糊理论的教师教学质量评价的研究[J].数学的实践与认识，2011，41（6）：72?78.
[7] 赵立新，王石安，赖元峰.教学质量评估的定量比较评价模型[J].数学的实践与认识，2005，35（1）：12?17.
[8] 张金梅，员世芬，谢克明.人工神经网络在教学质量评价体系中的应用[J].太原理工大学学报，2005，36（1）：37?39.
[9] 杨新佳，龙熙华，韩波.基于BP神经网络的教学质量评价模型研究[J].教育教学论坛，2011（14）：222?223.
[10] 孙晓玲，王宁，梁艳.应用BP神经网络的教学评价模型及仿真[J].计算机仿真，2010，27（11）：314?318.
[11] 刘伟，孙林.基于支持向量机的课堂教学质量评价[J].合肥工业大学学报（自然科学版），2010，33（7）：968?971.
[12] 徐高欢.SVM在教师教学质量评价中的应用[J].浙江水利水电专科学校学报，2007，19（1）：66?68.
[13] 林正春，王知衍.基于核主成分分析和子空间分类的边缘检测方法[J].华南理工大学学报（自然科学版），2009，37（1）：59?63.
