毕业设计-基于 MATLAB 的课程教学质量评价模型的研究与实现

目录

前言

课题背景和意义

实现技术思路

一、课程教学质量评价模型

 二、课程教学质量评价体系设计

 部分源代码

 实现效果图样例

最后

前言

    📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。

🚀对毕设有任何疑问都可以问学长哦!

选题指导: https://blog.csdn.net/qq_37340229/article/details/128243277

大家好,这里是海浪学长毕设专题,本次分享的课题是

🎯基于 MATLAB 的课程教学质量评价模型的研究与实现

课题背景和意义

实现技术思路

一、课程教学质量评价模型

神经元模型

神经元是组成人工神经网络的基本单元，是生物神经元的抽象和模拟，它通常是一个多输入/单输出的非线性元件。一个神经元接收与它相连的所有神经元输出的信息，作为它的输入，使用激励函数计算出相应的输出，再将输出传递给其他的神经元。

 BP 神经网络算法原理

如果给定网络一 组输入信息模式时，BP 网络逐步对这组输入信息模式按如下方式进行学习：

1、正向传播工作信号

输入层的输入为各个指标的评价数值,即每个指标的评价结果。输入节点 XL=(X1， X2，…，Xp)，其中训练样本的序号是 L=1，2，…，n，输入层神经元个数是 p。 隐含层输入量的计算方法 SL=(S1，S2，…，Sm)，确定隐含层的神经元个数为 m。加权 和与阈值的差为隐含层输入值，公式如下

隐含层输出值取 S(Sigmoid)型函数，计算隐含层输出量 BL=(b1，b2，…， bm)：

 r 为输出层神经元的个数, 计算输出层输入量的方法 CL=(C1，C2，…，Cr)。输出层输 入值为隐含层输出的阈值与加权的差，公式如下：

 最后，输出层输出值取 S(Sigmoid)函数,输出层输出量计算方法 Yk=(Y1，Y2，…，Yq)：

 3、训练与收敛

 与所有测试样本的平均误差：

不断对阈值和权值进行修正，经过循环训练多次后，网络的实际输出值与目标期望值达到事先期望的误差，这个过程是整个训练网络误差达到要求的极小值

BP 神经网络学习算法 

1、最速下降 BP 算法

权值和阈值的修正是在所有样本输入后，计算其总的误差后进行的，这种修正方式称为批处理。

 1）评价方法的科学性2）评价认识的客观性3）评价目的的决策性4）评价内容的综合性

 最后建立学生模糊评价表，如下表所示：

 模糊综合评价实验过程

评 语 集 对 应 的 数 值 集 N={95,85,75,65,55}，构造隶属度子集 R,计算对应 rij，（i=1,2,…，20；j=1,2,3,4,5）即通过公式

 部分源代码

R=[0.6,0.3,0.1,0,0;0.3,0.6,0.1,0,0;0.4,0.4,0.2,0,0;1,0,0,0,0;1,0,0,0,0;0.
8,0.2,0,0,0;0.6,0.4,0,0,0;0.5,0.3,0.2,0,0;0.4,0.4,0.2,0,0;0.5,0.3,0.2,0,0;0.4
,0.4,0.2,0,0;0.8,0.2,0,0,0;0.4,0.4,0.2,0,0;0.5,0.3,0.2,0,0;0.4,0.4,0.2,0,0;0.
4,0.2,0.4,0,0;0.4,0.3,0.3,0,0;0,0.8,0.2,0,0;0.8,0.2,0,0,0;0.8,0.2,0,0,0];
输入权重值:
C=[0.03,0.03,0.03,0.03,0.03,0.03,0.03,0.03,0.03,0.03,0.02,0.03,0.02,0.03,0.03,0.02,0.15,0.1,0.15,0.15];
通过 R1=R(1:20,1)获得矩阵 R 第一列的数值，同理可以得到：
R2=R(1:20,2); %矩阵 R 第二列的数值
R3=R(1:20,3); %矩阵 R 第三列的数值
R4=R(1:20,4); %矩阵 R 第四列的数值
R5=R(1:20,5); %矩阵 R 第五列的数值
通过公式 T1=C*R1 获得 T1 值，同时可以得到：
T2=C*R2
T3=C*R3
T4=C*R4
T5=C*R5
从而获得矩阵 T 的值， T={T1，T2，T3，T4，T5

输出结果代码图

 实现效果图样例

课程质量评价机制图：

我是海浪学长,创作不易,欢迎点赞、关注、收藏、留言。

毕设帮助，疑难解答，欢迎打扰！

最后