神经网络我们在里面讲过多次，目前讲一下他的评价上的应用：
入层反传，周而复始，直至误差达到期望最小，认为网络训练成功。之后就可以利用训练好的网络处理新的教学质量指标，得到准确的教学质量评价结果。
BP神经网络逻辑结构图如下：
2、接下来给一个应用实例：
教学评价指标（每个指标打分范围0-10）
(1) 输入层神经元个数的确定
根据我们调查中的的教学评价指标, 一共有10个指标, 可将这10个指标作为模型的输入神经元, 所以输入层神经元个数n= 10.
(2) 输出层神经元个数的确定
我们将评价结果作为网络的输出, 输出层个数m=1
(3) 网络隐含层数的确定
隐含层可以是一层也可以是多层，根据之前的理论证明，在对教学质量评价模型中, 我们选择隐含层为1层
(4) 隐含层神经元个数的确定
一般情况下, 隐含层神经元个数是根据网络收敛性能的好坏来确定的。隐含层神经元个数过少可能训练不出网络或者网络不够强壮, 但隐含层神经元个数过多, 又会使学习时间过长, 误差也不一定最佳, 因此存在一个如何确定合适的隐含层神经元个数的问题。一般可以采用试凑法, 通过比较网络输出值与期望输出值之间的误差,来确定隐层神经元个数。在本文中我们根据相关经验初定隐含层神经元个数s=8.
之后将所有评价指标数据及之前得到的比较完善的教学质量评价结果输入网络，对网络进行训练。我们取学习率=0.5，定误差最小值为=0.00001。训练结束后，得到合适的权值阈值，用此权值阈值对之后再调查得到的评价指标.
将如上8个样本的10个教学指标保存在txt文档中，把数据读入网络的输入层，经过5116次网络训练达到设定好的误差最小值，得到修改好的权值和阈值。并用训练好的网络处理新数据（5.5 7.5 4 5 8 4.5 7 8 8.5 6），得到实际输出教学质量（6.901607）。
其实依然是预测模型，只是将预测变成了一个评价而已。
标签：10,个数,网络,建模,---,隐含,评价,神经元 来源： https://blog.csdn.net/Caiersaru/article/details/120400468
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。