（东北大学秦皇岛分校管理学院，河北秦皇岛066004）
摘要：本文结合指标体系，以及量化后的数据和权值，建立基于LM优化算法改进后的BP神经网络模型，对本科教育质量进行综合评价。首先对相关数据进行归一化处理，然后采用LM算法改进的神经网络分析模型，对根据评价标准生成的训练数据进行反复学习。最后采用江苏省各市的教学质量指标数据进行仿真，计算出得分与一级指标层的权重，得出13个市的教学质量等级。
关键词：LM算法；LM-BP神经网络；本科教育质量
引言
本科教育质量评价体系是衡量一个国家的国民素质的重要内容。习主席在十九大报告中强调，必须把教育放在优先位置，加快“双一流”学科建设，实现高等教育内涵式发展。新时代下如何构建更合理、更有效的本科教育质量综合评价体系，便成为当前社会广泛关注的热点。就目前研究来，相关研究较少，且没有形成统一的标准体系。因此本文以江苏为例，通过模型的方法来探究出更科学合理的本科教育质量综合评价体系，对各高校如何提高本校的教育质量提供借鉴意义。
1模型的建立
具体步骤为：设给定的N个样本(xk，yk)(k=1，2，…，N)，对某一个输入xk，网络的输出为yk，节点i的输出为Oik，现研究第t层的第j个单元，当输入第k个样本时，节点j的输出为：
2LM-BP神经网络模型的求解
根据改进后的神经网络模型计算出13个市的综合评价，其分析思路如下。
1)输入层、隐含层和输出层的确定
目前评价教育质量的指标为9个，所以输入层节点为9。本次评价标准为0.8以上为优秀，0.4~0.8为中，0~0.4为一般，评价结果就是输出层，所以本文输出层节点为1。隐层节点数的确定一般采用以下公式：
式中m为输入神经元个数，n为输出神经元个数，a为1～10的常数。隐含层节点个数就设置为10。设定网络收敛的误差性能指标为MSE，网络的学习精度
3)LM-BP神经网络模型的训练结果与分析
本次神经网络的训练，生成共195315组训练样本，神经网络的结构为9→10→1，当神经网络迭代了32次训练达到精度要求后，对需要评价的城市数据进行了仿真。为了使得计算结果更加精确，本次评价用神经网络模型进行了多次训练和仿真，得出其权重如下表所示。
由表1可得，教学条件与利用X5的权重最高，为0.11515，其次依次为招生人数X2、学生就业X7、专业建设与教学改革X6、师资队伍与结构X3、本科院校数量X1、生师比X4、科研投入与产出X8、双一流学科建设X9。其中科研投入与产出X8和双一流学科建设X9的权重均低于0.1。
根据LM-BP神经网络模型的训练及仿真结果，得出江苏省的13个市的综合得分如下表。
由表2得，根据13个市的综合得分，八个城市的评价等级分别是南京是优秀，常州、徐州、苏州为中，南通、无锡、盐城、镇江、泰州、连云港、宿州、淮安、扬州为一般。其中，南京的评价最高，说明南京相对于其他城市而言，本科教育质量更高，而综合得分较低的城市，说明本科教育质量有待进一步提高。
结论
本文通过改进后的BP神经网络模型，最终计算出得分来对江苏省13个市的本科教育质量进行综合评价，可以避免主观赋权重的误差，同时改进的BP算法可以缩小BP算法的局部极小点,收敛速度慢等缺点。采用江苏省各市的教学质量指标数据进行仿真，计算出得分与一级指标层的权重，得出13个市的教学质量等级分别为：南京优秀，常州等3个城市为中，南通等9个城市为一般。其中，南京的评价最高。
参考文献
[1]李长熙.高校本科教育质量评价理论探索与体系构建[J].山东科技大学学报(社会科学版),2017,19(01):107-114.
[2]马星.基于层次关联理论的教学质量评价方法[J].武汉理工大学学报(信息与管理工程版),2007,(05):122-125.