数的任意逼近，BP网络采用误差反传算法，其实质是一个无约束的非线性最优化计算过程。 （5）样本测试
神经网络训练完毕后，若训练结果在误差允许范围内，则用未经训练的样本对已经训练好的网络系统进行测试。当测试结果输出与期望值误差较小，则说明该模型具有较高的精度，能较好的解决高校教师教学质量的评价问题。 5.2.5模型的求解
1）采集的样本数据，如表6
表6.样本集数据 样本\\指标 C11 C12 C21 C22 C31 C32 C41 C42 C51 C52 1 0.93 0.88 0.78 0.76 0.81 0.68 0.75 0.75 0.8 0.8; 2 0.85 0.76 0.77 0.68 0.69 0.79 0.68 0.85 0.76 0.81; 3 0.86 0.82 0.81 0.79 0.76 0.81 0.65 0.82 0.75 0.82; 4 0.91 0.82 0.79 0.88 0.86 0.79 0.68 0.76 0.81 0.75; 5 0.83 0.75 0.79 0.78 0.86 0.81 0.83 0.82 0.69 0.76; 6 0.79 0.66 0.5 0.6 0.64 0.73 0.65 0.72 0.76 0.71; 7 0.76 0.65 0.8 0.46 0.56 0.52 0.67 0.75 0.74 0.66; 8 0.75 0.73 0.66 0.69 0.52 0.74 0.56 0.68 0.74 0.55; 9 0.68 0.82 0.68 0.46 0.56 0.52 0.46 0.63 0.65 0.56; 10 0.76 0.65 0.43 0.56 0.5 0.62 0.42 0.39 0.73 0.35; 11 0.78 0.76 0.75 0.8 0.93 0.8 0.88 0.81 0.68 0.75; 12 0.77 0.68 0.68 0.76 0.85 0.81 0.76 0.69 0.79 0.85; 13 0.81 0.79 0.65 0.75 0.86 0.82 0.82 0.76 0.81 0.82; 14 0.79 0.88 0.68 0.81 0.91 0.75 0.82 0.86 0.79 0.76; 15 0.79 0.78 0.83 0.69 0.83 0.76 0.75 0.86 0.81 0.82; 16 0.5 0.6 0.65 0.76 0.79 0.71 0.66 0.64 0.73 0.72; 17 0.8 0.46 0.67 0.74 0.76 0.66 0.65 0.56 0.52 0.75; 18 0.66 0.69 0.56 0.74 0.75 0.55 0.73 0.52 0.74 0.68; 19 0.68 0.46 0.46 0.65 0.68 0.56 0.82 0.56 0.52 0.63; 2）选取1—16组样本数据用Matlab处理（详细程序见附录三），其中学习率为0.8，动量因子为0.9：训练过程如图2所示;
图.2样本的训练过程（隐层节点为12） 样本数据的训练结果如表7
表7 样本训练结果 序号 实际值 网络预测值 1 （1 0 0） （1.0434 -0.0467 0.003） 2 （1 0 0） （0.8935 0.1117 0.0053） 3 （1 0 0） （1.0199 -0.0191 0.001） 4 （1 0 0） （1.0713 -0.0795 0.008 ） 5 （1 0 0） （1.0269 -0.0261 0.0008） 6 （0 1 0） （0.0161 0.9769 0.0080） 7 （0 1 0） （0.0188 1.0103 0.0293） 8 （0 1 0） （-0.004 0.9788 0.0241） 9 （0 1 0） （0.0076 0.9887 0.0179） 10 （0 0 1） （-0.0066 0.0065 1.0002） 11 （1 0 0） （1.0212 -0.0207 -0.0004） 12 （1 0 0） （0.9672 0.0309 0.0023） 13 （1 0 0） （0.9692 0.0294 -0.0017） 14 （1 0 0） （0.9613 0.0395 -0.0007） 15 （1 0 0） （0.9922 0.0123 -0.0047） 16 （0 1 0） （0.0171 1.006 0.0222） 求出仿真误差值 MSE=0.0011，可见训练结果还是比较令人满意的。 对BP神经网络系统对第17、18、19组的测试结果如下： 序号 实际值 网络预测值 评价 17 （1 0 0） （0.9031 0.0712 0.0259） 优秀 18 （0 1 0） （0.0991 0.8775 0.0238） 良好 19 （0 1 0） （1.2357 2.2374 0.0001） 良好
由上数据可知：
该教学质量评估模型具有一定的可行性。从评价结果来看，神经网络评价法在最大程度上减少了人为因素的影响，避免了人为设计权重所带来的误差和不确定性，提高了模型的有效性。 七、模型评价
模型一评价：
人才质量模糊评价模型优点在于简单易行、可操作性强、并在一定程度减少了不确定性因素的影响，避免了传统加权求和算法中人为因素的影响，但对于权重集的确定问题，由于不同专家的知识，观点，经验，判断力等因素不尽相同,因此权重集的确定会在一定程度上会影响到人才质量模糊评价的准确度。 模型二评价：
高校教育教学质量模糊BP神经网络模型在最大程度上减少了人为因素的影响，避免了人为设计权重所带来的误差和不确定性，提高了模型的有效性。但BP神经网络对样本数据的精确性、准确度要求较高，因此对数据的搜集和筛选方面难度较大，且对隐含层节点数及学习率、动量因子的选取值将直接影响到模型的评估质量的好坏。
八、参考文献
【1】华北水利水电学院本科指导性教学计划 【M】 教务处2010 【2】符贞.基于层次分析法的创新型外语人才的模糊评价模型【J】.科技信息，2008，（27）：
349-394
【3】姜启源，谢金星，叶俊. 数学模型【M】.北京：高等教育出版社2003:8 【4】宋晓秋. 模糊数学原理与方法【M】.徐州：中国矿业大学出版社，1999:3 【5】韩欲青.教学质量评价的模糊数学模型及应用研究【J】.淮北职业技术学院报2010（05） 【6】 彭志捌 ,尹雪莲.基于BP神经网络的教学质量评价模型 【J】.安徽建筑工业学院 2008
九. 附录
附录一：
教学计划改革方案意见
1. 核算综合积分时，将学习积分和素质积分的比例1:1调整为6：5。 由于就业形势严峻，学生们逐渐认为一味地学习、好成绩不一定能找到满意的工作，忽略了作为学生该做的本职工作。增加学习积分比例，可以提高学生对基本知识的重视程度，而不是片面的素质积分高就能得到好名次。
2.各专业增加适当比例的实践环节。
大学生在当今社会就业形势严峻，由于大学生日益增多的缘故，在就业方面已无明显优势。实践环节学分的增加，能提高学生的动手能力，积累工作经验，有利于增加就业的可能性 3.部分学习科目自由化
为调动学生的学习热情，活跃学习氛围，可以让同学在选择学校统一安排的科目之外，可以主动申请学习其他科目，并准许参与相关科目考试，获得学分。例如，准许大二的同学申请学习本专业大三的部分相关课程，提高学习的积极性，拓宽知识面。 4. 实施部分科目开卷考试，增多试卷的开放性题目
鉴于我校考试科目相对较多、试卷题目过于刻板，为适当缓解学生的学习压力，培养学生的理解能力，提高学生的创新能力。可实施部分科目开卷考试，增加试卷开放性题目的数量，减少选择题的数量。如思想道德修养与法律基础，在理解书本的内容的基础上，在试卷上写出自己的对本科目的认识和理解，答出满意的答卷。
5.加大对荣誉证书、等级证书的重视程度
学校加大对荣誉证书、等级证书的重视，一方面能激发广大学生参与各种知识竞赛、省市级比赛的兴趣，提高学生的学习能力、动手能力，增强学生间的竞争力，另一方面有助于提高学校的知名度，增强学校的学习竞争的氛围
附录二
华北水利水电学院全日制教学考核方式管理准则（部分）
我校采用统一的学生综合测评办法，即定性与定量相结合的办法，全面科学地考察评价学生，引导在校学生在德智体美等各方面全面发展，配合学分制以及大学生素质拓展计划的事实。 学生综合积分=学习积分+素质积分 即v=x+z ；x<=3n; z<=3n; n为同一专业同年级总人数。
学生学期综合名次：以专业为单位，按学期综合积分又高到低排列，第一名，第二名，第三名.....
学习积分和素质积分的计算规则如下：
1. x=3n-3(N-1)，N为按专业为单位依据平均学分绩s排出的学生名次 s=Σ(必修课或选修课成绩*课程学分)/Σ（课程学分）
在五分制成绩中，优秀记90分，良好记80分，中等记70分，及格记60 分，不及格记0分。
2. Z=2n-2(m-1),其中m为按各专业排出的学生素质名次。 素质分t=a+b+c+d+e+f
a 政治思想和道德素质分 b 社会实践和志愿服务分 c 科技学术与创新创业分 d 文化艺术与身心健康分