| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 国内外相关研究现状分析 | 第12-15页 |
| 1.2.1 人工神经网络研究现状分析 | 第12-13页 |
| 1.2.2 深度神经网络研究现状分析 | 第13-14页 |
| 1.2.3 高校教学质量评价方法研究分析 | 第14-15页 |
| 1.3 主要研究内容 | 第15-16页 |
| 1.4 论文章节安排 | 第16-17页 |
| 2 人工神经网络与高校教学质量评价 | 第17-31页 |
| 2.1 人工神经网络理论 | 第17-19页 |
| 2.1.1 人工神经元模型 | 第17-18页 |
| 2.1.2 人工神经网络的激活函数 | 第18-19页 |
| 2.2 BP神经网络理论 | 第19-22页 |
| 2.2.1 BP神经网络思想及网络结构 | 第19-20页 |
| 2.2.2 BP神经网络学习过程 | 第20-22页 |
| 2.2.3 BP神经网络的局限性 | 第22页 |
| 2.3 深度神经网络理论 | 第22-26页 |
| 2.3.1 深度神经网络 | 第22-23页 |
| 2.3.2 深度神经网络基本模型 | 第23-26页 |
| 2.4 高校教学质量评价研究 | 第26-29页 |
| 2.4.1 高校教学质量评价 | 第26-27页 |
| 2.4.2 高校教学质量评价指标体系 | 第27-28页 |
| 2.4.3 评价指标数据预处理方法 | 第28-29页 |
| 2.5 本章小结 | 第29-31页 |
| 3 自适应BP神经网络模型 | 第31-43页 |
| 3.1 BP神经网络应用于高校教学质量评价的优势 | 第31-32页 |
| 3.2 教学质量评价指标数据集 | 第32-33页 |
| 3.3 自适应BP神经网络模型 | 第33-36页 |
| 3.3.1 自适应BP神经网络模型 | 第33-35页 |
| 3.3.2 自适应BP神经网络模型在高校教学质量评价中的应用 | 第35-36页 |
| 3.4 模型分析与对比 | 第36-41页 |
| 3.4.1 模型参数分析 | 第37-40页 |
| 3.4.2 不同模型结果对比 | 第40-41页 |
| 3.5 本章小结 | 第41-43页 |
| 4 DDAE-SVR深度神经网络模型 | 第43-59页 |
| 4.1 DDAE-SVR深度神经网络模型 | 第43-48页 |
| 4.1.1 深度降噪自动编码器 | 第43-45页 |
| 4.1.2 支持向量回归 | 第45-46页 |
| 4.1.3 DDAE-SVR深度神经网络模型 | 第46-48页 |
| 4.2 面向高校教学质量评价的DDAE-SVR深度神经网络模型 | 第48-49页 |
| 4.3 模型分析与对比 | 第49-56页 |
| 4.3.1 模型性能对比指标 | 第49-50页 |
| 4.3.2 模型参数分析 | 第50-55页 |
| 4.3.3 与浅层模型对比 | 第55-56页 |
| 4.4 大规模数据集应用 | 第56-57页 |
| 4.5 本章小结 | 第57-59页 |
| 5 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 攻读学位期间发表的学术论文及参与项目 | 第67-68页 |