[1]关潮辉,丁树良.基于IRT模型的BP神经网络参数估计的进一步研究[J].江西师范大学学报(自然科学版),2014,(04):434-436.
 GUAN Chao-hui,DING Shu-liang.Further Research on the Paraneter Estination Method of BP Neural Network Based on Iten ResPonse Theory[J].,2014,(04):434-436.
点击复制

基于IRT模型的BP神经网络参数估计的进一步研究()
分享到:

《江西师范大学学报》(自然科学版)[ISSN:1006-6977/CN:61-1281/TN]

卷:
期数:
2014年04期
页码:
434-436
栏目:
出版日期:
2014-08-31

文章信息/Info

Title:
Further Research on the Paraneter Estination Method of BP Neural Network Based on Iten ResPonse Theory
作者:
关潮辉;丁树良
江西师范大学计算机信息工程学院,江西 南昌,330022
Author(s):
GUAN Chao-hui;DING Shu-liang
关键词:
参数估计项目反应理论BP 神经网络蒙特卡洛模拟
Keywords:
parameter estimationIRTBP neural networkMonte-Carlo simulation
分类号:
B841.7;TP301.6
文献标志码:
A
摘要:
对基于 IRT 模型的 BP 神经网络降维法参数估计中的 BP 神经网络的网络隐层数及隐层节点数进行改进,并对其降维法中不合理的部分予以修正。通过蒙特卡洛模拟研究结果表明:对参数估计的各评价指标,改进的方法均优于原方法。
Abstract:
Parameter estimation is one of the important components of item response theory(IRT). When the sample of examinees or the number of the items is small,the traditional statistical methods of parameter estimation may be failure. Due to the shortcoming of the traditional parameter estimation methods,a new way based on BP neural net-work with reduced dimension method was proposed. This article is a further research on the work exited. With a modified reduced dimension method and a new construction of BP neural network,the Monte Carlo study shows a better result.

参考文献/References:

[1] 漆书青,戴海琦,丁树良.现代教育与心理测量学原理 [M].北京:高等教育出版社,2002:80-96,97-142.
[2] Baker F B.Item response theory:parameter estimation techniques [M].2nd.New York:Marcel Dekker,Inc,2004:23-58,157-200.
[3] 刘文,边玉芳,陈玲丽,等.BP神经网络估计IRT参数的比较研究 [J].中国考试,2013(2):7-11.
[4] 谭云兰,丁树良,辛锐铭,等.基于IRT模型参数的BP神经网络估计 [J].计算机工程与应用,2004,40(17):56-57,108.
[5] 谭云兰,丁树良,辛锐铭.基于IRT模型的BP神经网络降维法参数估计及其应用 [J].江西师范大学学报:自然科学版,2004,28(6):485-488.
[6] 范佳妮,王振雷,钱锋.BP人工神经网络隐层结构设计的研究进展 [J].控制工程,2005,12(S1):105-109.
[7] 余嘉元.基于神经网络集成的IRT参数估计 [J].江南大学学报:自然科学版,2009,8(5):505-508.
[8] Tom M M.机器学习 [M].曾华军,译.北京:机械工业出版社,2003:76-82.
[9] 飞思科技产品研发中心.神经网络理论与MATLAB7实现 [M].北京:机械工业出版社,2005:68-69,107-113.
[10] Hüsken M,Jin Y,Sendhoff B.Structure optimization of neural networks for evolutionary design optimization [J].Soft Computing-A Fusion of Foundations,Methodologies and Applications,2005,9(1):21-28.
[11] 周志华,陈世福.神经网络集成 [J].计算机学报,2002,25(1):1-8.

相似文献/References:

[1]胡海,甘登文,汪文义,等.初值对2PLM下MCMC参数估计影响的评价[J].江西师范大学学报(自然科学版),2012,(06):640.
 JI Yong,ZHANG Jie,FAN Hou-bao,et al.The Evaluation for the Impact of Initial Values on Accuracy of Estimation of 2PLM Using MCMC[J].,2012,(04):640.
[2]简小珠,戴海琦.4参数GRM对猜测现象和失误现象的纠正[J].江西师范大学学报(自然科学版),2016,40(02):116.
 JIAN Xiaozhu,DAI Haiqi.Four-Parameter GRM and the Countermeasure to Sleeping and Guessing Phenomena[J].,2016,40(04):116.

备注/Memo

备注/Memo:
国家自然科学基金(31360237,31300876,31160203,31100756,30860084);国家社会科学基金(12BYY055,13BYY087);江西省教育厅科技计划(GJJ 3207,GJJ 3208,GJJ 3209,GJJ13226,GJJ13227)
更新日期/Last Update: 1900-01-01