基于bp神经网络的学生数学能力评价模型设计，将隐含层的传递函数设置为tansing，输出层函数设置为purline，样本的选择需具有代表性、随机性，这样才能够在归一预化处理后，对学生的数学学习能力进行评价，帮助教师提高教学质量评价。
1 BP神经网络
BP神经网络也称为反向传播网络，包括输出层，隐含层，输入层三部分，同时BP的神经网络具有非线性的特点，能够解决没有规则，多约束条件或数据不完全等问题，适合处理复杂的分类及模式识别等问题。BP神经网络具有一个或一个以上的信息隐含层，能够将相邻的两层完全连接起来。
要建立学生数学能力评价的BP神经网络模型，就需要建立具有代表性的数据库，以便于进行评价。就数据库的建立而言，为了提高评价的准确性及标准性，BP神经网络需要建立完善的选取设置体系，在输入层与输出层的设计应多样化，才能够保证测试评价的效果。对于普通学校来说，样本的选取量应该不低于200人。
对于隐含层神经元的点数，计算时应根据样本的选取量进行调整，基本的模型设计流程是从BP神经网络的构建开始到BP网络训练，以及最后的BP网络预测，其中最重要的是BP网络训练，本文采取的是trainlm算法，从而建立其BP神经网络模型。
2 学生数学学习能力评价
对学生进行数学学习能力评价是为了对学生的数学学习能力进行测试，帮助教师掌握学生的学习情况，以便于调整教学方法以及教学进度，让学生能够提高学习能力。评价的内容是学习思路，学习方法，学习过程及学习效果。要对这四点进行评价，首先就要确定各内容的评价标准及方式。以往的评价方式是通过测试及课堂问答，通过学生的测验成绩及回答进行分析，从而判断学生所处的学习状态，教学方法以教学进度安排的合理程度。利用BP神经网络进行评价的化，就要将各个标准程序化，将原先教师的主观评价变为网络的程序化运行，根据运行的结果对学生的数学学习能力进行判断，这就是利用BP网络对学生数学学习能力评价的理论，实际上要进行实践并不简单，BP神经网络评价的构建是难题的关键点。
3 基于BP神经网络的学生数学能力评价模型
BP神经网络评价模型的建立是由三部分组成的，最关键的就是构建BP神经网络。建立评价模型首先要做的就是对各项能力的得分率进行分析，设定个性能力的得分标准，并对其进行深入分析最后进行程序化设置。对于数学学习能力的划分方法有很多，不同的年级所划分的方法尽不相同，每一个方法都有其侧重点，这需要根据输入的相关变量进行改正，与实际情况进行整合得出准确结论。就拿某市中考数学试题来说吧，其主要是测查学生的学习思路，学习方法，学习过程及学习效果这四项能力。对学生的数学学习能力进行测试，就要把学生对这四个能力评价的相关试题得分作为BP神经网络的输入，并且要将输入数值进行数量级差异设定，从而将每种能力试题的得分做归一化处理。利用二进制，使输入数据在[0，1]之间。在这之前要有准确的评分标准，才能够得出相关结论。这就需要专家对试卷上各项能力试题的得分进行排表，便于BP网络数据设置，但在这之前需要专家对学生样本进行判断。一般样本的选择在200人为合适，所以选择的学生人数为200人。专家对这200人的试卷进行阅览从而判断出每个人每项能力的情况，看那一项是最为薄弱的，然后对所有学生的情况进行整合处理。将其中100人的成绩作为判定结果，最为薄弱的能力作为BP神经网络的期望输出参考，再利用二进制的数字进行结果表达。例如输出为0时则表示学生该项能力差，这就能够为BP网络的构成提供最基本的运行数据，为BP网络构建提供基础。此外的100人，将他们的得分情况作为好的检验样本进行输入，然后进行检验，若是期望输出与专家评价结果基本符合，则表示该神经网络可进行有效运用，对学生数学学习能力进行评价，反之则需改进。
此外，BP网络训练的设置也需要额外注意梯度的预设，其算法需要根据实际情况及时进行调整。各地学生数学?W习状态各不相同，不能够固定选择某算法。BP神经网络的验证需全面，不能以一次数据的符合情况作为验证标准，应该多次输入，对相应的输出结果进行判断。
4 结语
将BP神经网络应用与学生的数学学习能力评价，能够较好地调整主观评价因素带来的影响，其结果更具有有效性，合理性及科学性。为了保障是BP神经网络模型构建的合理性，验证是必不可少的。由于实际情况的多样复杂性，其数据库样本需要较为全面，为了保证应用结果的有效性，应该不断对模型进行改善。随着人工神经网络及计算机技术的飞速发展，BP神经网络的在学生学习能力评价方面的发展潜力是巨大的。
