毕业论文-开题报告-文献综述：基于SOM神经网络的实习成绩分类评判.Doc

1、本科毕业论文系列开题报告电气工程及其自动化基于 SOM 神经网络的实习成绩综合评判系统设计一、课题研究意义及现状人工神经网络理论已成为涉及神经生理科学、认知科学、数理科学、心理学、信息科学、计算机科学、微电子学、光学、生物电子学等多学科交叉、综合的前沿学科。神经网络的应用已渗透到模式识别、图像处理、非线性优化、语音处理、自然语言理解、自动目标识别、机器人、专家系统等各个领域，并取得了令人瞩目的成果。自组织特征映射的人工神经网络（即 SOM 网）中竞争机制就是根据生物学基础建立起来的。当外界输入不同的样本时，网络中哪个位置的神经元兴奋开始是随机的，但自组织训练后会在竞争层形成神经元的有序排列，功

2、能相近的神经元非常靠近，功能不同的神经元离得较远。学生实习成绩的评定过程中，各评定指标内容往往更适合定性评价，不适宜定量表示，因此对实习成绩的综合评定带来一定的难度。例如实习成绩评定中某学生的四项实习成绩评定指标的评定成绩分别为优、良、中、及格，那么该同学的最终实习成绩评定结果应该属于优、良、中、及格中的哪个等级，这往往会让教师感到很难把握。以往为了给出总评成绩，往往采用把几项评定指标进行量化，然后计算其算术平均值，用这个算术平均值作为最总实习成绩，但这样做缺乏坚实的科学基础，也容易使学生产生对实习成绩评定的疑惑和不满。因为这还涉及到实习成绩评定指标的权重问题，即在实习成绩总评中它们对总成绩影

3、响程度的大小。为了使实习成绩评定更具有科学性，减小二次评判的人为误差，同时在成绩评定过程中兼顾教学过程管理和教学目标管理，我们可以利用 SOM 神经网络的分类功能，在对实习成绩的一级定性评判结果的基础上再进行分类，使一级定性评判结果相近的实习成绩分在同一类神经元上，否则则分在不同的神经元上。然后利用分类结果给出实习总评成绩。二、课题研究的主要内容和预期目标1、研究 SOM 神经网络的原理、方法及其应用；2、研究用于实习成绩评判的 SOM 神经网络的拓扑结构；3、研究如何运用 MATLAB 中有关神经网络的专用语言把 SOM 神经网络结构模型变为程序模型；4、收集用于分析用的实习成绩样本；5、研

4、究实习成绩一级评判指标，并研究如何把评判结果进行数字化，为 SOM 网络的程序模型做好输入准备；通过本课题的训练，预期成果为：1、了解 SOM 神经网络的理论基础，确定本次设计的实习成绩样本；2、由 MATLAB 编写 SOM 网络程序，主要确定输入层、输出层的设计，其中涉及各权值调整、模式类别数的确定、神经节点的选择以及迭代次数的确定等；3、通过 MATLAB 仿真得出预期结果，预设计一个实习成绩评价软件，输入各评价指标的离散数值量直接得出分类结果。三、课题研究的方法及措施神经网络已被广泛地应用于各个领域，在工程中利用 SOM 网络的分类功能可以对事物的有关特征信息进行分类识别，本课题就是利

5、用这种分类功能，利用 MATLAB 语言对已建立的 SOM 神经网络进行编程，用程序模型对实习成绩进行综合评判。课题研究方法及措施：1、了解 SOM 神经网络的有关知识和 MATLAB 在神经网络中的应用设计；2、分析并建立用于实习成绩评判的 SOM 神经网络的拓扑结构；3、利用 MATLAB 中有关神经网络的专用语言把 SOM 神经网络结构模型变为程序模型；4、设计实习成绩一级评判指标，并把评判结果进行数字化，为 SOM 网络的程序模型做好输入准备；5、收集用于实习成绩分类的实习成绩样本；6、把事先准备好的样本信息作为输入向量输入到程序模型中，对给定的组成实习总评成绩的各个指标成绩进行分类综

6、合评判，最总分析得出实习总评成绩。学生通过本课题的训练，提高自学新知识的能力，掌握论文的书写和 MATLAB 程序的编写过程，培养学生分析问题和解决问题的能力，培养学生文字表达能力。四、课题研究进度计划1、2010.10.102010.11.10，收集并阅读与课题有关的中外参考文献和参考书籍； 2、2010.11.102011.12.10，完成外文文献翻译、文献综述和开题报告的撰写； 3、2010.12.102011.01.21，对实习成绩的评定指标进行分析，构建 SOM 神经网络拓扑结构，并撰写论文初稿； 4、2011.02.222011.04.10，基于 SOM 神经网络拓扑结构，利用 M

7、ATLAB 语言进行编程设计，并进一步修改完善信息管理系统和论文； 5、2010.04.102011.04.22，做好答辩用的 PPT 讲稿。五、参考文献1 王雅,杨启耀. 基于相似聚类分析的毕业设计成绩评价体系研究J.黄石理工学院学报,2010，6，26(3).2 张琼. 因子分析在学生成绩综合评价中的应用J. 惠州学院学报( 自然科学版)，2010,6，30（3）.3 张秀梅,王涛等. 模糊聚类分析方法在学生成绩评价中的应用J. 渤海大学学报(自然科学版),2007，6，28(2).4 Martin T. Hagan.etc.Neural Network DesignM.北京:机械工业出版

8、社,2002,8. 5 Kohonen T.Self-organized formation of topologically correct featuremaps J.Biological Cybernetics,1982，4(3):59-69.6 闻新等.MATLAB 神经网络应用设计M.北京:科学出版社,2000，9.7 Simon Haykin.Neural Networks:a comprehensive foundationM.北京:机械工业出版社,2004，1.8 焦李成.神经网络系统理论M.西安:西安电子科技大学出版社,1990，12.9 丛爽.面向 MATLAB 工具箱的神

9、经网络理论与应用M.合肥:中国科学技术大学出版社,1998，11. 10 飞思科技产品研发中心.神经网络理论与 MATLAB 7 实现M.北京：电子工业出版社， 2005,3.11 韩力群.人工神经网络教程M.北京:北京邮电大学出版社,2006，12.12 高隽.人工神经网络原理及仿真实例M.北京:机械工业出版社,2003,7.毕业论文文献综述电气工程及自动化SOM 神经网络与实习成绩分类评判摘要：针对学生实习成绩评判的问题，提出了基于自组织特征映射（SOM）神经网络的评价方法，SOM 神经网络的原理、方法及其应用，研究如何运用 MATLAB 中有关神经网络的专用语言把 SOM 神经网络结构模

10、型变为程序模型，用 MATLAB 编写 SOM 网络程序来实现对实习成绩的综合评判系统的设计。根据分析结果，证明评价方法在技术上的可行性，能够较为客观合理的对学生的学习情况做出评价。关键词：SOM ；神经网络；MATLAB; 实习成绩；1 实习成绩评判的研究现状随着教育事业的不断发展，如何对一个学生的实习成绩给出较为精确合理的评价已经越来越被学生们关注，合理的评价可以检测学生的实习情况，评价教师的教学效果，有利于推动和促进教学水平的不断提高，以及学生学习的积极性。目前在对学生学习成绩评价体系的研究中，采用的评价方法主要有因子分析法，模糊聚类分析法，相似聚类分析法，统计分析法等 1-3。而学生实

11、习成绩的评定过程中，各评定指标内容往往更适合定性评价，不适宜定量表示，因此对实习成绩的综合评定带来一定的难度。2 人工神经网络的发展神经网络的研究可以追溯到 19 世纪末期，其发展历史可以分为 4 个时期。第一个是启蒙时期，开始于 1890 美国著名心理学家 W.James 关于人脑结构与功能的研究，而后发表感知器一书。第二个时期为低潮期，开始于 1969 年结束语 1982 年。第三个为复兴时期，开始于 J.J.Hopfield 的突破性研究论文，结束于 1986 年。第四个时期为高潮时期，以1987 年首届国际人工神经网络学术会议为开端，迅速在全世界范围内掀起人工神经网络的研究应用热潮。芬

12、兰赫尔辛基大学教授 Teuvo Kohonen 基于生物的“侧抑制”现象提出了自组织映射网络(self-organizing map SOM)，作为一类无监督学习的神经网络模型 45，它能够对输入模式进行自组织训练，然后分为不同的类型。Kohonen 认为，处于空间不同区域的神经元有不同的分工，当一个神经网络接受外界输入模式时，将会分为不同的反应区域，各区域对输入模式具有不同的响应特性 6。在网络结构上，自组织竞争人工神经网络一般由输入层和输出层构成的两层网络，输出层也称为竞争层 7。SOM 网络的一个典型特性就是在一维或者二维的处理单元阵列上，形成输入信号的特征拓扑分布，因此自组织映射网络的

13、主要目的是将任意维数的输入信号模式转变为一维或二维的离散映射，并且以拓扑有序的方式自适应实现这个变换 8。3 SOM 网络学习算法及应用 学习过程主要有 6 个步骤： 初始化。对 N 个输入神经元到输出神经元的连接权值赋予较小的权值。 提供新的输入模式 X。 计算欧式距离 dj，即：输入样本与每个神经元之间的距离，并计算出一个具有最小距离的神经元 j*，即确定出某个单元 k，使得对于任意的输出神经元 j 都有 dk=min(dj) 给出一个周围的领域。 按照公式修正输出神经元 j*及其“邻接神经元”的权值。 计算输出（一般为 0-1 函数或其他非线性函数） 。 提供新的学习样本直到学习速率衰减

14、到设定值。SOM 算法 9以其所具有的诸如拓扑结构保持、概率分布保持、无导师学习及可视化等特性吸引了广泛的注意，各种关于 SOM 算法应用研究的成果不断涌现，现已被广泛应用于语音识别、图像处理、分类聚类、组合优化(如 TSP 问题 )、数据分析和预测等众多信息处理领域。4 基于 MATLAB 的 SOM 神经网络研究 表征一个神经网络特性 10的关键是网络的激活函数，对于多层网络可以将前一层的输出作为后一层的输入，而一层一层地计算直至网络的输出 11-12。在 MATLAB 环境下的神经网络工具箱中对于单层网络输出的计算，对于给出输入矩阵 P，权矩阵 W 和偏差矩阵 B 的单层网络，只要简单地

15、选用相应的激活函数，就能够求出网络输出矩阵，所有的运算直接以矩阵形式进行。一个待建模系统的输入-输出就是神经网路的输入-输出变量。这些变量可能是事先确定的，也可能不够明确，需要进行一番筛选。输入量必须选择那些对输出影响大且能够检测或提取的变量，此外还要求各输入变量之间互不相关或相关性很小，这是输入量选择的两条基本原则。输入变量可分为两类：一类是数值变量；一类是语言变量。数值变量的值是数值确定的连续量或离散量。语言变量是用自然语言表示的概念，其“语言值”是用自然语言表示的事物的各种属性。当选用语言变量作为网络输入变量时，需要将其语言值转换为离散的数值量。输出层的神经元排列成哪种形式取决于实际应用

16、的需要，排列形式应尽量直观反映出实际问题的物理意义 13。输出层设计涉及两个问题：一个是节点数的设计；另一个是节点排列的设计。节点数与训练集样本有多少模式类有关。如果节点数少于模式类数，则不足以区分全部模式类，训练的结果势必将相近的模式类合并为一类。如果节点数多于模式类数，一种可能是将类型分得过细，而另一种可能是出现“死节点 ”。在解决分类问题时，如果对类别数没有确切信息，宁可先设置较多的输出节点，以便较好地映射样本的拓扑结构，如果分类过细，再酌情减少输出节点。5 SOM 神经网络的优点与局限性(1)具有统一的内部知识表示形式，通过学习程序即可获得网络的相关参数如分块邻接权矩阵、节点偏移向量等

17、。任何知识规则都可变换成数字形式，便于知识库的组织和管理，通用性强；(2)便于实现知识的自动获取；(3)利于实现并行联想推理和自适应推理；(4)能够表示事物的复杂关系如模糊因果关系。当然 SOM 网络的研究目前还不成熟，还存在一些局限性，比如：(1)网络结构是固定的，不能动态改变；(2)网络训练时，有些神经元始终不能获胜，成为“死神经元” ；(3)SOM 网络在没有经过完整的重新学习之前，不能加入新的类别；(4)当输入数据较少时，训练的结果通常依赖于样本的输入顺序；(5)网络连接权的初始状态、算法中的参数选择对网络的收敛性能有较大影响。6 总结与展望应用 SOM 神经网络和 MATLAB 工具

18、 14，可以在实习学生数较多，尤其当评定指标较多的情况下，较轻松地给出学生实习的总评成绩。而且评价结果更可靠, 可操作性更强, 整个评价步骤明确。但是无导师学习现在发展得的还不成熟，SOM 网络还有很多问题需要进一步研究，比如：SOM 网络从高维映射到低维时会出现畸变，压缩比越大，其畸变程度越大。如何改进 SOM 结构，减小 SOM 网络的训练时间以及如何确定 SOM 法中的参数问题，也是今后需要深入研究的重点之一。参考文献1 王雅,杨启耀. 基于相似聚类分析的毕业设计成绩评价体系研究J.黄石理工学院学报,2010，6，26(3).2 张琼. 因子分析在学生成绩综合评价中的应用J. 惠州学院学

19、报( 自然科学版)，2010,6，30（3）.3 张秀梅,王涛等. 模糊聚类分析方法在学生成绩评价中的应用J. 渤海大学学报(自然科学版),2007，6，28(2).4 Martin T. Hagan.etc.Neural Network DesignM.北京: 机械工业出版社,2002,8. 5 KIANG M Y. Extending the kohonen self-organizing map network for clustering analysisJ. Computational Statistics and Data Analysis, 2001, 38(2):161-180

20、.6 Kohonen T.Self-organized formation of topologically correct featuremapsJ.Biological Cybernetics,1982，4(3):59-69.7 闻新等.MATLAB 神经网络应用设计M.北京:科学出版社,2000，9.8 Simon Haykin.Neural Networks:a comprehensive foundationM.北京:机械工业出版社,2004，1.9 焦李成.神经网络系统理论M.西安:西安电子科技大学出版社,1990，12.10MATLAB 中文论坛. MATLAB 神经网络 30

21、个案例分析M.北京：北京航空航天大学出版社，2010，4.11丛爽.面向 MATLAB 工具箱的神经网络理论与应用M.合肥:中国科学技术大学出版社,1998，11. 12飞思科技产品研发中心.神经网络理论与 MATLAB 7 实现M.北京：电子工业出版社，2005,3.13韩力群.人工神经网络教程M.北京:北京邮电大学出版社,2006，12.14高隽.人工神经网络原理及仿真实例M.北京:机械工业出版社,2003,7.毕业设计（20_ _届）基 于 SOM 神 经 网 络 的 实 习 成 绩 分 类 评 判摘 要神经网络已被广泛地应用于各个领域，在工程中利用SOM神经网络的分类功能可以对事物的有

22、关特征信息进行分类识别。利用这种分类功能，结合VB和MATLAB语言各自的语言优势，编制了小型的辅助评价软件，评价人员根据软件辅助分类评价结果，再结合实际情况，稍做分析调整，就可以确定整个评价群体的实习综合成绩。以浙江省某高校某班级的31名学生作为评判对象，建立能够对实习成绩进行分类的SOM神经网络程序模型，从而完成对实习成绩的分类评判。根据分析结果，证明评价方法在技术上的可行性，尤其在实习学生数较多，评定指标较多的情况下，利用本文所阐述的方法，不但能够减轻教师的工作量，而且可以较轻松并客观合理地给出学生实习的总评成绩。关键词：SOM 神经网络；VB 和 MATLAB；实习成绩；分类评价 Ab

23、stractNeural networks have been widely applied in various fields，in engineering classification using SOM neural network function you can classify the information the relevant characteristics of things. Using this classification function, VB and MATLAB language with their own advantages, prepare for

24、a small auxiliary evaluation software. According to the results of the classification and evaluation, evaluators combine with the actual situation, make slightly analysis and adjustment, can determine the integrated practice performance of groups throughout the evaluation.Establishing the classifica

25、tion of the SOM neural network procedure model, thus completing the classification of Practice Performance Assessment, one college of Zhejiang Province, 31 students in a class as an object, Based on the results to prove the technical feasibility evaluation, In particular, the number of students in t

26、he internship more targets more assess the case, Using the method described in this paper can not only reduce teacher workload, and can more easily and objectively reasonable to give students practice the total grades.Key Words: SOM Neural Network; VB and MATLAB; Practice Performance; Classification and Evaluation目 录1 引言 .1