1、 本科 毕业 设计 (论文 ) （二零 届） 基于 ANN 的综合评价系统的设计 所在学院 专业班级 计算机科学与技术 学生姓名 学号 指导教师 职称 完成日期 年 月 摘要 ： 现实中经常需要根据事物诸因素的状况，以及各个因素对于总体评价的重要程度，对评价对象进行多因素的综合评价。 本毕业设计针对事 物诸因素状况和诸因素重要程度的模糊性，依据模糊理论，采取 ANN 机器学习方法，使用MATLAB 开发环境，实现多因素的智能综合评价。根据 ANN 机器学习机制，首先提供若干样本对 BP 神经网络进行训练，并对训练过程进行控制，直至 BP神经网络具有相对满意的综合评价功能，从而在综合评价中体现评
2、价专家思想。 关键词 ：综合评价；专家思想； BP神经网络； ANN Design of Comprehensive evaluation system based on ANN Abstract: In reality, we often evaluate objects from many factors according to the related factors and their importance to total evaluation. The graduation design contrapose the factors and the fuzziness of thi
3、s factors important degree, based on the fuzzy theory and take ANN machine learning method, using MATLAB development environment to realize multi-factor intelligent comprehensive evaluation. According to ANN machine learning mechanism, firstly, provide some samples for BP neural network training. Th
4、en control the process of training until the BP neural network archive a relatively satisfactory comprehensive evaluation function. Thus experts thought reflected in the comprehensive evaluation. Keywords: comprehensive evaluation; Experts thought; BP neural network; ANN 目录 1 绪论 . 1 1.1 课题的研究背景 . 1
5、1.1.1 人工智能 . 1 1.1.2 综合评价法 . 1 1.2 课题研究的目的与意义 . 1 1.3 课题的研究内容 . 1 1.4 课题的研究方法 . 2 1.5 论文的内容组织 . 2 2 基础知识简介 . 3 2.1 人工神经网络简介 . 3 2.1.1 人工神经网络的基本特征 . 3 2.1.2 人工神经网络的结构 . 4 2.2 综合评价法一般过程 . 6 2.3 MATLAB 简介 . 8 2.3.1 MATLAB 基本功能 . 8 2.3.2 MATLAB 特点 . 8 3 系统分析 . 9 3.1 需求分析 . 9 3.2 可行性分析 . 9 4 基于 ANN 的综合评价
6、系统设计 . 10 4.1 模糊综合评价法 . 10 4.2 BP 神经网络 . 10 4.2.1 BP 神经网络的设计 . 10 4.2.2 BP 神经网络的学习过程 . 11 4.3 BP 网络主要工具函数 . 12 5 基于 ANN 的综合评价系统设计实现 . 13 5.1 主要界面设计 . 13 5.2 主要功能设计 . 15 5.2.1 样本的生成 . 15 5.2.2 MATLAB 中 BP 网络构建和初始化 . 17 5.2.3 MATLAB 中 BP 网络训练 . 18 5.2.4 MATLAB 中网络测试 . 20 5.2.5 查看网络参数 (shownet_Callback
7、). 21 5.2.6 打开网络（ Opennet_Callback） . 22 5.2.7 保存网络（ Savenet_Callback） . 23 6 总结及展望 . 24 致谢 . 错误 !未定义书签。 参考文献 . 25 1 1 绪论 1.1 课题的研究背景 1.1.1 人工智能 人工智能 (Artificial Intelligence) ，英文缩写为 AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、
8、语言识别、图像识别、自然语言处理和专家系统等。智能控制中的人工神经网络由于模仿人类的神经网络，具有感知识别、学习、联想、记忆、推理等智能，更是有着广阔的发展前景。 1 1.1.2 综 合评价法 综合评价法是指运用多个指标对多个参评单位进行评价的方法，称为多变量综合评价方法，或简称综合评价方法。其基本思想是将多个指标转化为一个能够反映综合情况的指标来进行评价。如不同国家经济实力，不同地区社会发展水平，小康生活水平达标进程，企业经济效益评价等，都可以应用这种方法。 2,3 1.2 课题研究的目的与意义 本毕业设计实现智能综合评价，针对事物诸因素的模糊性，对评价对象进行多因素的综合评价。使用 ANN
9、机器学习方法，使该系统在开发和使用的过程中，从评价专家获得各评价因素重要程度的有关知识，进而实 现体现专家思想的综合评价。 1.3 课题的研究内容 本课题旨在设计一个基于人工神经网络的对网站进行综合评价的系统。研究主要内容包括： 1、影响网站绩效评佑的相关指标体系确定及其量化和规范化。 2、影响网站绩效评估各相关指标的相对权重确定。影响网站绩效各相关因素在输入预测和评估模型时 , 需要一组决定其相对重要性的初始权重 , 权重的确定需要基本的原则作支持。 3、基于 BP 神经网络的网站绩效评价模型研究。以 BP 神经网络为基础 , 构建基于多因素的网站绩效评价模型。 4、基于 BP 神经网络的网
10、站绩效评价模型计算方法设 计。根据基于 BP 神经网络的技术创新预测和评估模型的基本特点 , 设计其相应的计算方法。 5、基于 BP 神经网络的网站绩效评价模型学习样本设计。根据相关的历史资料 , 构建基于BP 神经网络的网站绩效评价模型的学习样本 , 对模型进行自学习和训练 , 使模型适合评价2 者的思想。 4、 5 1.4 课题的研究方法 这种情况下 , 神经网络技术就有其特有的优势 , 以其并行分布、自组织、自适应、自学习和容错性等优良性能 , 可以较好地适应网站评价这类多因素、不确定性和非线性问题 , 它能克服上述各方法的不足。本项目以 BP神经网络作为 基于多因素的评估模型构建的基础
11、 , BP神经网络由输入层、隐含层和输出层构成 , 各层的神经元数目不同 , 由正向传播和反向传播组成 , 在进行网站评价时 , 从输入层输入影响网站评价值的 n 个因素信息 , 经隐含层处理后传入输出层 , 其输出值 Y即为网站绩效的评估值。整个系统运用 MATLAB编程实现。 1.5 论文的内容组织 论文共由七章组成。第 1章绪论，主要介绍课题的研究背景、研究目的和意义、研究内容以及研究方法；第 2 章基础知识简介，主要介绍人工神经网络，综合评价法的一般过程和MATLAB 开发环境；第 3 章系统分析，从 需求分析和可行性分析两方面分析了本系统的要求和设计；第 4 章系统设计，详细介绍了所
12、使用的模糊综合评价法和本系统使用的 BP网络的设计和学习过程；第 5 章系统的实现，主要介绍系统界面设计、功能设计；第 6章总结与展望，主要阐述了本课题所完成的研究工作和存在的不足，以及希望在今后可以完善的地方。 3 2 基础知识简介 2.1 人工神经网络简介 人工神经网络（ ArtificialNeuralNetworks，简写为 ANNs）也简称为神经网络（ NNs）或称作连接模型（ ConnectionistModel），它是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工
13、神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为 “ 训练 ” 。 4 2.1.1 人工神经网络的基本特征 人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代神经科学研究成果的 基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。人工神经网络具有四个基本特征： （ 1）非线性 非线性 关系是自然界的普遍特性。大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性关系。具有
14、阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。 （ 2）非局限性 一个 神经网络 通常由多个神经元广泛连接而成。一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定。通过单元之间的大量连接模拟大脑的非局限性。联想 记忆 是非局限性的典型例子。 （ 3）非常定性 人工神经网络具有自适应、 自组织 、自学习能力。神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化。经常采用迭代过程描写动力系统的演化过程。 4 （ 4）非凸性 一个 系统的演化方向，在一定条件下将取决于某个特定的状态函数。例如能量函数，
15、它的极值相应于系统比较稳定的状态。非凸性是指这种函数有多个极值，故系统具有多个较稳定的平衡态，这将导致系统演化的多样性。 人工神经网络中，神经元处理单元可表示不同的对象，例如特征、字母、概念，或者一些有意义的抽象模式。网络中处理单元的类型分为三类：输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据；输出单元实现系统处理结果的输出；隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度 ，信息的表示和处理体现在网络处理单元的连接关系中。人工神经网络是一种非程序化、适应性、大脑风格的信息处理 ，其本质是通过网络的变换和动力学行为得到一种并行分布
16、式的信息处理功能，并在不同程度和层次上模仿人脑神经系统的信息处理功能。它是涉及神经科学、思维科学、人工智能、计算机科学等多个领域的交叉学科。 人工神经网络是并行分布式系统，采用了与传统人工智能和信息处理技术完全不同的机理，克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷，具有自适应、自组织和实时学习的特点。 5-9 2.1.2 人工神经网络的结构 根据连接方式不同，神经网络的神经元之间的连接有如下几种形式。 （ 1）前向网络 前向网络结构图如图 1-11所示，神经元分层排列，分别组成输入层、中间层（也称为隐含层，可以由若干层组成）和输出层。每一层的神经元只接受来自前一层神经
17、元的输入，后面的层对前面的层没有信号反馈。输 入模式经过个层次的顺序传播，最后在输出层上得到输出。感知器网络和 BP网络均属于前向网络。 5 图 1-11 前向网络结构 （ 2）有反馈的前向网络 其结构如图 1-12所示，从输出层对输入层有信息反馈，这种网络可用于存储某种模式序列，如神经认知机和回归 BP网络都属于这种类型。 图 1-12 有反馈的前向网络结构 （ 3）层内又相互结合的前向网络 其结构如图 1-13所示，通过层内神经元的相互结合，可以实 现同一层内神经元之间的横向抑制或兴奋机制，这样可以限制每层内可以同时动作的神经元素，或者把每层内的神经元分为若干组，让每一组作为一个整体进行运
18、作。例如，可利用横向抑制机理把某层内具有最大输出的神经元挑选出来，从而抑制其他神经元，使之处于无输出状态。 图 1-13 层内有相互结合的前向网络结构 （ 4）相互结合型网络（全互连或部分互连） 相互结合型网络结构如图 1-14所示，这种网络在任意两个神经元之间都有可能有连接。Hopfield网络和 Boltzmann机均属于这种类型。在无反馈的前向网络中，信号一旦通过神经元，该神经元的处理就结束了。而在相互结合网络中，信号要在神经元之间反复传递，网络6 处于一种不断改变状态的动态之中。信号从某初始状态开始，经过若干次变化，才会达到某种平衡状态。根据网络的结构和神经元的特性，网络的运行还有可能
19、进入周期震荡或其他如混沌等平衡状态。 7 图 1-14 相互结合型网络结构 2.2 综合评价法一般过程 1.建立综合评价的目的与要求 不同的评价目的会影响评价指标体系、合 成方法、权数的选择。例如，绝对测定时通常每一个指标都要有一个固定（或明确统一）的评价标准 ,这样所得到的总评价值才会有实际的“绝对好坏”的意义。而相对测定时重视的是排序结果，只要能分辨出各评价对象在评价结果上的先后次序即可。所以，人们可以用 AHP方法，主成分分析法、聚类分析法、极差变换法进行综合评价，但这些方法并不适合于“绝对测定”。因此，在进行综合评价时，首先必须明确评价目的与要求。 2.构造评价指标体系 这是综合评价活
20、动的第二个环节。任何问题的综合评价都需要建立一套科学合理的评价指标体系，况且综合实力是一 个综合性的概念，其数量表现形式多种多样，任何单一指标却只能反映出一个侧面，只有构造完整的指标体系才能科学全面的对评价对象做出评价。但同时，由于指标之间往往具有一定的相互关系，甚至有反复交叉的情况，并不是所有的指标都有必要选入评价体系之中。因此，必须对指标体系的合理性、科学性和可行性做出鉴别，使评价体系中的指标变得简练而全面。没有科学的指标体系，就不可能得到科学、准确的综合评价结论。 3.对单项指标值进行同度量化 由于不同指标具有不同的计量单位，它们在说明综合实力的数量与方向并不完全相同。因此，必须做同度量化 处理，转化为具有同类尺度的评价值，这一步也称为无量纲化。 大多数综合评价方法都有同度量化的问题。从表面看，有些评价方法，如多元统计分析方法、模糊数学方法等，似乎没有专门的同度量化处理，但事实上，它们是将同度量化过程直接作为评价方法本身的一个基本组成部分了。
