1、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
2、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
3、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
4、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
5、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 MA
6、TLAB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
7、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
8、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。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)
9、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 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：
10、 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 Mar
11、tin 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. 6 Kohonen T.Self-organized formation of topologically correct featuremapsJ.Biological
12、 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 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.
