《SOM神经网络与实习成绩分类评判【文献综述】》由会员分享，可在线阅读，更多相关《SOM神经网络与实习成绩分类评判【文献综述】（4页珍藏版）》请在金锄头文库上搜索。
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肴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己经越来越被 学
2、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 方法主要有因了分析法，模糊聚类分析法，相似聚类分析法，统计分析法等*%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，不适宜定景表示，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WJames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
3、束语1982年。第三个为夏兴时期，开始于JJ.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”现象提出了日组织映射网络 (self-organizing map SOM),作为一类无监督学习的神经网络模型*,它能够对输入模式进行日组 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
4、响应特性 。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 为竞争层七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1=1的是将任意维数的输入信号-模式转变为一维或二维的高散映射，并且以拓扑有序的方式自适应实现这个变换七3 SOM网络学习算法及应用学习过程主要有6个步骤：%1 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。%1 提供新的输入模式X。%1 计算欧式距离dj,艮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
5、的输出神经元j都有dk二min（dj）%1 给出一个周围的领域。%1 按照公式修正输出神经元j*及其“邻接神经元”的权值。%1 计算输出（一般为0T函数或其他非线性函数）。%1 提供新的学习样木直到学习速率衰减到设定值。SOM算法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泌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
6、，而一层一层地计算直至网络的输出C，-，2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I阿络，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一输出就是神经网路的输入一输出变量。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
7、是用日然语言表示的概念，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“气 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 数与训练集样木有多少模式类有关。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 另一神可能是出现“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
8、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) 能够表示事物的发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：(D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
9、；(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 T具，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，SOV网结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
10、 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汀.黄石理工学院学报,2010,6, 26(3).2 张琼.因了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 Design M.北京：机械工业出版社，2002, 8.5 KIANG M Y. Extending the kohonen self-organizing map network for
11、clustering analysis J .Computational Statistics and Data Analysis, 2001, 38(2): 161-180.6 Kohonen T.Self-organized formation of topologically correct featuremaps J .BiologicalCybernetics, 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 foundati
12、onM.北京：机械丁业出版社,2004,1.9 焦李成.神经网络系统理论M.西安:西安电了科技大学出版社,1990, 12.10 MATLAB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.
