SOM神经网络与实习成绩分类评判【文献综述】

《SOM神经网络与实习成绩分类评判【文献综述】》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

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

2、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

3、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。芬兰赫尔辛基大学教授TeuvoKohonen基于生物的“侧抑制”现象提出了自组织映射网络(se

4、lf-organizingmapSOM)，作为一类无监督学习的神经网络模型[4][5]，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

5、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]。3SOM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。②提供新的输入模式X。③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)④给出一个周围的领域。⑤按照公式修正输出神经元j*及其“邻接神经元”的权值。⑥计算输出（一般

6、为0-1函数或其他非线性函数）。⑦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-

7、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

8、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。