基于som神經(jīng)網(wǎng)絡(luò)的實(shí)習(xí)成績(jī)分類評(píng)判【畢業(yè)論文】

上傳人：奔*** IP屬地：河北更新時(shí)間：2024-11-14 格式：doc 頁(yè)數(shù)：33 大?。?37.00KB 人氣指數(shù)：12 舉報(bào) 版權(quán)申訴

基于som神經(jīng)網(wǎng)絡(luò)的實(shí)習(xí)成績(jī)分類評(píng)判【畢業(yè)論文】_第1頁(yè)

已閱讀1頁(yè)，還剩32頁(yè)未讀，繼續(xù)免費(fèi)閱讀

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、　　本科畢業(yè)論文(設(shè)計(jì))　?。ǘ?屆）　　基于SOM神經(jīng)網(wǎng)絡(luò)的實(shí)習(xí)成績(jī)分類評(píng)判　　所在學(xué)院 　　專業(yè)班級(jí) 電氣工程及其自動(dòng)化 </p

2、>　　學(xué)生姓名學(xué)號(hào) 　　指導(dǎo)教師職稱 　　完成日期年月 　　摘要

3、　神經(jīng)網(wǎng)絡(luò)已被廣泛地應(yīng)用于各個(gè)領(lǐng)域，在工程中利用SOM神經(jīng)網(wǎng)絡(luò)的分類功能可以對(duì)事物的有關(guān)特征信息進(jìn)行分類識(shí)別。利用這種分類功能，結(jié)合VB和MATLAB語(yǔ)言各自的語(yǔ)言優(yōu)勢(shì)，編制了小型的輔助評(píng)價(jià)軟件，評(píng)價(jià)人員根據(jù)軟件輔助分類評(píng)價(jià)結(jié)果，再結(jié)合實(shí)際情況，稍做分析調(diào)整，就可以確定整個(gè)評(píng)價(jià)群體的實(shí)習(xí)綜合成績(jī)。　　以浙江省某高校某班級(jí)的31名學(xué)生作為評(píng)判對(duì)象，建立能夠?qū)?shí)習(xí)成績(jī)進(jìn)行分類的SOM神經(jīng)網(wǎng)絡(luò)程序模型

4、，從而完成對(duì)實(shí)習(xí)成績(jī)的分類評(píng)判。根據(jù)分析結(jié)果，證明評(píng)價(jià)方法在技術(shù)上的可行性，尤其在實(shí)習(xí)學(xué)生數(shù)較多，評(píng)定指標(biāo)較多的情況下，利用本文所闡述的方法，不但能夠減輕教師的工作量，而且可以較輕松并客觀合理地給出學(xué)生實(shí)習(xí)的總評(píng)成績(jī)。　　關(guān)鍵詞：SOM神經(jīng)網(wǎng)絡(luò)；VB和MATLAB；實(shí)習(xí)成績(jī)；分類評(píng)價(jià) 　　Abstract</p

5、>　　Neural 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 t

6、his classification function, VB and MATLAB language with their own advantages, prepare for a small auxiliary evaluation software. According to the results of the classification and evaluation, evaluators combine with the

7、 actual situation, make slightly analysis and adjustment, can determine the i　　Establishing the classification of the SOM neural network procedure model, thus completing the classification of Practic

8、e 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 the internship

9、 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 reasonabl　　Key Words: SOM Neural Network; VB and

10、 MATLAB; Practice Performance; Classification and Evaluation　　目錄　　1 引言1　　2 神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)2　　2.1

11、60;人工神經(jīng)網(wǎng)絡(luò)發(fā)展史2　　2.2 神經(jīng)元的結(jié)構(gòu)3　　2.2.1 神經(jīng)元生物學(xué)解剖3　　2.2.2 神經(jīng)元的信息處理與傳遞4　　2.2.3 神經(jīng)元的數(shù)學(xué)模型4　　2.3 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及其功能7

12、　　2.3.1神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)7　　2.3.2 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)計(jì)算處理過程8　　2.3.3 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法8　　3 SOM 神經(jīng)網(wǎng)絡(luò)9　　3.1 SOM神經(jīng)網(wǎng)絡(luò)的模型與算法9　　3.2

13、SOM神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)9　　3.3 SOM神經(jīng)網(wǎng)絡(luò)權(quán)值調(diào)整域10　　3.4 SOM神經(jīng)網(wǎng)絡(luò)運(yùn)行原理11　　3.5 SOM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法12　　4 系統(tǒng)的設(shè)計(jì)、分析與實(shí)現(xiàn)13　　4.1系統(tǒng)輸入層的設(shè)計(jì)13</

14、p>　　4.2 系統(tǒng)競(jìng)爭(zhēng)層的神經(jīng)元節(jié)點(diǎn)數(shù)目的確定16　　4.3 系統(tǒng)競(jìng)爭(zhēng)層的神經(jīng)元節(jié)點(diǎn)的排列設(shè)計(jì)17　　4.4 系統(tǒng)實(shí)現(xiàn)17　　4.4.1在VB6.0中調(diào)用和操作Matlab的程序?qū)崿F(xiàn)17　　4.4.2 系統(tǒng)程序?qū)崿F(xiàn)19</p

15、>　　4.4.3 實(shí)習(xí)成績(jī)分類結(jié)果分析25　　5 總結(jié)和展望27　　6 致謝錯(cuò)誤!未定義書簽。　　參考文獻(xiàn)28　　1 引言<

16、p>　　隨著教育事業(yè)的不斷發(fā)展，如何對(duì)一個(gè)學(xué)生的實(shí)習(xí)成績(jī)給出較為精確合理的評(píng)價(jià)已經(jīng)越來越被學(xué)生們關(guān)注，合理的評(píng)價(jià)可以檢測(cè)學(xué)生的實(shí)習(xí)情況，評(píng)價(jià)教師的教學(xué)效果，有利于推動(dòng)和促進(jìn)教學(xué)水平的不斷提高，以及學(xué)生學(xué)習(xí)的積極性。目前在對(duì)學(xué)生學(xué)習(xí)成績(jī)?cè)u(píng)價(jià)體系的研究中，采用的評(píng)價(jià)方法主要有因子分析法，模糊聚類分析法，相似聚類分析法，統(tǒng)計(jì)分析法等[1-3]。　　學(xué)生實(shí)習(xí)成績(jī)的評(píng)定過程中，各評(píng)定指標(biāo)內(nèi)容往往更適

17、合定性評(píng)價(jià)，不適宜定量表示，因此對(duì)實(shí)習(xí)成績(jī)的綜合評(píng)定帶來一定的難度。為了使實(shí)習(xí)成績(jī)?cè)u(píng)定更具有科學(xué)性，減小二次評(píng)判的人為誤差，同時(shí)在成績(jī)?cè)u(píng)定過程中兼顧教學(xué)過程管理和教學(xué)目標(biāo)管理，我們可以利用SOM神經(jīng)網(wǎng)絡(luò)的分類功能，在對(duì)實(shí)習(xí)成績(jī)的一級(jí)定性評(píng)判結(jié)果的基礎(chǔ)上再進(jìn)行分類，使一級(jí)定性評(píng)判結(jié)果相近的實(shí)習(xí)成績(jī)分在同一類神經(jīng)元上，否則則分在不同的神經(jīng)元上。然后利用分類結(jié)果給出實(shí)習(xí)總評(píng)成績(jī)。　　2 神經(jīng)網(wǎng)絡(luò)理論

18、基礎(chǔ)　　人工神經(jīng)網(wǎng)絡(luò)是以工程技術(shù)手段模擬人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能特征的一種技術(shù)系統(tǒng)。它以大量的非線性并行處理器來模擬眾多的人腦神經(jīng)元，用處理器間錯(cuò)綜靈活的連接關(guān)系來模擬人腦神經(jīng)元的突觸行為。　　2.1 人工神經(jīng)網(wǎng)絡(luò)發(fā)展史　　人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks, ANN）[

19、6]，也簡(jiǎn)稱為神經(jīng)網(wǎng)絡(luò)，是在對(duì)人腦組織結(jié)構(gòu)和運(yùn)行機(jī)制的認(rèn)識(shí)理解基礎(chǔ)之上模擬其結(jié)構(gòu)和智能行為的一種工程系統(tǒng)。現(xiàn)代的神經(jīng)網(wǎng)絡(luò)的研究一般認(rèn)為從40年代初W.S. McCulloch和W.A. Pitts提出M-P神經(jīng)元模型（見圖2-1）開始。1957 年，美國(guó)計(jì)算機(jī)專家森布拉特（F. Rosenblatt）提出感知器(Perseptron)模型[7]。 1965年M. Min sky 和S. Pa pert在《感知機(jī)》一書中指出感知器的缺陷并

20、表示出對(duì)這方面研究的悲觀態(tài)度，使得神經(jīng)網(wǎng)絡(luò)的研究從興起期進(jìn)入了停滯期，這是神經(jīng)網(wǎng)絡(luò)發(fā)展史上的第一個(gè)轉(zhuǎn)折。到了20世紀(jì)80年代初，J.J. Hopfield的工作和D. Rinehart等人的PDP報(bào)告顯示出神經(jīng)網(wǎng)絡(luò)的巨大潛力，使得該領(lǐng)域的研究從停滯期進(jìn)入了繁榮期，這是神經(jīng)網(wǎng)絡(luò)發(fā)展史上的第二個(gè)轉(zhuǎn)折。在80年代神經(jīng)網(wǎng)絡(luò)的理論和設(shè)計(jì)主要是在幾個(gè)前沿方面取得了成績(jī)，隨之神經(jīng)網(wǎng)絡(luò)的研究工作進(jìn)入了恢復(fù)期[8]。半個(gè)多世紀(jì)以來，大致經(jīng)歷了興起、高潮與

21、蕭條、高潮及穩(wěn)步發(fā)展幾個(gè)階段。　　2.2 神經(jīng)元的結(jié)構(gòu)　　神經(jīng)元neuron是一種高度特化的細(xì)胞，是神經(jīng)系統(tǒng)的基本結(jié)構(gòu)和功能單位，它具有感受刺激和傳導(dǎo)興奮的功能[9]。生物體中的神經(jīng)元雖然形體不相同，功能也有差異，但是從結(jié)構(gòu)上來看，各種神經(jīng)元都有共性的，大致都可以分為細(xì)胞體和突起兩部分。胞體的中央有細(xì)胞核。細(xì)胞核是細(xì)胞的能量中心。通過化學(xué)反應(yīng)，胞體為神經(jīng)

22、活動(dòng)提供能量，并大量制造用于傳遞信息的化學(xué)物質(zhì)。自胞體伸出兩種突起：呈樹枝狀的被稱為樹突，它接收其他神經(jīng)元的信息并傳至胞體；那一根細(xì)長(zhǎng)的突起稱為軸突，它把沖動(dòng)由胞體傳至遠(yuǎn)處，傳給另一個(gè)神經(jīng)元的樹突或肌肉與腺體。髓鞘由膠質(zhì)細(xì)胞構(gòu)成，包裹在軸突上，起著絕緣作用。一個(gè)神經(jīng)元的軸突有許多分支末梢膨大，呈葡萄狀，稱為突觸小體，它是傳遞信息給另一個(gè)神經(jīng)元的發(fā)放端。圖2-2中給出的是一個(gè)神經(jīng)元的基本結(jié)構(gòu)示意圖。

23、;　　圖2-2 神經(jīng)元基本結(jié)構(gòu)示意圖　　2.2.1 神經(jīng)元生物學(xué)解剖　　神經(jīng)元在結(jié)構(gòu)上由細(xì)胞體、樹突、軸突和突觸4部分組成。　　（1）細(xì)胞體(Cell body)　　細(xì)胞體是神經(jīng)元的主體，由細(xì)胞核，細(xì)胞質(zhì)，細(xì)胞膜組成。是神經(jīng)元的核心部分，負(fù)責(zé)處理信息的。</p&g

24、t;　　（2）軸突(Dendrite)　　由細(xì)胞體向外延伸的出的一條最長(zhǎng)的線體稱為軸突，用來傳出細(xì)胞體產(chǎn)生的輸出電化學(xué)信號(hào)。　?。?）樹突(Axon)　　從細(xì)胞體向外延伸出許多的神經(jīng)纖維，比起突觸要短許多，呈現(xiàn)灌木狀的，這些稱之為樹突，神經(jīng)元靠樹突接受來自其他神經(jīng)元的輸入信號(hào)，相當(dāng)于細(xì)胞體的

25、輸入端。　?。?）突觸(Synapse)　　一個(gè)細(xì)胞與其他細(xì)胞樹突相連的部位叫作突觸。突觸包含突觸前膜、突觸間隙、突觸后膜3個(gè)部分。突觸前膜是軸突末端突觸小體的膜，突觸間隙是突觸前膜與突觸后膜之間的間隙，突觸后膜是指與突觸前膜相對(duì)應(yīng)的另一個(gè)神經(jīng)元得胞體膜或樹突膜。　　2.2.2 神經(jīng)元的信息處理與傳遞</p

26、>　　在生物的神經(jīng)元當(dāng)中，突觸作為輸入或者輸出接口，樹突和細(xì)胞體為輸入端，接受突觸點(diǎn)接收到的信號(hào)。而前面提到過細(xì)胞體作為信號(hào)最終處理端，可以看做一個(gè)處理器，對(duì)于各樹突和細(xì)胞體各部位收到的來自其它神經(jīng)元的輸入信號(hào)進(jìn)行組合，并在一定條件下觸發(fā)產(chǎn)生一個(gè)輸出信號(hào)，輸出信號(hào)延軸突傳至末梢，再通過末梢上的突觸將這個(gè)輸出信號(hào)傳遞到其他神經(jīng)元的樹突或者細(xì)胞體。　　神經(jīng)系統(tǒng)信息的傳遞傳

27、統(tǒng)的認(rèn)為有兩種方式[10]：化學(xué)突觸傳遞和電突觸傳遞?；瘜W(xué)突觸是指神經(jīng)元與神經(jīng)元之間，神經(jīng)元與靶細(xì)胞之間的信息傳遞，是通過一定的化學(xué)遞質(zhì)的釋放而完成的。電突觸是指突觸前側(cè)膜的電位變化由于接頭處較窄，電阻較低，可以直接通過動(dòng)作電流的作用到達(dá)下一級(jí)神經(jīng)元或靶細(xì)胞。它是神經(jīng)元之間信息傳遞的最簡(jiǎn)單的形式，俗稱電藕合。　　總的說來，神經(jīng)元通過感受器的換能作用首先將作用于機(jī)體的各種理化信息轉(zhuǎn)化成簡(jiǎn)單的電

28、信號(hào)—感受器電位，再由感受器電位引發(fā)神經(jīng)沖動(dòng)沿軸突擴(kuò)布，通過突觸傳遞傳向下一個(gè)神經(jīng)元，最終到達(dá)中樞產(chǎn)生感覺并作出相應(yīng)決斷。　　2.2.3 神經(jīng)元的數(shù)學(xué)模型　　從神經(jīng)元的特性和功能可以知道，神經(jīng)元是一個(gè)多輸入單輸出的信息處理單元，而且，它對(duì)信息的處理是非線性的。根據(jù)神經(jīng)元的特性和功能，可以把神經(jīng)元抽象為一個(gè)簡(jiǎn)單的數(shù)學(xué)模型。從結(jié)構(gòu)上我們不難看出，生物神經(jīng)元有

29、許多的輸入信號(hào)，正如生物神經(jīng)元一樣，人工神經(jīng)元也有許多的輸入信號(hào)。在圖2-3中，X1，X2，……，Xn是神經(jīng)元的輸入信號(hào)， Wi1，Wi2……，Win分別是i神經(jīng)元對(duì)X1，X2，……，Xn的權(quán)系數(shù)，也即突觸的傳遞效率。它與生物神經(jīng)元相似，正負(fù)值表示突觸的興奮與抑制，而大小則代表突觸不同的連接強(qiáng)度。Yi是i神經(jīng)元的輸出；f(·)是激發(fā)函數(shù)，它決定i神經(jīng)元受到輸人X1，X2，……，Xn的共同刺激達(dá)到閥值時(shí)以何種方式輸出。</

30、p>　　圖2-3 神經(jīng)元的數(shù)學(xué)模型　　激勵(lì)函數(shù)f(·)形式:　?。?）閾值型　　圖2-4　閾值函數(shù)　　（2）分段線性型&

31、lt;/p>　　圖2-5　線性函數(shù)　　（3）Sigmoid 函數(shù)型(S型)　　圖2-6 Sigmoid 函數(shù)　?。?）Tan函數(shù)型　　圖2-7　Tan函數(shù)</p

32、>　　上面所敘述的是最廣泛應(yīng)用而且人們最熟悉的神經(jīng)元數(shù)學(xué)模型。　　2.3 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及其功能　　神經(jīng)元和神經(jīng)網(wǎng)絡(luò)的關(guān)系是元素與整體的關(guān)系。神經(jīng)元的結(jié)構(gòu)很簡(jiǎn)單，工作機(jī)理也不深?yuàn)W；但是用神經(jīng)元組成的神經(jīng)網(wǎng)絡(luò)就非常復(fù)雜，其功能也十分奧妙。簡(jiǎn)單的神經(jīng)元通過不同方式的連接和信息傳遞，就能產(chǎn)生豐富多彩的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，創(chuàng)造出令人贊嘆的優(yōu)

33、異功能。 　　2.3.1神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)　　神經(jīng)網(wǎng)絡(luò)是由許多神經(jīng)元互連在一起所組成的神經(jīng)結(jié)構(gòu)，把神經(jīng)元之間相互作用的關(guān)系進(jìn)行數(shù)學(xué)模型化就可以得到神經(jīng)網(wǎng)絡(luò)模型。人工神經(jīng)網(wǎng)絡(luò)要想模仿生物神經(jīng)網(wǎng)絡(luò)那樣的運(yùn)作，就必須構(gòu)建生物生物神經(jīng)那樣的網(wǎng)絡(luò)，并使神經(jīng)元按一定的規(guī)則連接起來組成神經(jīng)網(wǎng)絡(luò)，而且還得使網(wǎng)絡(luò)中的神經(jīng)元按照一定連接權(quán)規(guī)則變化。人工神經(jīng)網(wǎng)絡(luò)在目前已有幾十種

34、不同的模型，人們按不同的角度對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，通?？砂?個(gè)原則進(jìn)行神經(jīng)網(wǎng)絡(luò)的歸類[9]。　　其中常見的兩種分類方法是：按網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)分類和按網(wǎng)絡(luò)內(nèi)部的信息流向分類。按照網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)分類來說連接方式的不同，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)也就不一樣，一般我們就把網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)分為兩大類：一種是層次型結(jié)構(gòu)，一種是互連型結(jié)構(gòu)。在人們提出的幾十種神經(jīng)網(wǎng)絡(luò)模型中，人們較多用的是Hopfield網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、ART(自適應(yīng)

35、共振理論)網(wǎng)絡(luò)和SOM神經(jīng)網(wǎng)絡(luò)。　　2.3.2 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)計(jì)算處理過程　　神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)計(jì)算處理可以分為兩個(gè)階段：執(zhí)行階段和學(xué)習(xí)階段。執(zhí)行階段是指神經(jīng)網(wǎng)絡(luò)對(duì)輸入信息進(jìn)行處理，并產(chǎn)生對(duì)應(yīng)的輸出過程。而學(xué)習(xí)階段是指神經(jīng)網(wǎng)絡(luò)自完善的階段；在執(zhí)行階段，網(wǎng)絡(luò)的連接結(jié)構(gòu)和權(quán)系數(shù)是已經(jīng)確定并且不會(huì)變化的。神經(jīng)網(wǎng)絡(luò)對(duì)信息的處理一般都需要學(xué)習(xí)階段和執(zhí)行階段結(jié)合，

36、才能實(shí)現(xiàn)合理的處理過程。神經(jīng)網(wǎng)絡(luò)對(duì)信息的學(xué)習(xí)是為了取得對(duì)信息的適應(yīng)特性，或信息的特征；而神經(jīng)網(wǎng)絡(luò)對(duì)信息的執(zhí)行過程是對(duì)特征的檢索或者是對(duì)信息的分類過程。學(xué)習(xí)和執(zhí)行是神經(jīng)網(wǎng)絡(luò)不可缺少的兩個(gè)處理和功能。神經(jīng)網(wǎng)絡(luò)的各種有效的行為和作用，都是通過這兩個(gè)關(guān)鍵的過程來實(shí)現(xiàn)的。通過學(xué)習(xí)階段，可以把神經(jīng)網(wǎng)絡(luò)訓(xùn)練成對(duì)某種信息模式特別敏感，或具有某種特征的動(dòng)力學(xué)系統(tǒng)。通過執(zhí)行階段，可以用神經(jīng)網(wǎng)絡(luò)識(shí)別有關(guān)信息模式或特征。

37、;　　2.3.3 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法　　神經(jīng)網(wǎng)絡(luò)能夠通過對(duì)樣本的學(xué)習(xí)來不斷改變網(wǎng)絡(luò)的連接權(quán)值以及拓?fù)浣Y(jié)構(gòu)，以使輸出盡可能的接近期望，這一過程稱之為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)或者訓(xùn)練。其本質(zhì)就是可變權(quán)值的動(dòng)態(tài)調(diào)整，改變權(quán)值的規(guī)則就叫做學(xué)習(xí)算法。　　自從40年代Hebb提出的學(xué)習(xí)規(guī)則以來，人們相繼提出了各種各樣的學(xué)習(xí)算法。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法分為兩大類：有導(dǎo)師學(xué)習(xí)和無(wú)導(dǎo)師

38、學(xué)習(xí)。感知器采用有教師信號(hào)進(jìn)行學(xué)習(xí)，而認(rèn)知器則采用無(wú)教師信號(hào)學(xué)習(xí)的。所謂教師信號(hào)，就是在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中由外部提供的模式樣本信號(hào)。在主要神經(jīng)網(wǎng)絡(luò)如BP網(wǎng)絡(luò)，Hopfield網(wǎng)絡(luò)，ART網(wǎng)絡(luò)和SOM網(wǎng)絡(luò)中；BP網(wǎng)絡(luò)和Hopfield網(wǎng)絡(luò)是需要教師信號(hào)才能進(jìn)行學(xué)習(xí)的；而ART網(wǎng)絡(luò)和SOM網(wǎng)絡(luò)則無(wú)需教師信號(hào)就可以學(xué)習(xí)。　　3 SOM 神經(jīng)網(wǎng)絡(luò)　　SOM（Sel

39、f-Organizing feature Map）是由芬蘭Helsinki 大學(xué)的T. Kohonen[11] 教授在1981年提出來的一種人工神經(jīng)網(wǎng)絡(luò)，該模型模擬了人類大腦皮層對(duì)于某一圖形或某一頻率等輸入模式的特定興奮過程。　　3.1 SOM神經(jīng)網(wǎng)絡(luò)的模型與算法　　SOM 網(wǎng)絡(luò)的一個(gè)典型特征就是可以在一維或二維的處理單元陣列上, 形成輸入信號(hào)的特征拓?fù)?/p>

40、分布,因此 SOM網(wǎng)絡(luò)具有抽取輸入信號(hào)模式特征的能力。SOM網(wǎng)絡(luò)一般只包含有一維陣列和二維陣列,但也可以推廣到多維處理單元陣列中去。它的模型一般有4個(gè)部分組成： 　　① 處理單元陣列。用于接受事件輸入，并且形成對(duì)這些信號(hào)的“判斷函數(shù)”； 　　② 比較選擇機(jī)制。用于比較“判斷函數(shù)”，并選擇一個(gè)具有最大函數(shù)輸出值的處理單元； <

41、;p>　?、?局部互連作用。用于同時(shí)激勵(lì)被選擇的處理單元及最鄰近的處理單元； 　?、?自適應(yīng)過程。用于修正被激勵(lì)的處理單元參數(shù)，以增加其對(duì)應(yīng)于特定輸入“判斷函數(shù)”的輸出值。　　3.2 SOM神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)　　SOM 網(wǎng)有兩層，輸入層和輸出層[6]。輸出層又叫競(jìng)爭(zhēng)層[12]，競(jìng)爭(zhēng)層的神經(jīng)元有多種排列方式，

42、如一維線陣，二維平面，三維柵格等。常見的是前兩種類型，下面分別予以介紹。　　輸出層按一維陣列組織的SOM網(wǎng)是最簡(jiǎn)單的自組織神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)特點(diǎn)如圖3-1，圖3-2（a）中的一維陣列SOM網(wǎng)的輸出層只標(biāo)出相鄰神經(jīng)元間的側(cè)向連接。　　輸出層按二維平面組織是SOM網(wǎng)最典型的組織方式，該組織方式更具有大腦皮層的形象。輸出層的每個(gè)神經(jīng)元同它周圍的其他神經(jīng)元側(cè)向連接

43、，排列成棋盤狀平面，結(jié)構(gòu)如圖3-2（b）所示。　　圖3-1 自組織網(wǎng)絡(luò)的典型結(jié)構(gòu)　　圖3-2 SOM神經(jīng)網(wǎng)絡(luò)輸出陣列　　3.3 SOM神經(jīng)網(wǎng)絡(luò)權(quán)值調(diào)整域　　SOM 網(wǎng)采用的學(xué)習(xí)算法是WTM[13]，是在勝者為王算法基礎(chǔ)上加以改進(jìn)而成的，其主要區(qū)別在于調(diào)整權(quán)向量與側(cè)抑

44、制的方式不同。根據(jù)其權(quán)值調(diào)整的策略形式分類，有墨西哥帽函數(shù)(如圖3-3)，大禮帽函數(shù)(如圖3-4)，廚師帽函數(shù)(如圖3-5)等。其中墨西哥帽函數(shù)是Kohonen提出來的，它表明獲勝神經(jīng)元有最大的權(quán)值調(diào)整量，鄰近的神經(jīng)元有稍小的調(diào)整量，離獲勝神經(jīng)元距離越大，權(quán)值調(diào)整量越小，直到某一距離R時(shí)，權(quán)值調(diào)整量為0。當(dāng)距離再遠(yuǎn)一些時(shí)，權(quán)值調(diào)整量略負(fù)，更遠(yuǎn)時(shí)又回到0。　　3.4 SOM神經(jīng)網(wǎng)絡(luò)運(yùn)行原理<

45、/p>　　SOM 網(wǎng)的運(yùn)行分訓(xùn)練和工作兩個(gè)階段。在訓(xùn)練階段，對(duì)網(wǎng)絡(luò)隨機(jī)輸入訓(xùn)練集中的樣本。對(duì)某個(gè)特定的輸入模式，輸出層會(huì)有某個(gè)神經(jīng)元產(chǎn)生最大響應(yīng)而獲勝，而在訓(xùn)練開始階段，輸出層哪個(gè)位置的神經(jīng)元將對(duì)那類輸入模式產(chǎn)生最大響應(yīng)是不確定的。當(dāng)輸入模式的類別改變時(shí)，二維平面的獲勝神經(jīng)元也會(huì)改變。獲勝神經(jīng)元周圍的神經(jīng)元因側(cè)向相互興奮作用也產(chǎn)生較大響應(yīng)，于是獲勝神經(jīng)元及其優(yōu)勝鄰域內(nèi)的所有神經(jīng)元所連接的權(quán)向量均向輸入向量的方

46、向作程度不同的調(diào)整，調(diào)整力度依鄰域內(nèi)各神經(jīng)元距獲勝神經(jīng)元的遠(yuǎn)近而逐漸衰減。網(wǎng)絡(luò)通過自組織方式，用大量訓(xùn)練樣本調(diào)整網(wǎng)絡(luò)的權(quán)值，最后使輸出層各神經(jīng)元成為對(duì)特定模式類敏感的神經(jīng)細(xì)胞，對(duì)應(yīng)的內(nèi)星權(quán)向量成為各輸入模式類的中心向量。并且當(dāng)兩個(gè)模式類的特征接近時(shí)，代表這兩類的神經(jīng)元在位置上也接近。從而在輸出層形成能夠反映樣本模式類分布情況的有序特征圖。　　3.5 SOM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

47、　　SOM 網(wǎng)的學(xué)習(xí)算法稱為Kohonen 算法[14]，其步驟如下：　?。?）初始化。對(duì) N個(gè)輸入神經(jīng)元到輸出神經(jīng)元的連接權(quán)值賦予較小的權(quán)值。　　。選取輸出神經(jīng)元j個(gè)“鄰接神經(jīng)元”的集合。區(qū)域隨著時(shí)間的增長(zhǎng)而不斷縮小。 　?。?）提供新的輸入模式 X。 <p

48、>　?。?）計(jì)算歐式距離，即：輸入樣本與每個(gè)神經(jīng)元之間的距離，　　并計(jì)算出一個(gè)具有最小距離的神經(jīng)元 j*，即確定出某個(gè)單元 k，使得對(duì)于任意的輸出神經(jīng)元 j 都有=。　?。?）給出一個(gè)周圍的領(lǐng)域。　?。?）按照公式修正輸出神經(jīng)元 j*及其“鄰接神經(jīng)元”的權(quán)值。

49、　　=+。　?。?）計(jì)算輸出（一般為 0-1函數(shù)或其他非線性函數(shù)）。=　?。?）提供新的學(xué)習(xí)樣本直到學(xué)習(xí)速率衰減到設(shè)定值，不滿足結(jié)束條件則回到步驟（2）。　　4 系統(tǒng)的設(shè)計(jì)、分析與實(shí)現(xiàn)　　自20世紀(jì)問世以來，由于其自身固有的超強(qiáng)

50、適應(yīng)能力和學(xué)習(xí)能力，使得神經(jīng)網(wǎng)絡(luò)在很多領(lǐng)域獲得了廣泛的應(yīng)用，解決了許多傳統(tǒng)方法難以解決的問題。人工神經(jīng)網(wǎng)絡(luò)模型具有高度的非線性函數(shù)映射功能，使用 MATLAB 語(yǔ)言完成模型運(yùn)算，語(yǔ)言簡(jiǎn)單易于實(shí)現(xiàn)。　　表征一個(gè)神經(jīng)網(wǎng)絡(luò)特性的關(guān)鍵是網(wǎng)絡(luò)的激活函數(shù)，對(duì)于多層網(wǎng)絡(luò)可以將前一層的輸出作為后一層的輸入，而一層一層地計(jì)算直至網(wǎng)絡(luò)的輸出[15-16]。在MATLAB環(huán)境下的神經(jīng)網(wǎng)絡(luò)工具箱中對(duì)于單層網(wǎng)絡(luò)輸出的計(jì)算

51、，對(duì)于給出輸入矩陣P，權(quán)矩陣W和偏差矩陣B的單層網(wǎng)絡(luò)，只要簡(jiǎn)單地選用相應(yīng)的激活函數(shù)，就能夠求出網(wǎng)絡(luò)輸出矩陣，所有的運(yùn)算直接以矩陣形式進(jìn)行。　　SOM神經(jīng)網(wǎng)絡(luò)適用于聚類分析，它所形成的聚類中心能夠映射到一個(gè)曲面或者平面上，從而保持拓?fù)浣Y(jié)構(gòu)不變。該網(wǎng)絡(luò)采用無(wú)教師示教學(xué)習(xí)方式，能處理任意類型的數(shù)據(jù)，并能根據(jù)其特有的網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)規(guī)則，對(duì)輸入模式進(jìn)行自組織訓(xùn)練和判斷，通過不斷學(xué)習(xí)，從未知模式的大量復(fù)雜數(shù)

52、據(jù)中發(fā)現(xiàn)其規(guī)律，進(jìn)而對(duì)屬于同一類的模式進(jìn)行自動(dòng)分類[17]。本文使用該方法實(shí)現(xiàn)了實(shí)習(xí)成績(jī)分類。　　4.1系統(tǒng)輸入層的設(shè)計(jì)　　一個(gè)待建模系統(tǒng)的輸入--輸出就是神經(jīng)網(wǎng)路的輸入--輸出變量。這些變量可能是事先確定的，也可能不夠明確，需要進(jìn)行一番篩選。輸入量必須選擇那些對(duì)輸出影響大且能夠檢測(cè)或提取的變量，此外還要求各輸入變量之間互不相關(guān)或相關(guān)性很小，這是輸入量選

53、擇的兩條基本原則。輸入變量可分為兩類：一類是數(shù)值變量；一類是語(yǔ)言變量。數(shù)值變量的值是數(shù)值確定的連續(xù)量或離散量。語(yǔ)言變量是用自然語(yǔ)言表示的概念，其“語(yǔ)言值”是用自然語(yǔ)言表示的事物的各種屬性。當(dāng)選用語(yǔ)言變量作為網(wǎng)絡(luò)輸入變量時(shí)，需要將其語(yǔ)言值轉(zhuǎn)換為離散的數(shù)值量。　　本課題采用的輸入變量是語(yǔ)言變量，確定為四個(gè)實(shí)習(xí)成績(jī)?cè)u(píng)定指標(biāo)如下：　　X1——實(shí)習(xí)態(tài)度；X2——實(shí)

54、習(xí)報(bào)告撰寫情況；X3——任務(wù)完成情況；X4——出勤情況。而且經(jīng)過請(qǐng)教相關(guān)教師、專家分析確定這四個(gè)評(píng)定指標(biāo)的權(quán)值分別為0.3、0.2、0.25、0.25。　　上述四個(gè)評(píng)定指標(biāo)的值可在 “優(yōu)”、“良”、“中”、“及格”、“不及格”五個(gè)級(jí)別中任選其一；為了能讓計(jì)算機(jī)認(rèn)識(shí)輸入信息，因此把這五個(gè)指標(biāo)轉(zhuǎn)化成相應(yīng)的離散數(shù)值量來表示，其中：　　優(yōu)——1；良——0.75；

55、中——0.5；及格——0.25；不及格——0。　　其中出勤情況評(píng)定標(biāo)準(zhǔn)為：　　無(wú)曠課記錄——優(yōu)；曠課1次——良；曠課2次——中等；曠課3次——及格。　　如果曠課次數(shù)超過實(shí)習(xí)次數(shù)的三分之一，則整個(gè)實(shí)習(xí)不計(jì)分。下面以某教學(xué)班31位學(xué)生作為評(píng)判對(duì)象，其原始數(shù)據(jù)表如下4-1：

56、表4-1 實(shí)習(xí)成績(jī)?cè)紨?shù)據(jù)表　　根據(jù)以上原始數(shù)據(jù)表和相關(guān)約定，建立數(shù)據(jù)樣本如下表4-2：　　表4-2 實(shí)習(xí)成績(jī)?cè)u(píng)定指標(biāo)樣本數(shù)據(jù)表　　4.2 系統(tǒng)競(jìng)爭(zhēng)層的神經(jīng)元節(jié)點(diǎn)數(shù)目的確定　　輸出層設(shè)計(jì)[18]涉及兩個(gè)問題：一個(gè)是節(jié)點(diǎn)數(shù)的設(shè)計(jì)；另一個(gè)是節(jié)點(diǎn)排列的設(shè)計(jì)。節(jié)點(diǎn)數(shù)與訓(xùn)練集樣

57、本有多少模式類有關(guān)。如果節(jié)點(diǎn)數(shù)少于模式類數(shù)，則不足以區(qū)分全部模式類，訓(xùn)練的結(jié)果勢(shì)必將相近的模式類合并為一類。如果節(jié)點(diǎn)數(shù)多于模式類數(shù)，一種可能是將類型分得過細(xì)，而另一種可能是出現(xiàn)“死節(jié)點(diǎn)”。在解決分類問題時(shí)，如果對(duì)類別數(shù)沒有確切信息，寧可先設(shè)置較多的輸出節(jié)點(diǎn)，以便較好地映射樣本的拓?fù)浣Y(jié)構(gòu)，如果分類過細(xì)，再酌情減少輸出節(jié)點(diǎn)。通過分析本課題確定實(shí)習(xí)評(píng)定成績(jī)采用優(yōu)、良、中、及格、不及格五級(jí)制這一規(guī)則，因此模式類別數(shù)為6。

58、　　4.3 系統(tǒng)競(jìng)爭(zhēng)層的神經(jīng)元節(jié)點(diǎn)的排列設(shè)計(jì)　　輸出層的節(jié)點(diǎn)排列成哪種形式取決于實(shí)際應(yīng)用的需要，排列形式盡量直觀反映出實(shí)際問題的物理意義。一般情況下，對(duì)于旅行路徑類的問題，二維平面比較直觀；對(duì)于一般的分類問題，一個(gè)輸出節(jié)點(diǎn)就能代表一個(gè)模式類，用一維線陣意義明確且結(jié)構(gòu)簡(jiǎn)單。　　所以通過分析確立本課題SOM神經(jīng)網(wǎng)絡(luò)輸入節(jié)點(diǎn)為4個(gè)，競(jìng)爭(zhēng)層神經(jīng)

59、節(jié)點(diǎn)采用3×3。按照SOM 算法步驟，取迭代次數(shù)為200，并且開始排序階段的學(xué)習(xí)率為0.9；收斂階段的學(xué)習(xí)率為0.02。　　4.4 系統(tǒng)實(shí)現(xiàn)　　本系統(tǒng)利用VB和MATLAB R2007中的神經(jīng)網(wǎng)絡(luò)工具箱所提供的有關(guān)函數(shù)工具來編程實(shí)現(xiàn)。　　4.4.1在VB6.0中調(diào)用

60、和操作Matlab的程序?qū)崿F(xiàn)　　Matlab只有提供C和Fortran語(yǔ)言使用的編程接口，在VB6.0程序中只有通過ActiveX技術(shù)在VB中調(diào)用和操作matlab的方法，實(shí)現(xiàn)matlab和VB的混合編程。　　1. ActiveX的基本概念　　由于無(wú)法在VB中調(diào)用Matlab，本課題利用ActiveX技術(shù)解決了這

61、個(gè)問題。所謂ActiveX是一種開放式的標(biāo)準(zhǔn)，它允許應(yīng)用程序或部件控制另一個(gè)引用程序或部件的運(yùn)行。ActiveX部件是Microsoft公司提供的一種用于模塊集成的新協(xié)議。由一些遵循ActiveX規(guī)范的可執(zhí)行代碼組成，比如一個(gè).exe、.dll或.ocx文件。在程序中加入ActiveX部件后，它將成為開發(fā)和運(yùn)行環(huán)境的一部分，并為應(yīng)用程序提供新的功能。ActiveX部件保留了一些普通VB控件的屬性、事件和方法，其特有的方法和屬性大大地增強(qiáng)

62、了程序設(shè)計(jì)者的能力和靈活性。　　2. Matlab與ActiveX的接口　　當(dāng)前的新軟件一般都支持ActiveX部件的嵌入，Matlab語(yǔ)言也不例外，它可以通過ActiveX技術(shù)與其他任何應(yīng)用程序作接口，如VB,VC++，ACCESS等。這使得Matlab語(yǔ)言可以集成其他軟件的優(yōu)點(diǎn)，進(jìn)一步加強(qiáng)自己的功能。Matlab提供了一個(gè)自動(dòng)化對(duì)象，其外部名稱是Ma

63、tlab.Application。它支持COM技術(shù)，其他程序通過COM技術(shù)提供的函數(shù)得到自動(dòng)化對(duì)象支持的接口指針，通過調(diào)用接口函數(shù)便可以控制和使用自動(dòng)化對(duì)象了。　　由于VB支持ActiveX自動(dòng)化控制端協(xié)議，Matlab支持ActiveX自動(dòng)化服務(wù)器端協(xié)議，因此，如果已經(jīng)建立了一個(gè)VB應(yīng)用程序和Matlab之間的ActiveX自動(dòng)化連接，那么在一個(gè)應(yīng)用程序中就可以調(diào)用Matlab的命令了。<

64、;/p>　　3. 創(chuàng)建ActiveX對(duì)象　　VB能通過不同的方式實(shí)現(xiàn)對(duì)自動(dòng)化對(duì)象的使用和操作。要?jiǎng)?chuàng)建一個(gè)ActiveX對(duì)象，只需要將creatobject函數(shù)返回的對(duì)象賦給一個(gè)對(duì)象變量。在聲明對(duì)象變量時(shí)使用as object子句，可創(chuàng)建一個(gè)能包含任何類型的對(duì)象。　　Dim matlab as object

65、　　Set matlab=creatobject(“Matlab.Application”)　　創(chuàng)建好一個(gè)ActiveX對(duì)象后，就可以對(duì)此對(duì)象進(jìn)行操作，如同在VB中對(duì)其它對(duì)象的操作一樣。　　4. ActiveX對(duì)象的操作　　Matlab.Application對(duì)象主要有3個(gè)方法，分別是Exec

66、ute，GetFullMatrix，PutFullMatrix。用法簡(jiǎn)要如下：　?。?）BSTR Execute([BSTR Command])　　執(zhí)行Execute方法將調(diào)用Matlab執(zhí)行一條由command字符串決定的matlab命令，所有在matlab命令窗口可鍵入的命令在此都可以使用，同時(shí)返回命令的執(zhí)行情況，繪圖命令生成的圖形窗口將顯示在屏幕上

67、。　?。?）GetFullMatrix([in]BSTRName,　　[in]BSTRWorkspace,　　[in,out]SAFEARRAY(double)*pr.　　[in,out]SAFEARRAY(double)*pi);

68、;　　GetFullMatrix方法將指定的Matlab工作空間中的一個(gè)一維或二維數(shù)組送到VB程序中，Name指定了Matlab中的矩陣變量名，Workspace指定了該矩陣所在的工作空間，pr和pi分別是數(shù)組的實(shí)部和虛部。　　（3）PutFullMatrix（[in]BSTRName,[in]BSTR Workspace,　　[in,out]SAFEA

69、RRAY(double)*pr,　　[in,out]SAFEARRAY(double)*pi）;　　GetFullMatrix方法將VB程序中的一個(gè)一維或二維數(shù)組傳送到指定的Matlab工作空間中。　　4.4.2 系統(tǒng)程序?qū)崿F(xiàn)　　1. 窗體設(shè)計(jì)<

70、/b>　　本輔助軟件的窗體設(shè)計(jì)如圖3-1所示。窗體中包括6個(gè)Label控件，5個(gè)Text文本框和兩個(gè)command命令控件。　　圖4-1 實(shí)習(xí)成績(jī)?cè)u(píng)價(jià)窗體　　3.程序代碼編制　　為了實(shí)現(xiàn)輔助評(píng)價(jià)這一功能，并能比較直觀地實(shí)現(xiàn)人機(jī)

71、交互。本課題結(jié)合VB和Matlab程序編制的如下代碼：　　Dim k As Integer　　Dim k1 As Integer　　Dim A() As Double　　Dim b(0 To 3) As Integer　　Dim

72、XReal() As Double　　Dim XImag() As Double　　Dim ZReal() As Double　　Dim ZImag() As Double　　Dim C() As Double　　Dim T(0,

73、 3) As Double　　Dim p(0, 3) As Double　　Private Sub Command2_Click()　　ReDim XReal(29, 3) '在form的“通用”中用dim定義一個(gè)矩陣為動(dòng)態(tài)矩陣，例如:dim A() as .....，<

74、p>　　ReDim XImag(29, 3) '再在過程中用redim定義該矩陣時(shí)，矩陣的行、列數(shù)可以用變量字母來表示，例如:redim A(n,m)　　ReDim ZReal(0, 3) '否則只能用dim定義一個(gè)行、列數(shù)為常數(shù)量的矩陣，例如:dim B(3,4) as .....。　　ReDim ZImag(0, 3)&

75、lt;/p>　　ReDim C(29, 3)　　For j = 0 To 3　　T(0, j) = b(j)　　Next j　　C(0, 0) = 0.5　　C(0

76、, 1) = 0.75　　C(0, 2) = 0.75　　C(0, 3) = 1　　C(1, 0) = 0.5　　C(1, 1) = 0.5　　C(1, 2) = 0.75　　C(1, 3

77、) = 1　　C(2, 0) = 0.5　　C(2, 1) = 0.25　　C(2, 2) = 0.75　　C(2, 3) = 0.5　　C(3, 0) = 0.5　　C(3, 1) =

78、0.5　　C(3, 2) = 0.75　　C(3, 3) = 1　　C(4, 0) = 0.25　　C(4, 1) = 0.5　　C(4, 2) = 0.75　　C(4, 3) = 1&l

79、t;/p>　　C(5, 0) = 0.5　　C(5, 1) = 0.25　　C(5, 2) = 0.75　　C(5, 3) = 1　　C(6, 0) = 0.75　　C(6, 0) = 1</p&

80、gt;　　C(6, 0) = 0.75　　C(6, 0) = 1　　C(7, 0) = 0.5　　C(7, 1) = 0.5　　C(7, 2) = 0.75　　C(7, 3) = 1&

81、lt;p>　　C(8, 0) = 0.5　　C(8, 0) = 1　　C(8, 0) = 0.75　　C(8, 0) = 1　　C(9, 0) = 0.75　　C(9, 0) = 1

82、　　C(9, 0) = 0.75　　C(9, 0) = 1　　C(10, 0) = 0.5　　C(10, 0) = 0.5　　C(10, 0) = 0.75　　C(10, 0) = 1

83、C(11, 0) = 0.5　　C(11, 0) = 0.5　　C(11, 0) = 0.75　　C(11, 0) = 1　　C(12, 0) = 0.5　　C(12, 0) = 0.5

84、　C(12, 0) = 0.75　　C(12, 0) = 1　　C(13, 0) = 0.5　　C(13, 0) = 0.5　　C(13, 0) = 0.75　　C(13, 0) = 1

85、　C(14, 0) = 0.75　　C(14, 0) = 0.75　　C(14, 0) = 0.75　　C(14, 0) = 1　　C(15, 0) = 0.25　　C(15, 0) = 0.75<p

86、>　　C(15, 0) = 0.75　　C(15, 0) = 1　　C(16, 0) = 1　　C(16, 1) = 0.75　　C(16, 2) = 0.75　　C(16, 3) = 1<p&

87、gt;　　C(17, 0) = 0.5　　C(17, 1) = 1　　C(17, 2) = 0.75　　C(17, 3) = 1　　C(18, 0) = 0.5　　C(18, 1) = 0.5<p&g

88、t;　　C(18, 2) = 0.75　　C(18, 3) = 1　　C(19, 0) = 0.5　　C(19, 1) = 0.5　　C(19, 2) = 0.75　　C(19, 3) = 1<p&g

89、t;　　C(19, 0) = 0.5　　C(19, 1) = 0.5　　C(19, 2) = 0.75　　C(19, 3) = 1　　C(20, 0) = 0.5　　C(20, 1) = 0.5<p&

90、gt;　　C(20, 2) = 0.75　　C(20, 3) = 1　　C(21, 0) = 0.5　　C(21, 1) = 0.75　　C(21, 2) = 0.75　　C(21, 3) = 1<p

91、>　　C(22, 0) = 0.25　　C(22, 1) = 0.5　　C(22, 2) = 0.75　　C(22, 3) = 1　　C(23, 0) = 0.5　　C(23, 1) = 0.5<

92、;p>　　C(23, 2) = 0.75　　C(23, 3) = 1　　C(24, 0) = 0.5　　C(24, 1) = 0.5　　C(24, 2) = 0.75　　C(24, 3) = 1<

93、;p>　　C(25, 0) = 0.5　　C(25, 1) = 1　　C(25, 2) = 0.75　　C(25, 3) = 1　　C(26, 0) = 0.5　　C(26, 1) = 0.5<

94、p>　　C(26, 2) = 0.75　　C(26, 3) = 1　　C(27, 0) = 0.75　　C(27, 1) = 0.5　　C(27, 2) = 0.75　　C(27, 3) = 1<

95、;p>　　C(28, 0) = 0.75　　C(28, 1) = 0.75　　C(28, 2) = 0.75　　C(28, 3) = 1　　C(29, 0) = 0.5　　C(29, 1) = 0.5

96、　　C(29, 2) = 0.75　　C(29, 3) = 1　　'把VB中生成的實(shí)習(xí)成績(jī)矩陣C賦值給Matlab中所要接受數(shù)組的實(shí)部、虛部　　For i = 0 To 15　　For j = 0 To 3

97、;　　XReal(i, j) = C(i, j)　　XImag(i, j) = 0　　Next j　　Next i　　'把VB中生成的實(shí)習(xí)成績(jī)矩陣T賦值給Matlab中所要接受數(shù)組的實(shí)部、

98、虛部　　For j = 0 To 3　　ZReal(0, j) = T(0, j)　　ZImag(0, j) = 0　　Next j　　'建立一個(gè)對(duì)象與matlab程序接通通信通道&l

99、t;/p>　　Set matlab = CreateObject("matlab.application")　　'把VB中的矩陣C放入matlab語(yǔ)言環(huán)境中，形成A矩陣　　Call matlab.putfullmatrix("A", "base", XReal

100、, XImag)　　'把VB中的矩陣T放入matlab語(yǔ)言環(huán)境中，形成C矩陣　　Call matlab.putfullmatrix("p", "base", ZReal, ZImag)　　matlab.execute ("a=0.3*A(:,1)"

101、;)　　matlab.execute ("b=0.2*A(:,2)")　　matlab.execute ("c=0.25*A(:,3)")　　matlab.execute ("d=0.25*A(:,4)")　　m

102、atlab.execute ("A=[a b c d]")　　matlab.execute ("A = A'")　　matlab.execute ("p = p'")　　matlab.execute ("net=newsom([

103、0 1;0 1;0 1;0 2],[1 5])")　　matlab.execute ("net.trainParam.epochs=200")　　matlab.execute ("net=train(net,A)")　　matlab.execute ("

104、w=net.IW{1,1}")　　matlab.execute ("plotsom(w,net.layers{1}.distances)")　　matlab.execute ("y = sim(net, A)")　　matlab.execute ("y

105、= vec2ind(y)")　　matlab.execute ("y_test = sim(net, p)")　　matlab.execute ("y_test=vec2ind(y_test)")　　Text6.Text = matlab.execute(&quo

106、t;disp('評(píng)價(jià)分類結(jié)果為');disp(y_test)")　　End Sub　　Private Sub Command3_Click()　　Text1 = ""　　Text2 = &

107、quot;"　　Text3 = ""　　Text4 = ""　　Text5 = ""　　Text6 = ""　　k = 0

108、　　k1 = 0　　End Sub　　Private Sub Text1_KeyPress(KeyAscii As Integer)　　If KeyAscii = 13 The

109、n　　k1 = Text1　　Text2.SetFocus　　End If　　End Sub　　Private Sub Text2_KeyPress(Ke

110、yAscii As Integer)　　If KeyAscii = 13 Then　　b(0) = Text2　　Text3.SetFocus　　End If　　End Su

111、b　　Private Sub Text3_KeyPress(KeyAscii As Integer)　　If KeyAscii = 13 Then　　b(1) = Text3　　Text4.SetFocus&l

112、t;b>　　End If　　End Sub　　Private Sub Text4_KeyPress(KeyAscii As Integer)　　If KeyAscii = 13 Then　　b(2) = Te

113、xt4　　Text5.SetFocus　　End If　　End Sub　　Private Sub Text5_KeyPress(KeyAscii As Integer)&

114、lt;p>　　If KeyAscii = 13 Then　　b(3) = Text5　　Command2.SetFocus　　End If　　End Sub<p

115、>　　經(jīng)過程序運(yùn)行，分類結(jié)果如下表4-3：　　表4-3 實(shí)習(xí)成績(jī)?cè)u(píng)定分類結(jié)果　　4.4.3 實(shí)習(xí)成績(jī)分類結(jié)果分析　　根據(jù)分類結(jié)果，結(jié)合實(shí)際情況得出如下結(jié)論：不設(shè)不及格；把上表中03號(hào)學(xué)生成績(jī)?cè)u(píng)定為及格，這是因?yàn)閷?shí)際實(shí)習(xí)當(dāng)中，該學(xué)生由于參加學(xué)校組織的其他活動(dòng)，每次實(shí)習(xí)他總是在即將結(jié)束時(shí)才到實(shí)習(xí)場(chǎng)所報(bào)到，遲到

116、時(shí)間較長(zhǎng)，雖然有請(qǐng)假條，但還是實(shí)實(shí)在在耽誤了實(shí)習(xí)；其次把激發(fā)第6號(hào)神經(jīng)元的實(shí)習(xí)成績(jī)?cè)u(píng)定為中等；把激發(fā)9好神經(jīng)元的實(shí)習(xí)成績(jī)?cè)u(píng)定為良好；把激發(fā)7號(hào)神經(jīng)元的實(shí)習(xí)成績(jī)?cè)u(píng)定為優(yōu)秀。評(píng)定結(jié)果如下表4-4：　　表4-4 實(shí)習(xí)成績(jī)總評(píng)成績(jī)?cè)u(píng)定結(jié)果　　本文利用SOM神經(jīng)網(wǎng)絡(luò)的原理與方法，結(jié)合VB和Matlab語(yǔ)言的各自優(yōu)勢(shì)設(shè)計(jì)一個(gè)輔助實(shí)習(xí)成績(jī)?cè)u(píng)價(jià)小軟件，能較方便快速地把

117、四個(gè)具有不同權(quán)值指標(biāo)的實(shí)習(xí)成績(jī)值分類，在分類時(shí)，以所激發(fā)的神經(jīng)元編碼作為分類碼，直觀地告訴人們?cè)搶?shí)習(xí)總評(píng)成績(jī)應(yīng)歸屬于哪一類，減輕了評(píng)價(jià)老師的工作量，提高了工作效率。在實(shí)習(xí)學(xué)生數(shù)較多，尤其當(dāng)評(píng)定指標(biāo)較多的情況下，利用本文所闡述的方法，可以較輕松地給出學(xué)生實(shí)習(xí)的總評(píng)成績(jī)。　　當(dāng)然利用軟件評(píng)價(jià)只能起到輔助評(píng)價(jià)的作用，我們還必須結(jié)合實(shí)際，尤其還需要考慮其他一些沒法被選入的偶發(fā)性的評(píng)價(jià)因素來綜合評(píng)定一個(gè)學(xué)

118、生的實(shí)習(xí)成績(jī)。　　5 總結(jié)和展望　　SOM神經(jīng)網(wǎng)絡(luò)類似于大腦的信息處理過程，將 SOM 神經(jīng)網(wǎng)絡(luò)與MATLAB工具運(yùn)用到學(xué)生的實(shí)習(xí)成績(jī)?cè)u(píng)價(jià)中，可以較為客觀合理的區(qū)分出不同學(xué)生的學(xué)習(xí)水平和對(duì)各種知識(shí)的掌握程度，并給出總評(píng)成績(jī)。而且操作過程簡(jiǎn)便易行,只要將有關(guān)數(shù)據(jù)提供給網(wǎng)絡(luò),網(wǎng)絡(luò)就會(huì)通過自身訓(xùn)練、學(xué)

119、習(xí)、競(jìng)爭(zhēng),最后根據(jù)人的主觀意愿輸出相應(yīng)的分類數(shù)目及對(duì)應(yīng)的分類結(jié)果。同時(shí)該評(píng)價(jià)系統(tǒng)還可以應(yīng)用于各行各業(yè)的成績(jī)考核中，與傳統(tǒng)的方法比較，將大大提高工作效率，數(shù)據(jù)精度，避免財(cái)力，物力以及人力等多方面資源的浪費(fèi)，評(píng)價(jià)結(jié)果更加令人滿意。　　參考文獻(xiàn)　　王雅,楊啟耀.基于相似聚類分析的畢業(yè)設(shè)計(jì)成績(jī)?cè)u(píng)價(jià)體系研究[J].黃石理工學(xué)院

眾賞文庫(kù)> 全部分類> 畢業(yè)設(shè)計(jì)

溫馨提示

1. 本站所有資源如無(wú)特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間，僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理，對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請(qǐng)與我們聯(lián)系，我們立即糾正。
7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

基于som神經(jīng)網(wǎng)絡(luò)的實(shí)習(xí)成績(jī)分類評(píng)判【畢業(yè)論文】

文檔簡(jiǎn)介

溫馨提示

最新文檔

評(píng)論

基于som神經(jīng)網(wǎng)絡(luò)的實(shí)習(xí)成績(jī)分類評(píng)判【畢業(yè)論文】

文檔簡(jiǎn)介

溫馨提示

最新文檔

評(píng)論

免費(fèi)下載