基于神经网络的中小学生综合素质评价系统优秀毕业论文 可复制黏贴.pdf

华南理工大学 硕士学位论文 基于神经网络的中小学生综合素质评价系统 姓名 李广文 申请学位级别 硕士 专业 计算机技术 指导教师 吴一民 刘小莲 20061102 摘要 摘要 基础教育课程改革是深化素质教育的重要举措 促进学生全面发展是基础教育课程 改革最重要的目标 目前 越来越多地区开始尝试实行学生综合素质表现评定以取代以 往的升学考试制度 学生综合表现评定的基本出发点是衡量学生全面发展的状况 体现 学生之间的差异 尤其关注学生的特长和潜能 学生综合表现评定是一项复杂的工作 涉及到方方面面 在其中很多领域还处于实验和尝试阶段 为保证综合表现评定的公平 公正和有效 各地都在积极尝试各种合适的评价方法和模式 各地现行的评价方法普遍 存在着需要预先对各评价指标设定权重的问题 权重的大小会直接影响到评定的最终结 果 而仅通过经验或表面分析的设置权重又存在着一定的主观性 此外 学生表现的各 个评价指标间也具有复杂的非线性关系 针对这个问题 本文提出一种应用人工神经网络综合评价的方法 以实现学生综合 表现评定 人工神经网络是近年非常热门的一门学科 其具有自学习性 高容错性和高 度非线性描述能力等优点而被广泛应用 神经网络综合评价方法通过对历史数据进行学 习和训练 以找出各评价指标问以及评价指标与结果间的关系 从而求解问题 同时人 工神经网络处理具有非线性关系数据的能力 是目前其他方法所无法比拟的 与其他综 合评价方法相比 基于人工神经网络的综合评价方法具有明显的优越性 本文以2 0 0 5 年广州市东山区初中毕业生综合表现评定数据为基础建立了用于学生 综合表现评定的径向基函数神经网络模型 通过大量的仿真实验证明了基于人工神经网 络的学生综合表现评价是可行 有效的 并设计建立了 套中学生综合素质评价系统 该系统在广州市八一实验学校初中部2 0 0 4 级学生中进行了实际的应用 系统的效果得 到了学校 教师和学生的肯定和认可 本文基于人工神经网络的学生综合表现评价系统减少了评价过程中的人为因素 提 高了评价的有效性和公平性 评价结果也更为客观 具有较高的科学性 这为中学生综 合素质评价问题开辟了一条新的道路 关键词 人工神经网络 径向基函数 学生综合素质评定 指标体系 华南理工大学硕士学位论文 a b s t r a c t t h eb a s i ce d u c a t i o n a lc u r r i c u l u mr e f o r mi st h ei m p o r t a n ta c t i o nt or a i s eq u a l i t y e d u c a t i o nd e v e l o p m e n t a n dt h ee n t i r ed e v e l o p m e n tf o rs t u d e n ti st h et a r g e to fo a c i c u l u m r e f o r m c u r r e n t l y m o r ea n dm o r er e g i o n st r i e dt op l a c t i s et h es t u d e n t sg e n e r a lc h a r a c t e r e v a l u a t i o nt or e p l a c et ot h ef o r es y s t e mo fe l e v e n p l u s i t st h eb a s i cp o i n to ft h ee v a l u a t i o n t h a tm e a s u r e st h ee n t i r ed e v e l o p m e n tf o rs t u d e n t a n dm a ts h o wt h ed i f f e r e n c eo fs t u d e n t s e s p e c i a l l yt h e i rp o t e n t i a la n ds t r o n gs u i t i t sac o m p l i c a t e dw o r kt h a tp r a c t i s e st h es t u d e n t s g e n e r a lc h a r a c t e re v a l u a t i o n a n di tc o m e sd o w nt om a n ya s p e c t s i ns o m ed o m a i n s t h e ys t i l l a r ei nt h ee x p e r i m e n t sa n dt r i e s i no r d e rt oo n s u r et h ef a i r n e s s j u s t n e s sa n dv a l i d i t y s o m e r e g i o n sh a v et r i c da 1 1k i n do ft h ee v a l u a t i o nm e t h o da n dm o d e s t h e r ei so n eu n i v e r s a l p r o b l e mt h a tt h ec u r r e n tm e t h o d sn e e dt os e tt h ew e i g h t so fi n d e x t h ew e i g h t sw i l la f f e c tt h e e n dr e s u l td i r e c t l y i t ss u b j e c t i v et h a tp e o p l es e tt h ew e i g h t sb yt h e i re x p e r i e n v a 1o rt h e e x t e r n a la n a l y s i s a n dt h e r ea r ec o m p l i c a t e dn o n l i n e a rr e l a t i o n s h i pi na l lo f t h ei n d e x s i nt h i sd i s s e r t a t i o n am e t h o db ya r t i f i c i a ln e u r a ln e t w o r ki su s e dt or e a l i z et h ee v a l u a t i o n i nr e c e n ty e a r s a r t i f i c i a ln e u r a ln e t w o r ki sav e r yp o p u l a rs u b j e c t i th a sb e e nw i d e l yu e s e d f o ri t ss t r o n g p o i n t s s e l f l e a r n i n g h i g hf a u l tt o l e r a n ta n dn o n l i n e a rd e s c r i p t i o na b i l i t y l e a r n i n ga n dt r a i n i n gt h eh i s t o r i c a ld a t a s t h ee v a l u a t i o nm e t h o db y n e u r a ln e t w o r k 仃yt of i n d t h er e l a t i o n si ne a c hi n d e x a n dt h er e l a t i o nb e t w e e nt h ei n d e xa n dt h er e s u l tt or e s o l v et h e p r o b l e m n e n r a ln e t w o r kh a st h ei n i m i t a b l ea b i l i t yo fm a n a g i n gn o n l i n e a rr e l a t i o n s h i pd a t a s c o m p a r e dw i t ho t h e re v a l u a t i o nm e t h o d s t h em e t h o db ya r t i f i c i a ln e u r a ln e t w o r kh a so b v i o u s a d v a n t a g e mt h i sd i s s e r t a t i o n a ne v a l u a t i o nm o d e lo fr a d i a l b a s i sf u n c t i o nn e u r a ln e t w o r kh a s b e e nc r e a t e dw i mt h ee v a l u a t i o nd a t a so f j u n i o rh i g hs c h o o lg r a do f d o n g s h a nd i s t r i c ti n2 0 0 5 a n db ym a n ys i m u l a t i o ne x p e r i m e n t s t h i se v a l u a t i o nm e t h o di sp r o v e dt ob ef e a s i b l ea n d e f f e c t u a l f i n a l l y as o f t w a r eo fs t u d e n t sg e n e r a lc h a r a c t e re v a l u a t i o nh a sb e e nd e s i g n e da n d d e v e l o p e d a n di tw a su s e di ng r a d e2 0 0 4s t u d e n t so fb a y ie x p e r i m e n t a t i o ns c h 0 0 1 i t se f f e c t a r ea f f i r m e da n da p p r o b a t e db yt h et e a c h e r sa n dt h es t u d e n t s t h ee v a l u a t i o nm e t h o db yn e u r a ln e t w o r kc a nr e d u c et h ee f f e c to fh u m a nf a c t o r si n e v a l u a t i o np r o c e s s i m p r o v et h ev a l i d i t ya n df a i r n e s s a n dm a k et h er e s u l tm o r eo b j e c t i v ea n d m o r es c i e n t i f i c i td e v e l o p san e wm a df o rt h es t u d e n t sg e n e r a lc h a r a c t e re v a l u a t i o n k e yw o r d s a r t i f i c i a ln e u r a ln e t w o r k r a d i a l b a s i sf u n c t i o n s t u d e n tg e n e r a lc h a r a c t e r e v a l u a t i o n i n d e xs y s t e m n 华南理工大学 学位论文原创性声明 本人郑重声明 所呈交的论文是本人在导师的指导下独立进行研究所 取得的研究成果 除了文中特别加以标注引用的内容外 本论文不包含任 何其他个人或集体已经发表或撰写的成果作品 对本文的研究做出重要贡 献的个人和集体 均已在文中以明确方式标明 本人完全意识到本声明的 法律后果由本人承担 作者签名 终节k 日期 州年巾月彳日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留 使用学位论文的规定 即 研究生在校攻读学位期间论文工作的知识产权单位属华南理工大学 学校 有权保存并向国家有关部门或机构送交论文的复印件和电子版 允许学位 论文被查阅 除在保密期内的保密论文外 学校可以公布学位论文的全 部或部分内容 可以允许采用影印 缩印或其它复制手段保存 汇编学位 论文 本人电子文档的内容和纸质论文的内容相一致 本学位论文属于 口保密 在 年解密后适用本授权书 口不保密 学位论文全文电子版提交后 日同意在校园网上发布 供校内师生和与学校有共享协议的单位浏 览 请在以上相应方框内打 作者签名 加殳 指导教师签名 关一兹 日期 z 彳 形 日期 乃 f i 乙孑 第一章绪论 第一章绪论 1 1 项目背景 随着素质教育的全面推进 促进学生全面发展成为基础教育课程改革的一个重要目 标 根据 教育部关于积极推进中小学评价与考试制度改革的通知 各地课改实验区 均对中小学评价与考试制度进行了改革 对初中学生实行综合素质评定 此次改革 是 基础教育课程改革的重要组成部分 其根本目的是为了更好的提高学生综合素质和教师 教育教学能力和管理水平 为学校实施素质教育提供保障 充分发挥评价促进发展的功 能 使评价过程成为促进教学发展与提高的过程 从而达到全面贯彻党的教育方针 深 入实施素质教育的目标 开展中学生综合素质评价 不仅是搞好学校德育工作的重要环节 有利于学校对德 育工作及其效果进行检验和改进 学校和教师借助评价可以及时了解学生思想 行为情 况 使德育工作更具针对性 为进一步检验和改进学校德育工作 教育学生提供科学的 依据 同时也具有导向功能和诊断功能 既可以指导学校德育工作 使学校德育工作有 更加明确的工作方向 也可以指导学生的思想行为朝着社会所期望的方向发展 还有助 鉴别学生思想 行为的优劣 让学生及时了解自身的优缺点 促进学生的自我认识 自 我教育 自我控制 帮助学生逐步养成良好的思想品质 实行综合素质评价 对学生和家长来说 都是一个有利于学生今后全面成长的有力 措施 综合素质评价从德 智 体 美等方面综合评价学生的发展 培养学生热爱党 热爱社会主义 热爱祖国 诚实守信 助人为乐的高尚道德品质 终身学习的愿望和能 力 健壮的体魄 良好的心理素质以及健康的审美情趣 具体指标包含了中小学生在综 合实践活动等非统一考试科目中的实际表现 在道德品质 公民素养 学习能力 交流 与合作 运动与健康 审美与表现等方面所达到的综合素质水平 综合素质评价过程中 既注意对学生 教师和学校的统一要求 也关注个体差异以及对发展的不同需求 为学 生成长 教师和学校有个性 有特色的发展提供一定的空间 1 2现状和趋势 目前 各市 区教育局和学校均采取为每个学生建立 成长记录 全面客观的反 映学生的成长过程 并以此作为对学生进行综合素质评定的基本依据 综合素质评定分 别按照学期 学年进行阶段性评价 学生毕业时进行总评 探索合适的评定方法及规律 成为各地当前一个重要的课题 各地区也进行了各种 华南理工大学硕士学位论文 有效的实验和尝试 其中使用最为广泛的方式是运用加权和法形式的专家打分评价法来 进行学生的综合表现评定 专家评分法是出现较早且应用较广的一种评价方式 它是在 定量和定性分析的基础上 以打分等方式做出定量评价 其结果具有数理统计特性 1 1 运用加权和法形式专家评分法时 先由教育局或学校设计好评价指标 评价等级和各指 标的权重 每个等级的标准用分值表示 然后以此为基准 由学生 教师 家长对全体 学生进行分析和评价 确定各个指标的分值 最后采用加权和法求出全体学生的总分值 从而得到评价结果 这种方法的最大优点是在缺乏足够统计数据和原始资料的情况下 可以做出定量估价 而且使用简单 直观性强 但其理论性与系统性不强 准确程度取 决于参与评价者的阅历经验以及知识的广度和深度 在学校实际使用过程中发现 专家 打分评价法在保证评价结果的客观性和准确性方面具有一定的难度 近年来 围绕综合评价 其他相关知识和理论不断渗入 使得现代综合评价方法得 到很大的发展 模糊综合评判法 数据包络分析法 人工神经网络评价法和灰色综合评 价法等已经广泛应用在各行业领域中 目前已有一些地区和学校开始尝试运用模糊综合 评判法对学生进行综合素质评定 但由于评级指标之间的相对重要性是不同的 所以无论采用专家打分评价法还是模 糊综合评判法 都需要先对各评价指标设定一个权重 权重的大小会直接影响到评定的 最终结果 权重确定得合理与否 关系到综合评价结果的可信程度 当某一个指标的权 重略为改变时有可能导致学生的评定级别发生变化 所以如何设定合适的权重成为了整 个综合表现评定过程的关键 实践证明 综合评价结果的可靠性和准确性依赖于合理选 取评价指标 指标的权重和综合评价的合成算子等 目前学生综合素质评定中的权重主 要通过由教育行政部门领导 教育研究机构专家和学校骨干教师根据以往经验 共同商 讨确定而来的 虽然有客观的基础 但仍有一定的主观随意性 在现实世界中 对一个 人的综合表现进行量化的评定 应该来说是件非常复杂的事情 每个评价指标间可能存 在着多对多的联系 甚至可能存在未知或不确定的关系 指标之问会互相的影响和互相 的干扰 因此仅通过经验或表面分析而人为制定权重 并进行评定的结果不一定能完全 反映出客观的真实 可能会存在少量的偏差 另一方面来说 对学生的综合素质评定的模型结构更类似于一个黑箱模型 对于评 定指标问的关系 我们无法简单通过数学公式或定理来论证和了解 我们所掌握的只有 输入 评定要素 和输出 评定结果 数据 人工神经网络恰恰是 种很好的黑箱建模 工具 我们可以通过人工神经网络根据输入 输出数据来建立评价系统的模型 2 第一章绪论 1 3 本项目的研究内容 本项目主要通过以2 0 0 5 年广州市东山区初中毕业生综合素质评定的原始数据作为 依据 研究运用人工神经网络a n n a r t i f i o a ln e u r a ln e t w o r k 对初中学生进行综合素 质评定的可行性和有效性 并对有监督选取中心法的r b f 神经网络 正交最小二乘法 的r b f 神经网络和p n n 概率神经网络应用在学生综合素质评定中进行比较 设计出适 合学生综合素质评定的人工神经网络模型 最终运用这个模型及相关人工神经网络综合 评价原理开发 中小学生综合素质评价系统 用于广州市越秀区部分中学的学生综合 素质评价工作中 以配合越秀区作为全国课改实验区的中小学评价与考试制度改革 3 华南理工大学硕七学位论文 第二章人工神经网络综合评价理论 z1 人工神经网络简介及其原理 2 1 1 神经网络简介 人工神经网络a n n a r t i f i c i a ln e u r a ln e t w o r k 是2 0 世纪8 0 年代后期迅速发展起 来的人工智能技术 它是通过模拟人脑的功能设计出来的 由大量神经元广泛互连而成 的网络 是对人脑的抽象 简化和模拟 反映了人脑的基本特征 2 1 神经网络具有大规 模并行 分布式存储和处理 自组织 自适应和自学习能力 适合用于处理一些需要同 时考虑多因素多条件下不精确的信息处理问题 自1 9 4 3 年精神病学家和神经解剖学家m c c u u o c h 和数学家p i t t s 提出神经元生物学 模型 m p 模型 以来 人工神经网络发展至今已经有6 0 多年的历史 先后经历了兴起 停滞 高潮三个阶段 随着各种神经网络模型及相关论文的发表 人工神经网络领域的 研究不断得到发展 新的理论和实践工作层出不穷 神经网络技术在许多不同的工程领 域中得到应用 2 0 世纪9 0 年代中期是人工神经网络系统理论稳健发展的一个时期 在 经历了2 0 世纪8 0 年代末与9 0 年代初的发展高潮后 人们肯定了神经网络的前途 但 也看到了它今后发展所存在的困难 如何克服网络连线困难将是神经网络技术发展中需 要克服的最关键问题 3 2 1 2 神经元模型 人工神经网络的基本组成单元是神经元 是生物神经元的模拟和抽象 它一般是一 个多输入 单输出的非线性元件 神经元用于处理神经网络中传递的信息 并通过权重连 接起来 一个神经元接收与它相连的所有神经元输出的信息 作为它的输入 使用激励 函数计算出相应的输出 再将输出传递给其它的神经元 可见神经元是一个多输入单输 出的信息处理单元 并且对信息的处理是非线性的 神经元的输出不仅受输入信号的影 响 同时也会受到神经元内部其它因素的影响 4 第二章人工神经网络综合评价理论 毋 一i 如 图2 1 神经元模型 f i g2 1n e u r a lm o d e l 在图2 1 中 工i 抛 x n 是神经元的输入 口是神经元的阈值 w y i w f z w n 分别是 神经元对x i x 2 x n 的权重连接 k 是神经元的输出 厂是传递函数 传递函数厂有多种 形式 最常见的有阶跃型 线性型和s 型等 2 t 3 人工神经网络原理及分类 神经元和神经网络的关系是元素与整体的关系 神经元结构非常简单 工作机理也 容易理解 但是用大量神经元组成神经网络就变得非常的复杂 功能也非常奥妙 人工 神经网络的工作原理大致模拟了人脑的工作原理 是模拟生物神经网络功能的一种经验 模型 它首先根据输入的样本信息建立神经元 通过一定的学习准则或自组织进行学习 从而建立相应的非线性数学模型 并不断进行修正 使网络输出结果与实际值的误差越 来越小 最终达到最小的差距 其实质体现了网络输入和其输出之间的一种函数关系 通过选取不同的模型结构和激活函数 可以形成各种不同的人工神经网络 得到不同的 输入输出关系式 人工神经网络最大的特点就在于这种学习和归纳的功能 通过学习算 法来调整网络中的权重 使得相似的输入有相似的输出 从而使神经网络具有泛化能力 同时由于人工神经网络本身的非线性特征 对于专门的问题只需提供相应问题的历史样 本数据供神经网络进行训练和学习 神经网络就可以找出输入输出之问的内在联系 并 把问题的特征反映在神经元之间相互联系的权重中 从而求得问题的解 人工神经网络模型各种各样 现已有数十种不同的模型 从不同的角度可以对这些 模型进行以下的分类 2 4 从网络结构角度可分为前向网络和反馈网络 从网络性能角度可分为连续型和离散型网络 随机型和确定型网络 从学习方式角度可分为有教师学习和无教师学习网络 5 华南理工大学硕士学位论文 按照连接突触性质可分为一阶线性关联网络和高阶非线性关联网络 按照对生物神经系统的层次模拟区分 可分为神经元层次模型 组合式模型 网络层次模型 神经系统层次模型和智能型模型 目前 人工神经网络理论的应用己取得了巨大的进展 在诸如建模 人工智能 自 动控制 模式识别 信号处理 时间序列分析等方面得到广泛的应用 2 2 人工神经网络综合评价原理及优点 鉴于人工神经网络经过反复的学习可以对其环境更为了解 因此神经网络在解决缺 少物理或统计理解 观察数据中存在着统计变化 数据由非线性机制产生等棘手问题的 时候 能提供较为有效的解决方法 现实中的综合评价问题往往亦比较复杂 对于评定要素间的关系 我们无法简单通 过数学公式或定理来论证和了解 我们所掌握的只有输入 评定要素 和输出 评定结 果 数据 各个要素之间有可能相互影响 并且呈现出复杂的非线性关系 这就如黑箱 模型一样 黑箱模型是在对所研究显示系统一无所知的情况下 将显示系统视为 黑匣 子 而仅借助于输入和输出数据 透过数学技巧来确定系统的模式 对于实际的综合 评价问题 人工神经网络正是这样一种很好的黑箱工具 我们可以通过人工神经网络根 据历史的评定要素和评价结果数据来建立评价系统的模型 而且基于人工神经网络的多 指标综合评价方法可以通过神经网络的自学习 自适应能力和强容错性 建立更加接近 人类思维模式的定性和定量相结合的综合评价模型 通过实例训练好的神经网络把专家 的评价思想以连接权的方式赋予网络上 这样该网络不仅可以模拟专家进行定量评价 也可以避免了评价过程中的人为失误 减少人为计取权重和相关系数的主观影响和不确 定性 人工神经网络的非线性处理能力突破了基于线性处理的传统评价方法的局限 在信 息含糊 不完整 存在矛盾等难以运用传统评价方法的复杂环境中 神经网络以其自学 习能力可以很好的完成各种综合评价问题 只要给定足够的训练样本 并且样本集是真 正科学的 具有很强的权威性 则利用合适的神经网络实现多指标综合评价 其结果是 令人信服的 人工神经网络综合评价方法与模糊综合评价方法相比 具有运算速度快 容错性能 强 自学能力强等特点 6 第二章人工神经网络综合评价理论 2 3 基于神经网络的综合评价方法的步骤 一般来说 基于人工神经网络的综合评价方法可以采取以下的步骤 i 1 确定评价指标集 每个指标均作为神经网络中的输入节点 2 选定合适的神经网络算法及确定网络的模型结构 如网络层数等 3 明确评价结果 输出层的节点数为i 4 对指标值进行标准化处理 5 用随机数 一般为 0 1 区间内的数 初始化网络节点的权重和网络阈值 6 将标准化后的指标样本值输入网络 并给出相应的期望输出 7 网络训练 依据选定的神经网络算法计算各层节点的输出及误差 并修正权 重 8 计算误差 当误差小于给定的拟定误差 网络训练结束 否则转到 7 继 续训练 9 训练后的网络及权重就可以用于正式的评价 2 4 本章小结 本章介绍了人工神经网络理论的基本知识及模型结构 并谈论了如何在现实综合评 价问题中应用人工神经网络理论及其与传统评价方法相比较所具有的优势 人工神经网 络技术能较好的模拟专家评价的全过程 有机的结合知识获取 专家系统和模糊推理等 功能 克服了人为确定权重的困难及模糊性和随机性的影响 是一种智能综合评价方法 霉 也将是实现多指标综合评价的一条有效途径 该方法将具有广阔的应用前景 华南理工大学硕士学位论文 第三章径向基函数神经网络 1 9 8 5 年 p o w e r 提出了多变量插值的径向基函数算法r b f r a d i a l b a s i sf u n c t i o n 方法 s 1 1 9 8 8 年 b m c m l h e a d 和l o w e 首先将径向基函数应用于神经网络的设计 在 前向网络中 径向基函数网络能实现的映射功能往往最优 6 1 近年来受到业界广泛关注 并在不同应用领域中取得成功 3 1径向基函数神经网络模型 径向基函数神经网络属于多层前向网络 由三层组成 输入层 隐层 输出层 输 入层由信号源结点组成 只传递输入信号到隐层 第二层为隐层 隐层节点由类似于高 斯核函数的辐射状作用函数构成 隐层神经元数视所描述的问题而定 第三层为输出层 为简单的线性函数 它对输入模式做出响应 隐层节点的基函数形式 可以采用各种径向对称的函数 但最典型的形式还是高斯 函数 r a d b a s 删 斗簪l 纠幺 卅 其中膏是n 维输入向量 o 是第i 个基函数的中心 与工具有相同维度的向量 毋 是第i 个基函数的宽度参数 控制基函数的径向作用范围 即方差 决定了该基函数围 绕中心点的宽度 e 戴 图3 1r b f 神经网络 f i g3 1r b f n e u r a ln e t w o r k r 径向基函数神经网络利用了这样的数学基础 分类问题在高维空间 在某种特殊意 义下的 比在低维空间中更可能是线性可分的 构成r b f 网络的基本思想是 用径向 基函数作为隐层神经元的 基 构成隐含层空间 隐层节点的基函数对输入信号将在局 第三章径向基函数神经网络 部产生响应 当输入信号靠近基函数的中央范围时 隐层节点将产生较大的输出 这样 就可将输入矢量直接 即不通过权连接 映射到隐空问 当r b f 的中心确定后 这种 映射关系也就确定了 而隐含层空间到输出层空间的映射是线性的 即网络的输出是隐 层神经元输出的线性加权和 此处的权为网络的可调参数 由此可见 从总体上来说 网络由输入到输出的映射是非线性的 而网络对可调参数而言是线性的 这样网络的权 重就可由线性方程组解出或用r l s 递推最小二乘 方法递推计算 从而大大加快学习 速度并避免局部极小问题 目前已经证明 径向基函数神经网络能够以任意精度逼近任 意连续函数 3 此外 由于径向基函数神经网络的权重算法是单层进行的 采用了聚类的功能 由 训练得到输入数据的聚类中心 再通过a 值来调节基函数的灵敏度 也就是r b f 曲线 的宽度 虽然网络结构看上去是全连接的 实际工作时网络却是局部工作的 即对输入 的一组数据 网络只有 个神经元被激活 其他神经元被激活的程度可忽略 所以r b f 网络是 个局部逼近网络 这使得它的训练速度要比b p 网络快2 3 个数量级i 刀 径向基函数神经网络的结构非常简单 训练和学习收敛速度都比较快 并且能逼近 任意的非线性函数 如果要实现相同功能 虽然径向基函数神经网络的神经元个数可能 要比b p 网络的神经元个数要多 但所需要的训练时间却要比b p 网络少 所以更适合 用于解决分类和模式识别等问题 此外 径向基函数神经网络还具有结构自适应确定 输出与初始权重无关的特点 3 2径向基函数神经网络的学习方法 径向基函数神经网络需要学习的参数有 隐层基函数的中心 方差以及隐层单元到 输出单元的权值 8 1 r b f 网络的学习方法有很多 其中最常用的有 随机选取中心法 在随机选取中心法中 隐层基函数的中心是固定的 随机在输入样本中选取 需要 学习的参数只有方差和权值两个 因此这种方法仅适用于训练样本具有典型性时 自组织选取中心法 自组织选取中心法由两个阶段组成 首先需要自组织学习隐层基函数的中心与方 差 这一阶段比较多使用m o o d y 和d a r k e n l 9 提出的k 均值聚类算法来完成 然后再通 过l i d s 方法有监督学习输出层权值 由于k 一均值聚类算法本质上是双行程算法 所以需 要较多的计算时间 1 0 j 9 华南理工大学硕士学位论文 有监督选取中心法 有监督选取中心法是径向基函数神经网络另一种较常用的学习方法 隐层基函数中 心和其它参数都通过有监督的学习来确定 误差纠正r b f 学习算法就属于有监督选取 中心法的一种 m a t l 国中的神经网络工具箱中的n e w r b o 函数就是利用这种算法编制 的r b f 学习函数 其输入变量包括 网络的输入和输出 目标误差 扩展常数 正交最 j 乘法 正交最小二乘法 o l s 0 r t h o g o n a ll e a s ts q u a r e 由s c h e n 等人 i l 提出 该算 法无需事先确定隐层节点的个数 隐层基函数的中心及个数完全在训练时确定 0 l s 算 法采用了 信息一贡献 准则的正交化方法优选中心 其基本思想是 1 2 l 基函数中心矢量 直接从训练样本输入矢量中选取 一次选择一个样本 所有的训练数据都是中心矢量的 挑选对象 通过正交化回归矩阵p 的各分量只 尸的第j 列 选择带来误差压缩比大的 回归算子 并通过选定的容差确定回归算子数 进而求出网络权值 具有简单 易行和 运算速度快的特点 m a t l a b 的s o l v e r b 函数就是根据正交最小二乘法编写的 3 3 概率神经网络 概率神经网络 p n n p r o b a b i l i s t i en e u r a ln e t w o r k s 由d f s p e c h t 博士在1 9 8 9 年 提出 1 3 1 是径向基函数网络的一种变化形式 理论依据是贝叶斯最小风险准则 贝叶斯 决策理论1 概率神经网络可以利用线性学习算法来完成非线性算法所做的工作 但又 同时保持非线性算法的高精度 由于其结构简单 训练快捷 所以特别适合用于解决模 式分类的问题 概率神经网络为4 层的前向网络 第一层为输入层 它将样本完全不变地传给模式 层的各个节点 模式层首先将输入节点传来的输入进行加权求和 然后通过非线性算子 见公式3 2 运算后传给累加层 其中盯为平滑系数 五 d 一引 3 2 累加层则由竞争神经元组成 把对应于训练样本中同一类的模式层传来的输入进行累 加 然后输出表示概率的向量 第四层的输出层 也称决策层 它通过计算累加层输出 概率综合来计算最终的二值输出值 其中概率最大值的那一类为1 其余类别用0 表示 1 0 第三章径向基函数神经网络 图3 2 概率神经网络结构 f i g3 2a r c h i t e c t u r eo ft h ep n n 许多研究己表明概率神经网络具有如下特性 1 训练容易 收敛速度快 从而非常适用于实时处理 2 可以完成任意的非线性变换 所形成的判决曲面与贝叶斯最优准则下的曲面 相接近 3 具有很强的容错性 4 模式层的传递函数可以选用各种用来估计概率密度的核函数 并且分类结果 对核函数的形式不敏感 5 各层神经元的数目比较固定 因而易于硬件实现 3 4 本章小结 本章简单介绍了r b f 径向基函数神经网络及其变化形式的概率神经网络的基本原 理和常用学习算法 由于径向基函数神经网络能够逼近任意的非线性函数 较好的处理 系统内在的难以解释的规律性 并且进行局部逼近 具有极快的学习收敛速度 因此 r b f 网络十分适合于模式分类问题的解决 华南理工大学硕士学位论文 第四章中学生综合素质评价的神经网络模型设计 4 1中学生综合素质评价实例分析 建立神经网络的学生综合素质评价模型 必须以足够多的并且真正科学 具有权威 性的历史样本数据作为基础 因此本项目中 选取了2 0 0 5 年广州市东山区初中毕业生 综合表现评定中2 1 9 个学生的真实数据作为历史样本数据 供神经网络进行训练和学习 以此找出学生综合素质评价模型中输入输出之间的内在联系 这些数据都是通过各中学的班级学生评定小组和教师评定小组根据全区统考科目 的结果 学生的平时成绩 各项活动表现 成长记录 特长和潜能以及各种经教育行政 部门承认的奖励等重要依据 针对各项评定内容 见表4 一1 评定并录入电脑 再运用 专家打分评价法得出最终的评定结果 整个综合评定过程注重以实证性材料和数据为基 础 评定时注重坚持学生的自我评价 同学互评与教师评价相结合的方法 提高了评价 结果的公信力 因此历史样本数据具有一定的科学性 典型性和代表性 4 1 1 评价内容指标 本文根据 教育部关于积极推进中小学评价与考试制度改革的通知 和 广东省基 础教育课程改革实验区2 0 0 5 年初中毕业考试与高中招生制度改革的指导意见 以 教 育部关于积极推进中小学评价与考试制度改革的通知 中的基础性发展目标为基本依 据 把初中毕业生综合表现评定内容分为了六个方面1 3 个具体评价要素 1 4 每个要素 都有具体的关键表现 评定标准及操作说明见表4 1 1 2 第四章中学生综合素质评价的神经网络模型设计 表4 l 初中学生综合表现评定具体评价要素 t a b l e4 lt h ee l e m e n t so f s t u d e n t sg e n e r a lc h a r a c t e re v a l u a t i o n 维度 指标 评价要素 编号 道德素养道德品质 i 团队精神 n 公民素养 法纪观念 i i i 学习能力 文化素养 平时成绩v 参与态度 综合实践活动 信息技术运用 v i i 体质健康水平 运动与健康 参与与合作 平时成绩x 能力表现 审美与表现活动参与 平时成绩 x l l i 4 1 2 评价等级 每个评价要素根据学生的日常表现为依据 通过学生评定小组和教师评定小组进行 客观公正的评定 用a 优秀 b 良好 c 合格 d 不合格 四个等级呈现 学生最终的评定结果也是以a b c d 四个等级呈现表达 当1 3 个单项评价要素都为a 时 则学生综合表现评定的结果必然为优秀 其它等级亦是如此 a b c d 四个等级的比例分 别约为 3 0 5 5 1 0 5 其中d 级严格控制在5 内 华南理工大学硕士学位论文 表4 2 部分样本数据 t a b l e4 2p a r to fd a t as a m p l e 期望评价 学号ii i v v i i x x 结果 2 0 0 2 2 0 2 0 l oababbbbabbbbab 2 0 0 2 2 0 2 0 11bbaabababbbaab 2 0 0 2 2 0 2 0 1 2babbabcbabbcbb 2 0 0 2 2 0 2 0 1 3a abba aaa aa aaba 2 0 0 2 2 0 2 0 1 4abaaaabbaaabab 2 0 0 2 2 0 2 0 1 5bbbaabbbbabbbb 2 0 0 2 2 0 2 0 1 6babbabbbabbbbb 2 0 0 2 2 0 2 0 1 7ccbbcbbaabbbbc 2 0 0 2 2 0 2 0 1 8a aaaa aaaccbcab 2 0 0 2 2 0 2 0 1 9aaaaaaaaabaaaa 2 0 0 2 2 0 2 0 2 0bbbbbbbbbbbbbb 2 0 0 2 2 0 2 0 2 laabbaaaaaaaaba 2 0 0 2 2 0 2 0 2 2abaaaabbaaab a b 2 0 0 2 2 0 2 0 2 3aaabaaaaab aaa a 2 0 0 2 2 0 2 0 2 4aaaaaabba b acab 2 0 0 2 2 0 2 0 2 5abaaaabbaaabab 2 0 0 2 2 0 2 0 2 6aaababaaaaaabb 2 0 0 2 2 0 2 0 2 7abaab ababbbaab 2 0 0 2 2 0 2 0 2 8baaaa a abcb aaa b 2 0 0 2 2 0 2 0 2 9aa ab dbbdbcbaac 4 2 神经网络算法选择 第三章中介绍过的径向基函数神经网络以其特点非常适合用于模式分类 所以本项 目选取径向基函数神经网络作为学生综合素质评价模型 但由于径向基函数神经网络有 多种学习方法和算法 选定合适的r b f 神经网络学习方法是有效实现学生综合素质评 1 4 第四章中学生综合素质评价的神经网络模型设计 价的关键 所以在接下来的仿真测试中将分别通过有监督选取中心法的r b f 神经网络 正交最小二乘法的r b f 神经网络和p n n 概率神经网络建立相应的学生综合素质评价的 人工神经网络 并通过准备好的2 1 9 个历史样本数据进行网络仿真 最终根据仿真测试 的结果进行比较 验证基于径向基函数神经网络的学生综合素质评价的可行性 并选择 其中一种作为本系统的神经网络模型 4 3网络仿真测试 本次仿真测试是基于m a t l a b 6 5 进行 m a l l a b 是美国m a t h w o r k s 公司在1 9 8 4 年推 出的数值计算和仿真分析软件 m a t l a b 5 n c 开始提供了强大的神经网络工具箱 神经网络 工具箱中包含了丰富的工具函数 涵盖了现有的大部分神经网络模型 如 感知器模型 线性滤波器 b p 网络模型 径向基网络模型 自组织网络 反馈网络等 m a t l a b 已经 成为工程人员进行神经网络分析与设计的首选 4 3 1 仿真训练样本和测试方法 为了能找出综合素质评价中各指标要素之间的内在联系 需要准备足够多的历史样 本数据供神经网络进行训练和仿真 而且训练样本的代表性直接影响着神经网络的评价 质量和泛化能力 这次准备用于网络训练 仿真的2 1 9 个2 0 0 5 年广州市东山区初中毕 业生综合表现评定数据都是从越秀区 原东山区 招生办公室的数据库中选取的 神经网络模型要求有一定的训练样本 训练样本的数量和质量在很大程度上影响着 神经网络模型的学习性能 训练样本数越多 训练得到的结果越能正确的反映网络的规 律 但如果过多的训练样本 又会影响到网络的学习速度 所以每次仿真测试 均从这 2 1 9 个学生数据中随机选取5 0 个作为训练样本 然后用m a t l a b 中有关的神经网络模型 和函数构建一个新的网络 并由网络自动根据训练样本的输入向量和期望值进行调整 网络训练训练完毕后 应用s in 函数对2 1 9 个数据的输入向量进行仿真 得到相应的 网络输出 并与期望值进行比较和统计 每一组测试都进行1 2 次的仿真测试 然后对 其进行综合比较得出结论 4 3 2网络仿真的准备工作 4 3 2 1网络仿真函数m a t l a b 的神经网络工具箱中提供了创建监督选取中心法的 r b f 神经网络 正交最小二乘法的r b f 神经网络和p n n 概率神经网络的函数 n e w r b 0 函数 n e w r b 0 函数是用于有效设计r b f 神经网络的 该函数采用监督选取中心的学习方 华南理工大学硕士学位论文 法 n e t n e w r b 只乃缓期厶s 瑚蟹 功 4 一i 其中 是网络输入向量 r 是期望输出向量 g o a l 是训练精度盎h 匝舳l 是散布常数 输 出的n e t 是一个径向基网络 其权值和阈值完全满足输入和期望值关系要求 n e w r b 0 函数通过自动增加隐层的径向基神经元数目 直到均方差满足训练精度或者神经元数目 达到最大为止 每次增加一个径向基神经元 都能最大程度的降低网络的误差 s o l v e r b0 函数 s o l v e r b0 函数是根据正交最小二乘法编写的r b f 神经网络创建函数 吐b l w z b 2 刀 e r r s o l v e r b 只z p fm a x e p o c hg o a l 厨坭溯 4 2 b f 是网络学习过程的显示频率 i a x e p o c h 则是网络最大训练步数 n e w p n n 函数 n e w p n no 函数用于设计概率神经网络 其s p r e a d 默认值为0 1 n e t n e w p n n 只zs p z e a 功 4 3 4 3 2 2 评价指标值的标准化处理因为在学生综合素质评价中 被评学生的各个评 价指标值之间没有统一的度量标准 我们仅通过a b c d 四等级来定性描述各评价指标 由于不是量值 因而较难进行直接的比较和分析 所以在进行综合评价前 需要将评价 指标变量进行规范化处理 把各指标按某种隶属函数将其数字化到某一无量纲区问 l 对于n o w r b o 和s o l v e r b0 函数创建的径向基函数神经网络 参考