神经网络教学精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的神经网络教学主题范文，仅供参考，欢迎阅读并收藏。

第1篇：神经网络教学范文

关键词：BP 神经网络 教学评价 模型构建 评价方法

中图分类号：TP183 文献标识码：A 文章编号：1672-3791（2013）06（c）-0200-01

BP神经网络是一种单向多层前馈人工神经网络模型，可以实现任何复杂的、多因素、不确定和非线性的映射关系，是目前应用最广泛的人工神经网络模型之一。通过这种梯度下降算法不断地修正网络各层之间的连接权值和阈值，从而实现期望输出值与实际输出值之间的误差达到最小或者小于某一个阈值[1～2]。

本文的研究目标是通过对现有评价指标、评价方法的分析，建立有效的教学评价模型，并实现相应的网上教学评价系统设计。结合BP神经网络，给出了一种非线性的教学评价模型，训练好的BP网络模型根据测评数据，就可得到对评价对象的评价结果，实现定性与定量的有效结合。

1 BP神经网络模型

（1）输入/输出节点。输入/输出节点是与样本直接相关的。根据沈阳工业大学教学质量评估指标体系，将二级评价指标作为模型的输入神经元，因此系统的输入层神经元的个数为二级指标的个数。将评价结果作网络的输出，输出层神经元个数为1。

（2）层数。由于BP网络的功能实际上是通过网络输入到网络输出的计算来完成的，因此隐含层数越多，神经网络学习速度就越慢。但是只含有一个隐含层的BP网络就可以逼近任意的非线性函数。因此，本文选取结构相对简单的3层BP网络，即隐含层只有一个。

（3）隐含层神经元个数。隐含层单元个数与问题的要求以及输入输出单元个数有直接的关系。隐层单元过多将会导致神经网络训练时间过长、误差不易控制及容错性差等问题。本文采用公式2.1计算得出隐含层神经元个数。

4）激活函数 BP网络的非线性逼近能力是通过S型的激活函数来体现出来的，所以隐含层中一般采用S型的激活函数，输出层的激活函数可以采用线性或S型[3]。S型激活函数为

该函数值在[-1，1]范围内变化很剧烈，而超出这个范围即处于不灵敏区，变化则相当平缓。因此为使得进入不灵敏区的误差函数有所改变，迅速退出不灵敏区，保证训练网络的快速性，尽可能使所有输入值都在灵敏变化段中，一般需在该公式中引进参数。本文的神经网络算法即在此部分进行改进。

2 基于BP神经网络的教学评价模型构建

本文由公式2.1计算得出隐含层节点数为4（这里考虑了下述16个指标可以分为4组）。（见表1）

3 改进的BP神经网络算法描述

网络的拓扑结构和训练数据确定之后，总误差函数E的性质特征就完全由激活函数f决定了。改进激活函数，可以改变误差曲面，尽量减少局部极小值的可能性。BP算法的激活函数一般为sigmoid型函数，即。

改进的BP算法是对标准的S型函数引入新的参数，则函数变为，其中系数决定着S型函数的压缩程度。该非线性函数满足如下两个条件：一是连续光滑且具有单调性；二是定义域为，值域为，故符合激活函数要求。而且它使得激活函数曲线变得平坦，方便在或时，避开局部极小，因此该函数具有更好的函数逼近能力以及容错能力。

4 仿真计算与分析

以学生评教数据为输入值，专家评教数据为期望输出值，采用上述算法在Matlab下设计仿真程序对BP模型进行辨识，输入层、隐含层和输出层的结点数分别为16×4×1，激活函数采用变化的S型，学习率=0.99。

通过沈阳某大学教务处所提供的数据进行实验，采用10组样本进行网络训练，并对10位教师进行测评。10样本的评价目标和神经网络辨识分别为差（21.93），及格（44.64），及格（46.94），中（59.87），中（59.11），中（62.35），中（59.83），良（78.93），良（79.56），优（99.12）。结果显示，BP模型对评估的模拟结果比较精确，对整个考核的排序十分有用。因此该模型能较为准确地根据各评价指标来确定教学效果。

5 结论

结合国家高等教育的政策导向以及学校实际，建立了一个基于BP神经网络建立了教学评价模型，引用具有更好函数逼近以及容错能力的改进的BP学习算法，确定指标体系的权重，使评价结果科学合理。

参考文献

第2篇：神经网络教学范文

论文摘要:利用补偿模糊神经网络构建高职院校教师的教学评价模型，借鉴《机械制图》教学过程中总结出的零件制作6个步骤，形成“六步法则”，将其应用于模型构建的整个过程。数据验证结果表明，该模型评价精度较高，有利于合理地对教师教学能力的评价，并将有效地促进学校推行绩效考核机制，促进人才培养质量的提升。

高等职业教育在我国高等教育规模中占半壁江山，在人才培养方面起着举足轻重的作用。如何更快更好地发展高职教育，提高人才培养的质量显得越来越重要。高水平的培养质量归根结底是要建立一支过硬的教师队伍。因此，各高职院校目前十分注重利用绩效考核来促进教师队伍整体水平的提高。所谓绩效考核，就是依据教师岗位职责，对教师是否胜任本岗位工作所规定的政治思想、职业道德、工作实绩等进行全面系统的评价。那么如何通过绩效考核对每位教师进行一个客观、全面的评价呢?这主要依赖于教学评价模型的正确性与合理性。笔者依据多年来的教务管理经验，以及通过教授《机械制图》这门课程得到的启发，采用六步法则与补偿模糊神经网络相结合，实现了教学评价模型的构建，旨在提高评价的合理性与客观性。

1六步法则及其由来

六步法则的由来，是笔者受《机械制图》课程教学的启发而得出的:对于一个零件制作而言，大体经过以下六个步骤:(1)通过“看”来对市场上所出现的类似零件进行比对，比如说用途、特点等;(2)分析其利弊;(3)确定自己制作该零件的方案进行草图绘制:确定绘图的纸张大小等，从而对零件的结构图(主视图、剖面图等)进行细心绘制，最后对细节进行加工;(4)根据绘制的图形，对该零件进行加工;(5)加工样品检验零件的合理性;(6)通过使用不断地对零件进行修改完善。综上所述，零件的加工制作可以归结为:“看、想、画、作、查、改”。其中“画”尤其重要，因为最终图的正确与否将直接关系到产品的质量，影响整个公司的经济效益因此在设计过程中强调的是在正确的前提下注意细而精。对于教学评价也是如此。如果教学评价模型建立的不合理，将直接导致对教师能力评价的不客观、不全面，那么对教师绩效工资的分配将不合理，激励导向效果就不会理想。为此，按照全面质量管理的“三全一多样”的特征，借鉴机械制图的6大步骤，总结得出“六步法则”，运用此法则，对教学评价模型进行构建。

所谓六步法则，是指一看、二分析、三建模、四检验、五实施、六改善。“一看”是指对目前高职院校的教师能力进行全面调查，目前采用教师教学评价机制进行搜索比对;“二分析”是指通过调查之后分析高职院校教师能力体现较为全面的几项重大指标，确定评价的标准;“三建模”是指通过确定的几项评价指标和最终评价结果，采用先进的数学建模方法进行评价模型的建立;“四检验”主要是通过利用建好的模型，采用以前的评价数据、结果进行对比，验证模型的合理性与客观性;“五实施”是指通过验证的模型对目前的教师教学能力进行评价;“六改善”是指在实施过程中对一些细枝末节进行调整、改善，以促进教师教学水平的提高，不断完善绩效考核机制。

2教学评价模型的构建

(1)看。高职院校的教师能力除了需要具备一定的专业知识与技能外，还须具备操作技术及实践经验。最好是“双师型”的教师。在北京召开的第四届高等学校教学名师奖表彰大会上有位名师指出:作为高职院校的教师，既要有扎实的理论知识，更要注重实践经验的积累;既要把握专业领域学术发展前沿，又要与行业及企业保持密切联系，时刻关注行业发展动态。他说:“一名优秀教师需要不断与时俱进，创新课程体系，调整教学内容，既要注重学生基本理论知识的传授、专业技能的培养，还要注重学生的个性发展和综合素质的培养;只有这样，才能获得良好的教学效果，因此，目前评判教师水平主要关注于知识、素质、能力这三方面。

知识结构包括围绕职业岗位的知识、技术，及本专业领域的最新发展动态和职业岗位上的新知识、新技术、新工艺等;素质结构包括良好的道德素质和职业素质，道德素质是树立正确的世界观、人生观和价值观，职业素质是指角色意识、敬业精神、时效意识、团队精神等;能力结构包括教育教学能力、岗位实践能力、现代教育技术使用能力和科研能力等川。

根据确定的评价内容，目前采用的评价体系具有一定的多维性和动态性，评价的方式大多采用“定性”与“定量”相结合的方法，主要有:1)专家评价法，如专家打分综合法。2)运筹学与其他数学方法，如层次分析法、数据包络法、模糊综合评价法、绝对评价法。3)新型评价方法，如人工神经网络评价法、灰色综合评价法、综合评分法。4)组合评价法，这是几种方法混合使用的情况。

(2)分析。教学质量的高低是由多种因素交互作用决定的，但其最主要的因素体现在知识、素质、能力这三方面，因此为了能够较为全面的进行评判，这里采用多主体多角度的评价方式。“多主体”是指教师、学生、专家(含同行)评价和教学主管部门评价以及外聘工程师等。“多角度”是指每个评价主体对应的评价指标不同，即设计的调查问卷不同。其中表1为学生对教师课堂教学的总体评价表。

(3)模型构建。人们在教育评价中所用的方法，可以简单地归结为两大类:定性评价方法和定量评价方法。其中定量评价方法需要用刻一些数学模型对评价对象进行处理。到目前为止，教学评价所用的数学模型主要有确定(性)数学模型、随机(性)数学模型和模糊数学模型三类。具体来讲，确定(性)数学模型有线性规划、动态规划、数据包络分析、层次分析方法等;随机(性)数学模型有回归分析、因素分析、聚类分析、齐次马尔科夫链等;模糊数学模型有模糊综合评判模型、模糊积分模型、灰色数学模型等。在教育评价中，上述方法均有各自比较适宜的评价对象.

在融合模糊理论和神经网络技术的基础上，通过补偿神经元来执行补偿模糊推理，动态地调整模糊规则，从而形成了一种新的网络—补偿模糊神经网络，由此进行教学评价模型的构建。

1补偿模糊神经网络的特点

采用补偿模糊神经网络对某=系统进行辨识时，不需要事先知道索统的精确的数学模型，它能借助于人类的模糊推理知识以及神经网络的逼近性能来实现对过程的建模。它拥有许多优点，如鲁棒性、无需模型、全局逼近。 2)模型的建构

:提据高职院校对教师工作素质的要求，结合高职院校的培养目标，采用多Z多角摩多丰体的评价机制，对教师教学质量模型进行合理建构。但是如何制定一个合理的评价指标，是一个七啦复杂而且困难的课题，本文在教育部已有评拈体系的基础上，根据前人研究成果，利用学生对教师的网上评教、教师个人的_自我评价、同行评价以及家评价得分作为模型的输入、(艺‘1一4)，每个评价因子得分范围是，分为三个等级:较差、良好，一优秀。但是如何确定这三个等级的标准，这里采用高斯函数才) ”作为模糊隶属度函数从而对其等级进行划分。其中“，·““(隶属度中‘。·宽度’均属于可调参数。具体建构的教学评价模型如图1所示。

整个模型分为5层，第一层作为评价指标输人层，第二层对评价指标进行分类(较差、良好、优秀)，然后根据模糊推理的规则来推理得出教师教学质量的好坏。

3)模型的训练

运用多年来积累的数据报表，通过聚类分析的方式对数据进行有效性验证，在现有数据的基础上挑选了2000多个样本进行评价模型的训练，采用梯度下降法对模糊隶属度函数中的参数进行训练，其训练过程的误差MSE变化曲线如图2所示。

最后从样本中选取200个样本对其进行验证，结果误差达到了I.5%，精确度较高。

第3篇：神经网络教学范文

面对市场经济，面对城乡一体化建设的大力推进，面对网络和计算机多媒体教育教学环境，面对教育对人才需求质量的提高和素质教育的客观要求，中小学语文教师的自身建设如何进行？中学语文教师应如何实现自我价值？通过学习和教育教学实践，笔者深深地体会到，加强中小学语文教师自身建设，应突出转变教育观念，强化自我的教育与培养，走国际化交流的新路子，以适应时代对中小学语文教师提出的新要求，适应素质教育对中小学语文教师的需求。

1 努力转变教育观念

众所周知，提高教育质量的关键在于教师。中小学师资队伍建设，关键在于培养一大批职业道德意识强、文化基础宽厚、学科知识丰富、教育教学水平高且具有较高实践动手操作能力的高质量的教师。中小学教师要以教书育人、为人师表为天职，树立良好的师德、教风，同时要做到4个转变。

1.1 由知识型向能力型转变

中小学教师不仅要传“道”，更要具有较强的职业道德品质和教育教学能力，并且注重学生的综合素质能力培养和自立、自强、自我成才能力的培养。较强的教育教学能力要求中小学教师在教育教学过程中注意学生主观能动性的发挥，通过运用网络、计算机等多种先进的教学手段，既能培养学生浓厚的学习语文的兴趣，又能提高其分析问题、解决问题的综合能力；既要培养学生的一般学习能力，又要培养学生的创新思维能力和创造能力；既要培养学生灵活的思维能力，又要培养学生的多种综合素质和品质，使学生能够在激烈的市场经济竞争和升学压力中生存，以满足社会对各种人才的需求，满足学生对高知识、高能力的需求，满足学生健全人格的需要，满足学生健康成长的需要。

1.2 由封闭型向开放型转变

在网络和计算机时代，先进的教学手段和理念赋予中小学教学的教学水平以新的内涵。因此，中小学教师不能满足于已有的教学水平，要勤奋学习，积极走出校门，通过网络和教学资源、平台向先进教师学习，学习他们先进的教学手段、先进的教学方法和先进的教学理念，掌握并由会学转化到会教上去。同时，中小学语文教师应主动进行教学方法、手段、策略和模式等方面的研究，达到教师由“教会”到“会教”，学生由“学会”到“会学”的更高层次转变。

1.3 由单纯的师生关系向新型的师生关系转变

网络和计算机时代，已经将教师与学生之间的界限变得模糊不清了，这就是教师既是教育教学者，也是学习与研究者，学生也是学习者，更是对问题的探求者，与教师共同研究者。教师要热爱学生，学生应高度拥护教师的教学，使课堂教学成为教师与学生共同学习与研究的战场，成为共同成才的平台。比如，对于同一个问题，由于理解的角度不同，教师和学生的看法或者理解会截然不同，这样，教师与学生就不能争执不下，而是应通过网络查询、外出请教，共同学习与掌握，使师生关系变得更贴近现代教育发展的需求。

2 强化教师自身培训培养

教师的培训培养是提高教师素质的途径之一。加强中小学教师的培训和培养工作，国家、省、市、县已做了大量的工作，包括山东省启动的中小学网络培训就是最好的实例。大量的中小学教师通过教学业务培训与培养，在教育教学的理念、实践能力、操作技能、现代教育手段的运用、教育教学方法的改革、师德等方面，都有了很大程度的提高，为全面实施素质教育提供了重要的思想、理论和实践保障。

中小学教师的培训培养，单单依靠国家和上级的组织是远远满足不了要求的，还必须立足自己的教育教学实际，面对经济全球化、网络和计算机时代的发展，开展行之有效而又适合本人需要的培训培养工作。

首先，中小学教师要人人建立培训与培养计划，参加适合自己的业务学习与知识拓展学习，像学历进修、学科学习和师德学习等。

其次，要积极参与上级组织的业务学习，学习课程体系建设下的新课程内容，学习课程改革的总体思路，学习先进的教育教学方法。

第三，要积极开展多学科的学习，丰富自己教学知识的同时，满足日益发展的中小学学生学习的需求。

第四，要开展先进教学技能的学习，通过学习，掌握计算机、网络环境下的教学策略和方法，并通过自己的努力，从教材和学生的学习出发，制作适合中小学生学习需求的各种或者各科教学电子课件，以丰富课堂教学，推进课堂教学改革，提高课堂教学质量。

第五，要学习现代教育心理学，通过掌握现代教育心理学的有关知识，掌握科学的教育方法，并通过分化心理、瓦解难点、提升能力进行对学生的全面教育，实现教育的整体性。

3 适应国际合作交流的需求，全面了解和掌握世界教育教学新动向

经济全球化，网络和计算机发展，城乡一体化进程的大力推进，文化建设与发展，精神文明建设的高标准要求和现代文明社区的建设，都给教育事业的建设与发展带来前所未有的发展机遇，不仅加快了我国教育与世界各国教育的交流与合作，促进教育均衡发展，助推教育教学改革与实现素质教育，而且也为实现城乡教育一体化均衡发展注入新的活力。尤其是党的“十”，对教育提出更高的要求，城乡统筹建设、名校建设、村镇学校建设等纳入教育发展规划之列。同时，对国际教育发展与交流提出新的要求，大大激发教育自身的快速发展。这就为教育的交流与学习，特别是国际交流与学习提出新的挑战。

对于作为基础教育的中小学语文教学，教师应抓住这一特色，积极创造条件或者努力实现适应国际合作办学交流的需求，走出国门，继续深造，为素质教育与基础教育的科学发展，储备教育教学能量，并提升自我价值。中小学教师要努力学习教育理论和学科知识，积极创造条件走出国门，到国外学校学习与吸收先进的教育理念，学习与掌握现代教育手段，学习与消化国外先进的教育思想，掌握国外的教育内涵，并通过回国的教育实践，创造一个新的教学平台，实现教育国际化的新理念。

中小学校也应吸收国外教育资源或者引进国外教师来华参与教学研究、教学实践与教学改革，一方面实现对国外资源的利用，另一方面做到中外教育资源互利，共同营造对中学生进行创新教育、能力教育的良好环境。

网络和计算机环境赋予现代教育资源以新的平台，中小学教师可以不出家门、不出国门、不出办公室就达到共同学习的目的。特别是对于先进学校的教育资源，可以直接嫁接，也可以间接学习，既方便了自身能力的提高，也是一种教学思想的进步。

4 结语

第4篇：神经网络教学范文

法，并介绍了在TMS320C540

>> 一种新的基于改进的ADALINE神经网络的DTHF解码器方案 AVS解码器流水线控制机制的一种改进设计 一种SoC架构的AVS硬件解码器设计方案 一种基于BP神经网络整定的PID控制器的算法改进 一种基于改进的BP神经网络的入侵检测方法 基于一种改进BP神经网络算法的教学质量评价研究 一种基于ART2神经网络的算法改进 一种基于改进BP神经网络预测T/R组件温度的方法 一种基于改进神经网络的高效模糊聚类算法 一种基于模糊神经网络的印刷品字符识别器 一种基于遗传神经网络文本分类器的研究 一种新的基于灰色关联分析的BP神经网络剪枝算法 一种新的基于神经网络的IRT项目参数估计模型 一种基于短语统计机器翻译的高效柱搜索解码器 一种基于SOM神经网络的污水处理工艺方案比选方法 一种基于BP神经网络的数控机床伺服系统控制器 一种改进的BP神经网络算法在入侵检测中的应用 一种改进的BP神经网络车牌识别算法的研究 一种改进的BP神经网络算法分析 一种ART2神经网络的改进算法 常见问题解答 当前所在位置：中国 > 科技 > 一种新的基于改进的ADALINE神经网络的DTHF解码器方案 一种新的基于改进的ADALINE神经网络的DTHF解码器方案 杂志之家、写作服务和杂志订阅支持对公帐户付款！安全又可靠！ document.write("作者：未知 如您是作者，请告知我们")

申明:本网站内容仅用于学术交流，如有侵犯您的权益，请及时告知我们，本站将立即删除有关内容。 摘 要：本文提出了一种新的基于改进的AD址INE神经网络DTMF信号检测算

法，并介绍了在TMS320C5402和TLV320AICl0上采用此算法的DTMF

第5篇：神经网络教学范文

关键词：煤矿 渐进神经网络 煤与瓦斯突出

1 概述

对于煤矿各煤层的煤与瓦斯突出危险性的区域预测，一般是先确定突出危险性参数，建立一个初步的预测模型，然后根据该矿区已经发生的煤与瓦斯突出事故的情况来不断验证，直到得到合理的区域预测模型，这样整个区域预测模型的建立需要做大量调试，耗费很长的时间。

本文尝试利用渐进神经网络的特点，建立利用结果反求矿井的煤与瓦斯突出危险性区域预测模型，使得建立的模型能更加适合不同矿井发生煤与瓦斯突出的实际情况。此外，还能大大减少模型调试所消耗的大量时间[3]。

2 关于建立煤与瓦斯突出区域预测模型的分析

目前为止，国内外对影响煤与瓦斯突出参数的问题进行了很多研究，而随着力学、动力学理论等学科的发展，分析矿井煤与瓦斯突出是如何发生的方法也越来越多。在众多的突出理论中，能让从事该行业的绝大多数人认同和接受的就是综合假说。

综合假说的主要理论是：煤与瓦斯突出是矿井中一种极其复杂的动力现象，它包括三个因素：地应力、高压瓦斯和煤的结构性能，它的发生是三个主要因素综合作用的结果。

从能量转换角度分析，突出的能量来自煤岩体弹性弹性潜能和煤体中的瓦斯膨胀能，这些能量在突出过程中主要转换为煤体的破碎功和碎煤在巷道中的移动功等。因此，在由煤岩层和瓦斯组成的这样一个力学系统中，就有四种相互作用和相互转化的能量体系，它们之间的消长关系够长了煤与瓦斯突出全过程的能量条件。当煤岩体弹性潜能和煤体中的瓦斯膨胀能大于煤体的破坏功和移动功时，就发生煤与瓦斯突出，否则就不发生。

3 基于渐进神经网络的煤与瓦斯突出危险区域预测模型的建立

神经网络是由大量的神经元相连接的网络，针对影响煤与瓦斯突出的地应力、瓦斯压力、煤体结构的复杂关系，通过对渐进神经网络的训练、控制和识辩可以反求到影响不同矿井对煤与瓦斯突出影响的参数及其权重值[2]。

基于地应力、瓦斯压力、煤体结构参数反求流程如图1所示。假设模型的各项参数为某一组数值，可以仿真得到相应的突出参数的神经网络的初始训练样本，将各种参数值Xm输入神经网络，即可反求得到对于的参数Yi，并将其作为煤与瓦斯突出的影响参数，可以得到影响参数的计算值Xn。如果计算值Xm和测量值Xn偏差超过许可误差，必须重新选取样本，对神经网络在训练，直到计算值Xm和测量值Xn的偏差在许可范围内，即为反求得到的煤与瓦斯突出影响参数Yj。

神经网络模型的结构，需要根据具体求解问题的复杂程度决定[3]。图2为煤与瓦斯突出影响参数反求的神经网络结构，神经网络由可能代表影响煤与瓦斯突出因素的N个输入单元组成输入层，网络的输出层由实际代表影响煤与瓦斯突出的M个单元组成，网络还包含一个隐含层。通过神经网络可以建立影响煤与瓦斯突出因素的非线性关系：

神经网络的训练，就是根据训练样本来计算权值矩阵W，根据求出影响参数及权值矩阵计算煤层的突出危险性程度。神经网络训练以后，不管实际问题怎么复杂，神经网络都可以快速的计算输出变量，因此，神经网络是适合用于煤与瓦斯突出危险性区域预测模型的建立的。

4 结论

本文应用反求的思想，从满足预测的观点出发，通过建立渐进神经网络的方法来反求满足不同矿区实际情况的突出危险性区域预测模型，从而反求出影响不同煤矿的煤与瓦斯突出危险性的影响参数，从而避免了建立煤与瓦斯突出危险性区域预测模型过程中繁杂的调试过程，缩短了该模型建立过程，并使得区域预测模型具有较好的针对性及预测效果。

参考文献：

[1]候媛彬，杜京义，汪梅.神经网络[M].西安电子科技大学出版社.

[2]张青贵.人工神经网络导论[M].中国水利水电出版社.

[3]刘海波，施式亮等.人工神经网络对矿山安全状态的评判能力分析[J].安全与环境学报，2004（5）：69～72.

[4]胡千庭，邹银辉等.瓦斯含量法预测突出危险新技术[J].煤炭学报，2007（3）：277～280.

第6篇：神经网络教学范文

关键词：模糊神经网络;企业水环境;评价

收稿日期：20120410

基金项目：国家自然科学基金资助项目(编号:41101080);山东省自然科学基金资助项目(编号:ZR2011DQ009);山东省研究生教育创新计划

项目(编号:SDYC11147)资助

作者简介：朱敏（1974—），女,湖南常德人,工程师,主要从事企业水环境研究工作。

通讯作者：李锐（1963—），男,湖南新化人,教授,博导,主要从事环境经济学方面的教学与研究工作。中图分类号：X73文献标识码：A文章编号：16749944(2012)05015003

1引言

随着经济的发展和污染负荷的增加,人们认识到浓度控制已不能从根本上解决污染问题。而我国对水环境的研究,也主要集中在对水源地的分析和控制中。随着工业企业对水环境的重视,开始逐步尝试用处理过的中水进行循环使用,但是对多指标的水质评价缺乏定性的判断。而在对水环境的评价方法中,由于参与的评价因子众多,并且与水质等级之间存在的是非常复杂的非线性关系,所以至今都没有形成统一的方法。常规的地下水水质评价方法有综合指数法、模糊综合评价法、灰色聚类法等［1］,这些方法都还存在着一些不足。近年来,随着神经网络的发展,国内外很多从事地下水研究的学者将神经网络引入水质评价中,取得了较好的评价效果,表明研究神经网络处理水质评价具有非常现实的意义。

模糊理论和神经网络技术是近几年来人工智能研究较为活跃的两个领域［2］。模糊神经网络(Fuzzy Neural Network,FNN)是在神经网络(Neural Network,NN)和模糊系统(Fuzzy System,FS)的基础上发展起来的,二者的融合弥补了神经网络在模糊数据处理方面的不足和模糊逻辑在学习方面的缺陷,是一个集语言计算、逻辑推理、分布式处理和非线性动力学过程为一身的系统［3,4］。本文使用这种方法来评价某企业水环境质量,通过MATLAB R2011b 编程实现,其工具箱函数提供了归一化函数mapminmax等,该仿真结果表明,系统具有较好的客观性和预测性。

2模糊神经网络原理

模糊神经网络是一种集模糊逻辑推理的强大结构性知识表达能力与神经网络的强大自学习能力于一体的新技术,它是模糊逻辑推理与神经网络有机结合的产物［6,7］。

2.1模糊数学方法

模糊集概念是模糊数学的特征函数处于中介状态,并用隶属函数表示模糊集。模糊数学是用来描述、研究和处理事物所具有的模糊特征的数学。“模糊”是指它的研究对象,而“数学”是指它的研究方法。

模糊数学中最基本的概念是隶属度和模糊隶属度函数。其中,隶属度是指元素u属于模糊子集f的隶属程度,用μf(u)表示,它是一个在［0,1］之间的数,越接近于0,表示μf(u)属于模糊子集u的程度越小;越靠近1,表示u属于模糊子集f的程度越大。

在模糊数学中,运用隶属度来描述客观事物中很多模糊的界限,而隶属度可用隶属函数来表示。比如水质评价中“污染程度”就是一个模糊概念,因此,作为评价污染程度的分类标准也应具有模糊的特征,用一般的评价方法进行分类别,不尽合理,而用模糊概念进行推理就比较符合客观实际［5］。

2.2TakagiSugeno(T-S)模糊模型

TS模糊模型一般用于多个输入和单个输出的情况。该模型是一种自适应能力很强的模糊系统,该系统不仅能自动更新,而且能不断修正模糊子集的隶属函数。TS模糊系统用如下的“if-then”规则形式来定义,在规则为 的情况下,模糊推理如下:

Ri:Ifx1isAi1,x2isAi2，…,xkisAik,then yi=pi1x1+…+pikxk

其中Aij为模糊系统的模糊集,pij(j=1,2,…,k)为模糊系统参数;yi为根据模糊规则得到的输出,输入部分(即if部分)是模糊的,输出部分(即then部分)是确定的,该模糊推理表示输出为输入的线性组合。假设对于输入量x=［x1,x2,…,xk］,首先根据模糊规则计算各输入变量xj的隶属度。

μAij=exp(-(xj-cij)2/bij)j=1,2,…,k;i=1,2,…,n(1)

式中,cij,bij分别为隶属度函数的中心和宽度;k为输入参数数;n为模糊子集数。

将各隶属度进行模糊计算,采用模糊算子为连乘算算子。

wi=μA1j(x1)×μA2j(x2)×…×μAkj(xk),i=1,2,…,n(2)

根据模糊计算结果计算模糊模型的输出值yi。

yi=∑ni=1wi(pi0+pi1x1+…+pikxk)/∑ni=1wi。(3)

2.3TakagiSugeno模糊神经网络模型

TS模糊神经网络分为输入层、模糊化层、模糊规则计算层和输出层等4层。输入层与输入向量xi连接,节点数与输入向量的维数相同。模糊化层采用隶属函数(1)对输入值进行模糊化得到模糊隶属度值μ。模糊规则计算层采用模糊连乘公式(2)计算得到w,输出层采用公式(3)计算得到模糊神经网络的输出。模糊神经网络的学习算法如下。

2.3.1误差计算

e=12(yd-yc)2,(4)

式中,yd是网络期望输出;yc是网络实际输出;e为期望输出和实际输出的误差。

2.3.2系数修正

pij(k)=pij(k-1)-αepij,(5)

epij=(yd-yc)wi/∑mi=1wi×xj。(6)

式中,pij为神经网络系数,α为网络学习率;xj为网络输出参数;wi为输入参数隶属度连乘积。

2.3.3参数修正

cij(k)=cij(k-1)-βecij,(7)

bij(k)-bij(k-1)-βecij。(8)

式中,cjj,bij分别为隶属度函数的中心和宽度。

3企业水环境评价应用

企业的水环境进行评价时,要采用一定的流程和算法。具体见图1,分为模糊神经网络的构建、模糊神经网络训练和模糊神经网络预测。

图1模糊神经网络企业水环境评价算法流程

3.1网络初始化

根据训练输入、输出数据维数确定网络结构,初始化神经网络隶属度函数参数和系数,归一化训练数据。在训练数据归一化时,使用mapminmax函数来实现。

3.2模糊神经网络训练

模糊神经网络训练用训练数据训练模糊神经网络,由于水质评价真实数据比较难确定,印象,采用了等隔均匀分布方式内插水质指标标准数据生成样本的方式来生成训练样本,采用的水质指标标准数据来自表1,网络反复训练100次。

根据GB3838-2002《地表水环境质量标准》,Ⅰ类主要适用于源头水、国家自然保护区;Ⅱ类主要适用于集中式生活引用水地表水源地一级保护区、珍稀水生生物栖息地、鱼虾类产卵场、仔稚幼鱼的索饵场等;Ⅲ类主要适用于集中式生活引用水地表水源地二级保护区、鱼虾类越冬场、泅游通道、水产养殖区等渔业水域及游泳区;Ⅳ类主要适用于一般工业用水区及人体非直接接触的娱乐用水区;Ⅴ类主要适用于农业用水区及一般景观要求水域。

表1地表水环境标准

序号项目Ⅰ类Ⅱ类Ⅲ类Ⅳ类Ⅴ类1化学需氧量(COD)≤15152030502悬浮物 ≤3氨氮 ≤0.50.51.01.52.04总磷 ≤0.020.10.20.30.55pH ≤6~9

因为在企业的水质评价主要指标中,pH值和悬浮物没有具体的定量指标,无法做出正确的判断。因此,确定了化学需氧量(COD)、氨氮和总磷3个评价指标。

3.3模糊神经网络企业水环境评价

用训练好的模糊神经网络评价企业水环境,根据网络预测值评价水质等级。当预测值小于1.5时,水质等级为Ⅰ类;当预测值在1.5~2.5时,水质等级为Ⅱ类;当预测值在2.5~3.5时,水质等级为Ⅲ类;当预测值在3.5~4.5时,水质等级为Ⅳ类;预测值大于4.5时,水质等级为Ⅴ类。

3.4结果分析

调用了企业2010~2011年每月的污水处理数据,其各评价因子的数据折线图见图2。

图2企业水环境数据

采用MATLAB R2011b进行仿真,输入节点数为3,隐含节点数为7,输出节点数为1。仿真结果如图3。图3为模糊神经网络模型训练数据预测仿真结果。该图中显示了实际输出、预测输出和误差。结果显示,该误差范围小于0.01。图4为模糊神经网络模型测试数据预测仿真结果。该图中显示了实际输出、预测输出和误差。结果显示,该误差范围小于0.01。图5为模糊神经网络企业水环境评价结果。

图3模糊神经网络模型训练数据预测仿真结果

图4模糊神经网络测试数据预测仿真结果

从企业水环境评价结果可以看出,目前,企业的水环境有了一定的改善,基本上维持在2~3级左右,说明了模糊神经网络评价的有效性。并且,水质等级的判定可以帮助企业在循环经济和景观建设中打下良好的基础。

图5模糊神经网络企业水环境评价

2012年5月绿色科技第5期4结语

从实际的应用结果可以看出,基于MATLAB编程实现的模糊神经网络方法应用与水质评价取得了良好的评价结果,积极探索了除地下水水质评价外的其它的环境质量评价中,为模糊神经网络提供了一个新的应用空间。

参考文献：

［1］ 谢宏斌.环境质量评价与预测方法的现状［J］.广西水利水电,2001(4):30~33.

［2］ Leontalitis I J.Billings S A.Input-output parametric models for nonlinear systems,part l:deterministic nonlinear systems［J］.Int J Contr,2006,4l(2):303.

［3］ 谢维信,钱法涛.模糊神经网络研究［J］.深圳大学学报,1999,16(1):22~27.

［4］ 王立新.模糊系统与模糊控制教程［M］.北京:清华大学出版社,2003.

［5］ 王鸿杰,尤宾,山官宗光.模糊数学分析方法在水环境评价中的应用［J］.水文,2005(25):30~32.

第7篇：神经网络教学范文

关键词：建筑电气设备故障；模糊理论与神经网络；设备故障诊断专家系统

中图分类号：TP207 文献标识码：A DOI：10.11974/nyyjs.20160132074

随着当今社会经济的不断发展，人们对生活品质的追求越来越高，电气设备变得多样化和先进化，不同区域间联系更加紧密，而在给人们的生活带来便利的同时，简单的人工故障诊断方法已经无法满足结构日益复杂、功能日益完善的电气系统，建立电气设备控制系统智能故障诊断专家系统已经成为目前能满足社会需求的选择。近年来，模糊理论被广泛的应用于建立故障诊断神经网络，将模糊系统与神经网络技术结合而形成的故障诊断技术也正在发展和应用。

1 建筑电气设备常见故障类型及危害

1.1 电气设备常见故障类型

1.1.1 电源故障

1.1.2 线路故障

1.1.3 元器件故障

1.1.4 防雷接地处理故障

1.2 电气设备故障危害

电气设备的运行需要很多电器元件的相互配合，产生故障通常是因为电能或控制信息在传递、分配、转换过程中失去控制。断路、短路、异常接地、漏电、电气设备或电器元件损坏、电子设备受电磁干扰而发生错误动作、控制系统元件的偶然失效都属于电气设备故障[1]，而这些故障也很有可能造成大范围的人员伤亡以及造成严重的财产损失，一旦发生，也会造成其他相关领域不同程度的瘫痪。由此可见，电气设备出现故障的概率较高，危害范围也比较大。

2 神经网络与模糊理论

神经网络是一种模仿动物神经网络行为的特征，进行分布式并行信息处理的算法数学模型[2]。这个模型可以根据不同系统自己的特征来选择处理不同信息的方式，在很多不同领域都有比较广泛的应用，当然，它本身也有一些缺陷，比如它不能求解不确定性问题、不能处理符号性信息等，因此，它需要结合其它相关理论和方法来弥补自身的不足，以便更好地解决特定领域中的问题。

模糊理论是指用到了模糊集合的基本概念或连续隶属度函数的理论[3]。模糊控制是一种基于规则的控制，它可以直接采用语言型控制规则，在设计过程中不需要建立被控对象的精确数学模型，控制原理和策略通俗易懂，便于人们接受与理解，控制效果好，具有一定的智能水平，应用起来很方便，适用于对那些数学模型难以获取、动态特性不易掌握或变化非常显著的对象。模糊控制器是一种比较容易控制、掌握起来比较理想的非线性控制器，具有一定的适应能力和强健性。

将模糊系统与神经网络技术相结合而形成的模糊神经网络可以作为对电气设备进行故障诊断的模型，这一技术的提出为电气设备故障的诊断带来发展和进步，模糊理论被广泛的应用于建立故障诊断神经网络，这2种理论的结合将会给故障诊断研究提供解决思路，值得推广应用[4]。

3 建立电气设备故障诊断系统

由于电气设备故障机理的复杂性，系统在实际运用过程中，可能会发生随机故障模式，故障征兆信息的正确与否直接关系到故障诊断的正确性，因此利用现有的电气设备系统控制平台，对电气设备控制系统的信号进行实时采集和及时与PC 机进行通信，建立电气设备控制系统故障诊断系统便显得特别重要。

3.1 BP神经网络模型

BP（Back Propagation）模型是一种最常用的人工神经网络模型，它的基本原理为利用误差反向传播算法，从而得到多层前向神经网络模型。在故障诊断方面使用BP模型在一定条件下能够加强工作效率，使得故障诊断问题变得更加直观。利用模糊理论与神经网络相结合的模糊神经网络解决建筑电气设备故障的诊断，是一种智能化控制的手段，也将逐渐发展成为未来的趋势[5]。其模型原理图如图1。

要建立模糊神经网络系统，要根据相关理论或实际工作中的经验，将故障现象和故障原因相对应，作为系统的学习样本。按照输入与输出相对应的关系输入学习样本，系统经过内部的算法不断提高精度，当精度达到设定的要求时，模糊神经网络系统的学习过程结束。此时，将测试样本的输入数据放入系统输入端，如果输出数据与测试样本基本相同，那么模糊神经网络系统建立成功。

在模糊神经网络系统的实际使用时，必然会遇到输入数据与样本不同的状况。根据内部算法，系统将会找到与学习样本最相似的一组数据作为参考，自主得到输出数据。与此同时，如果系统自主算出的结果得到采纳，那么这组数据将会做为新的样本存入数据库，成为参考数据。

3.2 BP学习算法

目前，BP算法是应用很广泛、完善性比较高的神经网络训练算法，方便、容易实现、计算量小、并行性强是这个方法领先其他算法的优势。BP算法的基本原理[6]为先求解误差函数的最小值，根据梯度下降法，按误差对权值做负反馈。

BP算法需要依次根据输入对输出进行矫正，也就是对每组数据都要计算比对。然而，全局误差的梯度下降算法，要求连接权和阈值的矫正是在批量进行学习样本的输入之后再进行的，所以要修改各个连接权值。利用梯度下降法来修改各个连接权值，以便达到近似全局误差的算法效果。全局误差梯度下降算法流程如图2所示。

4 结 语

电气设备的故障诊断已经成为值得重视的问题，为保证运行系统能够正常运行，因此需要建立起更加科学完善的电气设备管理系统，逐渐减少电气设备运行出现故障的可能性，保障电力系统的稳定能力，本文简单介绍将模糊理论与神经网络结合，更好的解决电气设备故障问题，结合传感器检测技术、自动控制技术、通信与网络技术等方法，建立电气设备控制故障诊断系统，希望可以早日应用到生活中的建筑电气设备故障诊断中去。

参考文献

[1]电气设备及控制电路常见故障分析[EB]. 电工学习网.

[2]田景文.人工神经网络算法研究与应用[M]. 北京理工大学出版社，2006.

[3]诸静.模糊控制原理与应用[M].机械工业出版社，1995.

[4]龙祥，钱志博.模糊理论在设备故障诊断神经网络中的典型应用[J].广东工业大学学报，2006.

[5]陈流豪.神经网络BP算法研究综述[J].电脑知识与技术，2010.

第8篇：神经网络教学范文

通信工程专业是一个重视实验实践环节的应用型专业，需要大量的动手操作深化理论知识的理解与掌握。专业教师的科研成果与信息技术产业的发展方向有着密切的联系，通过将教师的科研成果引入实验教学，使学生深刻理解专业知识，明晰应用领域，促进了教学与科研的紧密结合。同时，学生参与科研项目，有利于激发学生的创新思维，培养创新能力。

关键词:

科研成果;实验教学;创新思维;创新能力

伴随工业4．0时代的到来，具有创新能力的应用型人才是大势所趋，也是高校人才培养的主要方向。我国《高等教育法》明确指出“培养具有创新精神和实践能力的高级专门人才”是高等教育的主要任务［1］。通信工程专业是一个重视实验、操作性极强的工科专业［2］，实验教学目前多为课内实验［3］，每门专业课结合自身的核心内容或重要知识点设立若干个实验项目，这些实验多是结合课内章节进行设计仿真或利用实验箱动手操作观察实验结果。如“通信原理”课程中的“常规双边带调幅与解调实验”“模拟通信系统实验”等，这样的实验可以使学生直观感受学科基本理论所产生的现象，但是并不利于学生对所学理论的深入理解和知识的融会贯通。很多学生反映每门课程都很用心的学习，对所学每章知识点都很理解，通过实验教学也能很好地验证或观察到结果或现象，学透了理论，联系了实际，但离开书本仍然对所学专业研究的具体内容和应用方向没有概念。究其原因是缺乏承载所学知识的载体，对理论的理解再透彻，也只能推导公式，对具体应用理论解决实际问题仍就一片茫然。随着大学本科教育的普及和研究生教育门槛的提高［4］，当前的实验教学模式已经不能满足学生及社会对实验教学的要求［5］，急需对传统的实验教学方式进行创新和突破，将教师的科研成果引进传统的实验教学，改变传统的照本宣科，将研究生阶段的研究学习模式提前引入本科实验教学，激发学生的创造热情，发掘学生的潜力。

1目前通信工程专业的实验教学模式

实验步骤五分法包括:提出问题、设计方案、实施操作、处理数据、分析和解释结果五个部分，根据学生在整个活动中的参与度，大致分为基础验证性实验、应用设计性实验和科学研究性实验三类［6，7］。

1．1基础验证性实验最为普遍基础验证性实验是目前高校实验教学中占比最大的实验课程设置方式，是学生理解消化理论知识的手段，通过动手，验证理论知识的正确性，解决“为什么”和“怎么做”的问题。教学方式以提示为主，即教师通过讲解、示范、指导等提示活动，学生被动接受、理解、做实验、消化教师所提示的内容。根据实验步骤的五分法，“提出实验问题”“设计实验方案”两步由教师完成，学生完成后三个步骤，学生参与度60%。如“ASK、FSK、PSK(DPSK)调制解调实验”中，教师预设实验目的为“理解ASK、FSK调制的工作原理及电路组成”，设计了实验方案为“观察ASK等调制信号的波形”，学生真正操作的步骤只有将信号源模块、数字调制模块、数字解调模块、同步提取模块、频谱分析模块固定在指定实验箱内，接通电源并观察各种解调模式下的图像即可。简而言之，学生在这个实验中的主要参与行为就是观察，解决的问题就是验证理论，可发挥主观能动性的空间极少，没有创造性。

1．2应用设计性实验比例逐步提升应用设计性实验较基础验证性实验对学生和教师的要求更高，学生的自主性更强，实验结果的多样性对教师评判实验的成功性负担更大，但因其能更好地激发学生的创造性，此种模式的课程设置比例正在逐步增长［8］。与基础验证性实验相比，应用设计性实验要求学生自己设计实验方案，“如何设计”是比“怎么做”更高的要求，教学方式除提示外，师生还需要通过教学对话、课堂讨论等教学形式，共同思考、探求、解决学生设计实验方案中的问题。根据实验步骤的五分法，“提出实验问题”由教师完成，学生完成包括“设计实验方案”的后四个步骤，学生参与度80%。如“模拟信道传输实验”，教师提供实验设备，学生自行设计信道传输的过程，包括信道中噪声的叠加、信号的调制与解调、滤波器的设计等环节，最终完成信号在信道中的传输。由于方案及实践过程均由学生自主完成，学生间也可作为小型竞赛，以信噪比最小的方案为最佳方案，激发学生的学习热情。

1．3本科阶段科学研究性实验较少科学研究性实验是指在不预设结论的情况下，根据所学所知，主动提出问题，并在此基础上设计实验步骤验证问题真伪的实验教学模式。此种模式的实验课程设置在高校本科阶段较少，更多的是在研究生阶段才有所参与。与基础验证性实验及应用设计性实验相比，科学研究性实验的目标是“做什么”比较明确，教学方式不再是教师的提示，而是在学生提出问题和解决问题的过程中，教师采用指导和研讨的方式参与其中，从而在实验过程中最大程度的发挥学生的主观能动性和创造力。根据实验步骤的五分法，从“提出实验问题”到“分析和解释实验结果”几乎全部由学生完成，学生参与度100%。

2科研成果引进实验教学的优势

2．1提升实验教学教师整体层次科研成果是教师科研水平的集中体现，对科研成果转化的期望是科研成果引入实验课程的潜在动力，将科研成果引入实验教学实践，让学生在实验过程中对科研成果的含金量产生感性认知，可以提升教师的成就感。与此同时，将科研成果引入实验教学，也对从事实验教学的教师形成倒逼机制，催生更多优秀科研成果，达到科研和教学相互促进的良性循环。

2．2优化实验课程设置将科研成果引入实验教学，可以优化实验课程设置［9］，在基础验证性实验课程居多的情况下，适度增加应用设计性实验和科学研究性实验，让各种模式的实验课程达到均衡配置，获得最佳的教学效果，培养学生的创造性思维，使学生在大学教育中完成学习———实践———应用的三步转化，适应当前社会对人才的需求。

2．3丰富实验教学内容教学内容必须与时俱进，教学实验课程的设置也应及时更新，科学研究位于专业技术领域的前沿，更能反映出本专业的主要发展趋势。将科研与教学实验相结合，不断充实实验内容，可使实验教学更具新颖性和先进性，解决学生所学课本知识与社会科技发展相脱节的问题［10］。

2．4激发学生创新意识和热情在研究性实验中，教师只给出若干思路，实验前学生并不知道实验结果，由学生根据实验条件和研究目标，自行查阅相关资料，设计实验方案、步骤，处理数据和分析结果，可能实验的结果不如人意，但通过综合训练，使学生对科研的基本方法和过程有了初步的认识和体验，有效调动了学生参与实验的积极性，既提高了学生的动手能力，又使学生养成了自主式、合作式、研究式、开放式学习方式。

2．5增强学生的专业认知通过与学生接触发现，很多学生在报考大学之初根本不知道专业研究什么，学习四年之后对于要报考的研究生专业同样也是一片茫然，因为不了解专业发展方向及研究内容，很大程度上导致了学习的盲目性和个人发展方向的错位。通过将科研成果引入实验教学，使学生在实验教学过程中深入了解本专业最前沿的知识，明确本专业的发展方向，对准确自我定位起到了很好的促进作用。

3改进后实验教学效果显著

天津商业大学通信工程专业将部分科研成果与“通信原理”课程实验相结合，设计了基于Matlab软件的研究性虚拟实验，旨在使学生了解前沿的信号处理、消除干扰等技术。以蚁群算法［11～13］为例，利用其较强的适应性、正反馈性和鲁棒性优化神经网络［14～16］的初始权值，能够有效提高神经网络的收敛速度，避免陷入局部最优，将其用于盲均衡算法［17］进行信号处理，通过Matlab仿真取得了良好的效果。通过实践发现，学生完成实验后，不仅对先进的算法和应用理论有所了解，还通过动手操作及程序的编写增强了实践动手能力，使学生真正体会到学以致用的成就感。

3．1实验问题的提出实验课前，教师将蚁群算法、神经网络、盲均衡算法的基本思想、公式推导、程序分析等提前教授于学生，使其理解消化。对信道传输过程中，信号所受影响及可能存在的畸变加以诠释，使学生对实验背景及应用意义得以了解，也为后续实验提出问题奠定基础。针对神经网络存在收敛速度慢、易陷入局部最优的缺点，引导学生利用具有较强适应性、鲁棒性的蚁群算法对其进行改进，使学生自己找到合适的切入点，将两种算法结合，并应用在信道的盲均衡中，体现其实用价值。

3．2实验内容的设置采用Matlab软件对算法进行编程，给学生提供开放的源代码进行学习，并要求在实验中修改相应的参数评测可靠性。输入信号设为2PAM信号，神经网络结构为7－9－1，仿真信道选取普通信道H1(z)和典型电话信道H2(z)，其传输函数分别为H1(z)=1+0．5z－1+0．25z－2+0．125z－3(1)H2(z)=0．005+0．009z－1－0．024z－2+0．854z－3－0．218z－4+0．049z－5－0．016z－6(2)实验中给出各参数的参考值，系统权值个数Dim=72，蚂蚁数为权值数的2倍，即M=144，最大迭代次数为NC=40，信噪比为20dB，信息素蒸发率ρ=0．02，迭代步长μ1=μ2=0．02。这些参考值都是可变的，但其变化会对实验的结果产生影响。

3．3实验结果的解析根据文献［18］中的结果，蚁群算法优化神经网络的盲均衡算法和遗传算法优化神经网络盲均衡算法在普通信道与典型电话信道中的收敛曲线进行了比较，如图1和图2所示。该曲线是经过了10次仿真实验后的平均结果。从图中可以看出，在普通信道中蚁群算法优化的神经网络盲均衡算法和遗传算法优化的神经网络盲均衡都能达到快速收敛的效果，收敛后的均方误差没有遗传算法的稳定，收敛速度明显高于普通神经网络盲均衡算法。在典型电话信道中蚁群算法优化的神经网络盲均衡收敛速度高于遗传算法优化后的结果，体现了蚁群算法的优势。图3和图4分别给出了在普通信道与典型电话信道中各算法的误码率比较曲线。可以看出，蚁群算法优化神经网络盲均衡算法具有较低的误码率。由于学生对程序的改进方式略有不同或参数设置不同，以及迭代和实验次数的不同，实验结果会有所差异，如在正常收敛范围内均可认定实验的正确性。本实验设计内容意为学生对算法的理解和分析，并与遗传算法优化神经网络盲均衡算法相比较，使学生更能理解优化算法的优势所在。

4结语

将科研成果引入实验教学不仅可以提高实验教学的层次，丰富实验内容，优化课程设置，还可以促进成果的转化，激发学生的创新意识，使学生将所学用到实处，深切感受所学如何所用，同时在大量的实验过程中推动科研的进程，两者相辅相成，相互促进，对师生都有极强的推动作用。而且消除了学生的迷茫，对今后的学习深造或参加工作都起到了很好的启迪作用，对培养创新性应用人才起到了积极的促进作用。

参考文献:

［1］戴克林．高校实验室建设与创新人才培养研究［J］．实验室技术与管理，2014，31(7):32－35．

［2］哈聪颖，王俊，张有光．通信专业类综合性实验研究与探索［J］．实验室研究与探索，2013，32(8):170－173．

［3］李新春，南敬昌，黄淑芬．通信专业基础课实验教学改革初探［J］．辽宁工程技术大学学报(社会科学版)，2003，6(5):113－114．

［4］董丽敏，陈后金，周俞波．通信工程专业本硕连读人才培养的实践研究［J］．教育探索，2011(1):90－93．

［5］董介春，张体强，于瑞涛．基于大工程观的通信专业实验教学改革［J］．实验室技术与管理，2010，27(1):113－116．

［6］田红．高校实验教学存在的问题与对策［J］．实验室科学与技术，2014，12(1):91－93．

［7］梁红，宋国利．改革实验教学模式注重大学生创新能力的培养［J］．黑龙江高教研究，2010(10):177－178．

［8］董萍，胡清华，曹卓良．应用型本科院校综合性、设计性实验项目设置的基本原则探讨［J］．合肥师范学院学报，2014，32(6):43－45．

［9］张弘钧，宗士增，庄众．高水平科研试验平台反哺教学的探索与实践［J］．现代教育科学:高教研究，2015，1(1):106－109．

［10］汪金刚，侯世英，余传祥．结合实践教学和科研训练的电气工程创新型人才培养［J］．实验室研究与探索，2011，30(7):252－255．

［11］耿艳香，孙云山，谢靖鹏，等．混沌蚁群算法在图像边缘检测中的应用［J］．计算机工程与应用，2015，51(2):194－197．

［12］费腾，张立毅，孙云山．基于DNA－蚁群算法的车辆路径优化问题求解［J］．计算机工程，2014，40(12):205－213．

［13］孙云山，李艳琴，张立毅，等．蚁群算法在盲均衡问题中的应用研究［J］．系统仿真学报，2010，22(2):395～398．

［14］罗亚松，林景元，胡玉铣，等．高阶QAM信号的前馈神经网络相位修正水声信道盲均衡算法［J］．武汉理工大学学报(交通科学与工程版)，2012，36(6):1221－1224．

［15］郭业才，高敏，张艳萍．基于正交小波包变换的前馈神经网络盲均衡算法［J］．电子测量与仪器学报，2009，23(11):59－64．

［16］刘洪波，郑博一，蒋博龄．基于人工鱼群神经网络的城市时用水量预测方法［J］．天津大学学报，2015，48(4):373－378．

［17］张立毅．神经网络盲均衡理论算法与应用［M］．北京:清华大学出版社，2013．

第9篇：神经网络教学范文

Abstract： This paper presented a professional title forecast model implemented by gray relational analysis combined with BP neural network， using gray relational analysis to find out potential relationship between impact factor and professional title promotion，to provide screening function of the input factors for the BP neural network， and finally through the training of BP neural network to achieve the forecast. Taking 46 teachers’promotion to associate professor in the Institution in 2012 as assessment sample，6-8-2 network model was simplified to5-8-2 network model.The result showed that the results obtained by the established assessment model were completely consistent with the results obtained by the established assessment model were completely consistent with the simulation results based on artificial neural net-work，the training efficiency of the model is raised greatly，so the model has a value to be applied in certain extent.

关键词： 职称评审；灰关联分析；BP网络

Key words： professonal titles evaluation；GRAY；BP network

中图分类号：TP183 文献标识码：A 文章编号：1006-4311（2013）06-0170-02

0 引言

职称评审涉及到教师的切身利益，客观、公正、透明的职称评审工作对教师做好教学、科研和管理工作具有权威的导向性和指导性。职称系统是具有评审因素多，因素间相关性模糊、不确定，非线性、时变性等特点的复杂系统，其评审属于多因素综合评审范畴。

神经网络可以很好地解决职称系统评审的非线性问题，然而评审因素间相关性，会使得网络陷入局部最小点，导致评审结果存在很大的偏差。灰关联分析方法可在不完全的信息中，通过一定的数据处理，找出评审因素的关联性，发现主要矛盾，找到主要特性和主要影响因素[1-2]。因此将灰关联分析与神经网络相结合建立评审模型，神经网络解决职称系统评审对于非线性系统的支持，灰关联分析帮助神经网络找出主要的影响因子。

1 高校教师职称影响因子的灰色关联分析

1.1 高校教师职称评审影响因子的确定 依据某高校历年教师职称的评定标准，主要是从论文的级别数量、科教成果获奖（市级以上），是否承担科研科教项目等方面来综合评定教师职称的获得。针对该高校2012年数据中46名教师在承担科研科教项目都满足，而在有科教成果获奖（市级以上）上只有个别的教师有，所以本文考虑，以论文级别数量构建6个评定指标：SCI/EI篇数x1，一级核心论文篇数x2，二级核心论文篇数x3，三级核心论文篇数x4，一般期刊论文篇数x5，论文总篇数x6。

1.2 灰关联系数和关联度的计算 灰色关联分析是一种重要的灰色系统理论分析方法，其基本原理是通过序列的曲线几何形状的相似程度来判断序列的联系是否紧密，其紧密程度用关联度量化，曲线越紧密，其关联度越大，反之就越小[3-4]。

灰色关联分析的计算分析步骤：

（1）将该高校职称专家评审结果作为参考序列x0（k），k=1，…，46，晋级职称的x0=1，被淘汰的x0=0，6个影响因子作为比较因素序列xi（k），i=1，…，6；k=1，…，46。

（2）根据表1求出Δ■（k）=y■（k）-y■（k），并找出Δ■=0，Δ■=27，由灰关联系数公式ξy■（k），y■（k）=■其中分辨系数ρ取值0.5，计算出6个影响因子与高校教师职称评审在46个样本点上的灰关联系数，如表2。

（3）计算关联度

由公式ry■，y■=■ω■ξy■（k），y■（k），取ω■=ω■…=ω■=■，及根据表2求得比较因素xi和参考因素x0的关联度，依次为r1=0.9345，r2=0.9625，r3=0.8360，r4=0.9108，r5=0.6545，r6=0.4984。

关联度排序：r2>r1>r4>r3>r5>r6

这一关联序直接反映了比较因素xi对参考因素x0的相关性强弱的顺序，即各影响因子与高校教师职称评审的接近程度，同时也说明了这6个影响因子对高校教师职称评审影响程度由大到小的顺序—关联序。

由以上关联排序我们可知：一级核心论文篇数x2，SCI/EI篇数x1，三级核心论文篇数x4对高校教师职称评审影响程度最大，关联度值都在0.9108以上，如果我们能在这三类级别的期刊上多，就可以大大提高通过职称评审几率。我们如在一级核心，SCI/EI上感觉发表困难的话，可把重点放在较容易发表的三级核心上，同样有效。二级核心论文篇数x3对高校教师职称评审影响程度也很大，关联度值为0.8360，论文总篇数x6对高校教师职称评审影响程度最小，关联度值只有0.4984。

2 基于灰色BP神经网络的高校教师职称评审预测

BP神经网络模型的建立：表1归一化的46组数据作为BP神经网络的样本，任取前37个样本用于网络学习训练，另外的9个作为网络训练完毕后的预测样本。

为了验证本文灰色BP预测模型的有效性，实验中与单一采用BP的模型，在网络训练效率方面、网络预测的准确上分别进行比较。

灰色BP预测模型：根据上文对高校教师职称评审影响因子的分析，选用上述的关联度值在0.4984以上的5个影响因子作为输入变量，高校教师职称专家评审作为输出数据，将职称晋级（1）、淘汰（0），分别用“1 0；0 1”表示。隐含层经训练，结果表明：当隐含层单元的个数为8时，网络模型稳定且获得较理想结果，这样网络结构即可确定为5-8-2。训练函数采用trainlm，输入层与隐层、隐含层与输出层之间的传递函数选为tansig，logsig函数。训练次数最大设置为100次，网络收敛误差为0.001。

BP预测模型：表1归一化的数据作为BP网络的输入。BP输入节点为6个指标数值，BP网络输出节点为2，中间层的节点数选8，网络结构即可确定为6-8-2，其它参数设置同上。

从图1、2可以看出，灰色BP网络的训练只经过13步就达到了最小误差，这说明，选择与高校教师职称评审有较大关联度的5个影响因子作为网络输入，提高了网络训练的效率。

从表3中可以看出，在建立预测模型前未经过任何数据预处理的BP模型，预测准确率低，判错了2个，准确率77.77%，本文的基于灰色BP预测模型，判错1个，准确率提高到88.9%，预测结果与专家评审基本吻合。

3 结论

本文针对某高校2012年教师职称评审实际数据，利用灰色关联分析方法探讨了各个影响因子对教师职称评审的影响程度；采用基于BP神经网络模型对教师职称评审进行预测，得出结论：

（1）利用灰色关联分析方法能够考虑影响教师职称评审的主要因素，灰色关联分析表达出各个影响因子的影响程度，为高校教师职称的晋级提供指导参考。

（2）与目前我国高校教师职称采取的定性分析评审相比，基于灰色神经网络评审模型实际操作简单、客观，这些使得评审结果更加趋于合理。

（3）利用灰色关联分析帅选了其中5个指标的本文BP神经网络预测模型，与未经过任何数据预处理的BP预测模型相比，提高了网络的训练速率和网络预测精度。

参考文献：

[1]张吉刚，梁娜.消费者网上购物意向的灰色神经网络预测模型[J].统计与决策，2007（22）：133-135.

[2]孙莉.基于灰色BP神经网络的服装面料规格参数预测[J].计算机应用与软件，2012（7）：154-157.

[3]刘思峰，党耀国，方志耕，等.灰色系统理论及其应用[M].5版.科学出版社，2010：62-90，211-213.

[4]肖新平，宋中民等.灰技术基础及其应用[M].北京：科学出版社，2005.8.

[5]刘军奎.高校职称评审制度的社会学思考[J].前沿，2011（05）.

[6]朱霁.我国高校教师职称评审程序的弊端及完善[J].中南林业科技大学学报（社会科学版），2011（02）.

[7]王勇强.关于高校教师职称制度改革的思考[J].中国高校师资研究，2011（02）.