神經網絡教學精選(九篇)
前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經網絡教學主題范文，僅供參考，歡迎閱讀并收藏。
第1篇：神經網絡教學范文
中圖分類號：TP183 文獻標識碼：A 文章編號：1672-3791（2013）06（c）-0200-01
BP神經網絡是一種單向多層前饋人工神經網絡模型，可以實現(xiàn)任何復雜的、多因素、不確定和非線性的映射關系，是目前應用最廣泛的人工神經網絡模型之一。通過這種梯度下降算法不斷地修正網絡各層之間的連接權值和閾值，從而實現(xiàn)期望輸出值與實際輸出值之間的誤差達到最小或者小于某一個閾值[1～2]。
本文的研究目標是通過對現(xiàn)有評價指標、評價方法的分析，建立有效的教學評價模型，并實現(xiàn)相應的網上教學評價系統(tǒng)設計。結合BP神經網絡，給出了一種非線性的教學評價模型，訓練好的BP網絡模型根據(jù)測評數(shù)據(jù)，就可得到對評價對象的評價結果，實現(xiàn)定性與定量的有效結合。
1 BP神經網絡模型
（1）輸入/輸出節(jié)點。輸入/輸出節(jié)點是與樣本直接相關的。根據(jù)沈陽工業(yè)大學教學質量評估指標體系，將二級評價指標作為模型的輸入神經元，因此系統(tǒng)的輸入層神經元的個數(shù)為二級指標的個數(shù)。將評價結果作網絡的輸出，輸出層神經元個數(shù)為1。
（2）層數(shù)。由于BP網絡的功能實際上是通過網絡輸入到網絡輸出的計算來完成的，因此隱含層數(shù)越多，神經網絡學習速度就越慢。但是只含有一個隱含層的BP網絡就可以逼近任意的非線性函數(shù)。因此，本文選取結構相對簡單的3層BP網絡，即隱含層只有一個。
（3）隱含層神經元個數(shù)。隱含層單元個數(shù)與問題的要求以及輸入輸出單元個數(shù)有直接的關系。隱層單元過多將會導致神經網絡訓練時間過長、誤差不易控制及容錯性差等問題。本文采用公式2.1計算得出隱含層神經元個數(shù)。
4）激活函數(shù) BP網絡的非線性逼近能力是通過S型的激活函數(shù)來體現(xiàn)出來的，所以隱含層中一般采用S型的激活函數(shù)，輸出層的激活函數(shù)可以采用線性或S型[3]。S型激活函數(shù)為
該函數(shù)值在[-1，1]范圍內變化很劇烈，而超出這個范圍即處于不靈敏區(qū)，變化則相當平緩。因此為使得進入不靈敏區(qū)的誤差函數(shù)有所改變，迅速退出不靈敏區(qū)，保證訓練網絡的快速性，盡可能使所有輸入值都在靈敏變化段中，一般需在該公式中引進參數(shù)。本文的神經網絡算法即在此部分進行改進。
2 基于BP神經網絡的教學評價模型構建
本文由公式2.1計算得出隱含層節(jié)點數(shù)為4（這里考慮了下述16個指標可以分為4組）。（見表1）
3 改進的BP神經網絡算法描述
網絡的拓撲結構和訓練數(shù)據(jù)確定之后，總誤差函數(shù)E的性質特征就完全由激活函數(shù)f決定了。改進激活函數(shù)，可以改變誤差曲面，盡量減少局部極小值的可能性。BP算法的激活函數(shù)一般為sigmoid型函數(shù)，即。
改進的BP算法是對標準的S型函數(shù)引入新的參數(shù)，則函數(shù)變?yōu)?，其中系?shù)決定著S型函數(shù)的壓縮程度。該非線性函數(shù)滿足如下兩個條件：一是連續(xù)光滑且具有單調性；二是定義域為，值域為，故符合激活函數(shù)要求。而且它使得激活函數(shù)曲線變得平坦，方便在或時，避開局部極小，因此該函數(shù)具有更好的函數(shù)逼近能力以及容錯能力。
4 仿真計算與分析
以學生評教數(shù)據(jù)為輸入值，專家評教數(shù)據(jù)為期望輸出值，采用上述算法在Matlab下設計仿真程序對BP模型進行辨識，輸入層、隱含層和輸出層的結點數(shù)分別為16×4×1，激活函數(shù)采用變化的S型，學習率=0.99。
通過沈陽某大學教務處所提供的數(shù)據(jù)進行實驗，采用10組樣本進行網絡訓練，并對10位教師進行測評。10樣本的評價目標和神經網絡辨識分別為差（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），優(yōu)（99.12）。結果顯示，BP模型對評估的模擬結果比較精確，對整個考核的排序十分有用。因此該模型能較為準確地根據(jù)各評價指標來確定教學效果。
5 結論
結合國家高等教育的政策導向以及學校實際，建立了一個基于BP神經網絡建立了教學評價模型，引用具有更好函數(shù)逼近以及容錯能力的改進的BP學習算法，確定指標體系的權重，使評價結果科學合理。
參考文獻
第2篇：神經網絡教學范文
論文摘要:利用補償模糊神經網絡構建高職院校教師的教學評價模型，借鑒《機械制圖》教學過程中總結出的零件制作6個步驟，形成“六步法則”，將其應用于模型構建的整個過程。數(shù)據(jù)驗證結果表明，該模型評價精度較高，有利于合理地對教師教學能力的評價，并將有效地促進學校推行績效考核機制，促進人才培養(yǎng)質量的提升。
高等職業(yè)教育在我國高等教育規(guī)模中占半壁江山，在人才培養(yǎng)方面起著舉足輕重的作用。如何更快更好地發(fā)展高職教育，提高人才培養(yǎng)的質量顯得越來越重要。高水平的培養(yǎng)質量歸根結底是要建立一支過硬的教師隊伍。因此，各高職院校目前十分注重利用績效考核來促進教師隊伍整體水平的提高。所謂績效考核，就是依據(jù)教師崗位職責，對教師是否勝任本崗位工作所規(guī)定的政治思想、職業(yè)道德、工作實績等進行全面系統(tǒng)的評價。那么如何通過績效考核對每位教師進行一個客觀、全面的評價呢?這主要依賴于教學評價模型的正確性與合理性。筆者依據(jù)多年來的教務管理經驗，以及通過教授《機械制圖》這門課程得到的啟發(fā)，采用六步法則與補償模糊神經網絡相結合，實現(xiàn)了教學評價模型的構建，旨在提高評價的合理性與客觀性。
1六步法則及其由來
六步法則的由來，是筆者受《機械制圖》課程教學的啟發(fā)而得出的:對于一個零件制作而言，大體經過以下六個步驟:(1)通過“看”來對市場上所出現(xiàn)的類似零件進行比對，比如說用途、特點等;(2)分析其利弊;(3)確定自己制作該零件的方案進行草圖繪制:確定繪圖的紙張大小等，從而對零件的結構圖(主視圖、剖面圖等)進行細心繪制，最后對細節(jié)進行加工;(4)根據(jù)繪制的圖形，對該零件進行加工;(5)加工樣品檢驗零件的合理性;(6)通過使用不斷地對零件進行修改完善。綜上所述，零件的加工制作可以歸結為:“看、想、畫、作、查、改”。其中“畫”尤其重要，因為最終圖的正確與否將直接關系到產品的質量，影響整個公司的經濟效益因此在設計過程中強調的是在正確的前提下注意細而精。對于教學評價也是如此。如果教學評價模型建立的不合理，將直接導致對教師能力評價的不客觀、不全面，那么對教師績效工資的分配將不合理，激勵導向效果就不會理想。為此，按照全面質量管理的“三全一多樣”的特征，借鑒機械制圖的6大步驟，總結得出“六步法則”，運用此法則，對教學評價模型進行構建。
所謂六步法則，是指一看、二分析、三建模、四檢驗、五實施、六改善?！耙豢础笔侵笇δ壳案呗氃盒５慕處熌芰M行全面調查，目前采用教師教學評價機制進行搜索比對;“二分析”是指通過調查之后分析高職院校教師能力體現(xiàn)較為全面的幾項重大指標，確定評價的標準;“三建?！笔侵竿ㄟ^確定的幾項評價指標和最終評價結果，采用先進的數(shù)學建模方法進行評價模型的建立;“四檢驗”主要是通過利用建好的模型，采用以前的評價數(shù)據(jù)、結果進行對比，驗證模型的合理性與客觀性;“五實施”是指通過驗證的模型對目前的教師教學能力進行評價;“六改善”是指在實施過程中對一些細枝末節(jié)進行調整、改善，以促進教師教學水平的提高，不斷完善績效考核機制。
2教學評價模型的構建
(1)看。高職院校的教師能力除了需要具備一定的專業(yè)知識與技能外，還須具備操作技術及實踐經驗。最好是“雙師型”的教師。在北京召開的第四屆高等學校教學名師獎表彰大會上有位名師指出:作為高職院校的教師，既要有扎實的理論知識，更要注重實踐經驗的積累;既要把握專業(yè)領域學術發(fā)展前沿，又要與行業(yè)及企業(yè)保持密切聯(lián)系，時刻關注行業(yè)發(fā)展動態(tài)。他說:“一名優(yōu)秀教師需要不斷與時俱進，創(chuàng)新課程體系，調整教學內容，既要注重學生基本理論知識的傳授、專業(yè)技能的培養(yǎng)，還要注重學生的個性發(fā)展和綜合素質的培養(yǎng);只有這樣，才能獲得良好的教學效果，因此，目前評判教師水平主要關注于知識、素質、能力這三方面。
知識結構包括圍繞職業(yè)崗位的知識、技術，及本專業(yè)領域的最新發(fā)展動態(tài)和職業(yè)崗位上的新知識、新技術、新工藝等;素質結構包括良好的道德素質和職業(yè)素質，道德素質是樹立正確的世界觀、人生觀和價值觀，職業(yè)素質是指角色意識、敬業(yè)精神、時效意識、團隊精神等;能力結構包括教育教學能力、崗位實踐能力、現(xiàn)代教育技術使用能力和科研能力等川。
根據(jù)確定的評價內容，目前采用的評價體系具有一定的多維性和動態(tài)性，評價的方式大多采用“定性”與“定量”相結合的方法，主要有:1)專家評價法，如專家打分綜合法。2)運籌學與其他數(shù)學方法，如層次分析法、數(shù)據(jù)包絡法、模糊綜合評價法、絕對評價法。3)新型評價方法，如人工神經網絡評價法、灰色綜合評價法、綜合評分法。4)組合評價法，這是幾種方法混合使用的情況。
(2)分析。教學質量的高低是由多種因素交互作用決定的，但其最主要的因素體現(xiàn)在知識、素質、能力這三方面，因此為了能夠較為全面的進行評判，這里采用多主體多角度的評價方式?！岸嘀黧w”是指教師、學生、專家(含同行)評價和教學主管部門評價以及外聘工程師等?！岸嘟嵌取笔侵该總€評價主體對應的評價指標不同，即設計的調查問卷不同。其中表1為學生對教師課堂教學的總體評價表。
(3)模型構建。人們在教育評價中所用的方法，可以簡單地歸結為兩大類:定性評價方法和定量評價方法。其中定量評價方法需要用刻一些數(shù)學模型對評價對象進行處理。到目前為止，教學評價所用的數(shù)學模型主要有確定(性)數(shù)學模型、隨機(性)數(shù)學模型和模糊數(shù)學模型三類。具體來講，確定(性)數(shù)學模型有線性規(guī)劃、動態(tài)規(guī)劃、數(shù)據(jù)包絡分析、層次分析方法等;隨機(性)數(shù)學模型有回歸分析、因素分析、聚類分析、齊次馬爾科夫鏈等;模糊數(shù)學模型有模糊綜合評判模型、模糊積分模型、灰色數(shù)學模型等。在教育評價中，上述方法均有各自比較適宜的評價對象.
在融合模糊理論和神經網絡技術的基礎上，通過補償神經元來執(zhí)行補償模糊推理，動態(tài)地調整模糊規(guī)則，從而形成了一種新的網絡—補償模糊神經網絡，由此進行教學評價模型的構建。
1補償模糊神經網絡的特點
采用補償模糊神經網絡對某=系統(tǒng)進行辨識時，不需要事先知道索統(tǒng)的精確的數(shù)學模型，它能借助于人類的模糊推理知識以及神經網絡的逼近性能來實現(xiàn)對過程的建模。它擁有許多優(yōu)點，如魯棒性、無需模型、全局逼近。 2)模型的建構
:提據(jù)高職院校對教師工作素質的要求，結合高職院校的培養(yǎng)目標，采用多Z多角摩多豐體的評價機制，對教師教學質量模型進行合理建構。但是如何制定一個合理的評價指標，是一個七啦復雜而且困難的課題，本文在教育部已有評拈體系的基礎上，根據(jù)前人研究成果，利用學生對教師的網上評教、教師個人的_自我評價、同行評價以及家評價得分作為模型的輸入、(藝‘1一4)，每個評價因子得分范圍是，分為三個等級:較差、良好，一優(yōu)秀。但是如何確定這三個等級的標準，這里采用高斯函數(shù)才) ”作為模糊隸屬度函數(shù)從而對其等級進行劃分。其中“，·““(隸屬度中‘?！挾取鶎儆诳烧{參數(shù)。具體建構的教學評價模型如圖1所示。
整個模型分為5層，第一層作為評價指標輸人層，第二層對評價指標進行分類(較差、良好、優(yōu)秀)，然后根據(jù)模糊推理的規(guī)則來推理得出教師教學質量的好壞。
3)模型的訓練
運用多年來積累的數(shù)據(jù)報表，通過聚類分析的方式對數(shù)據(jù)進行有效性驗證，在現(xiàn)有數(shù)據(jù)的基礎上挑選了2000多個樣本進行評價模型的訓練，采用梯度下降法對模糊隸屬度函數(shù)中的參數(shù)進行訓練，其訓練過程的誤差MSE變化曲線如圖2所示。
最后從樣本中選取200個樣本對其進行驗證，結果誤差達到了I.5%，精確度較高。
第3篇：神經網絡教學范文
面對市場經濟，面對城鄉(xiāng)一體化建設的大力推進，面對網絡和計算機多媒體教育教學環(huán)境，面對教育對人才需求質量的提高和素質教育的客觀要求，中小學語文教師的自身建設如何進行？中學語文教師應如何實現(xiàn)自我價值？通過學習和教育教學實踐，筆者深深地體會到，加強中小學語文教師自身建設，應突出轉變教育觀念，強化自我的教育與培養(yǎng)，走國際化交流的新路子，以適應時代對中小學語文教師提出的新要求，適應素質教育對中小學語文教師的需求。
1 努力轉變教育觀念
眾所周知，提高教育質量的關鍵在于教師。中小學師資隊伍建設，關鍵在于培養(yǎng)一大批職業(yè)道德意識強、文化基礎寬厚、學科知識豐富、教育教學水平高且具有較高實踐動手操作能力的高質量的教師。中小學教師要以教書育人、為人師表為天職，樹立良好的師德、教風，同時要做到4個轉變。
1.1 由知識型向能力型轉變
中小學教師不僅要傳“道”，更要具有較強的職業(yè)道德品質和教育教學能力，并且注重學生的綜合素質能力培養(yǎng)和自立、自強、自我成才能力的培養(yǎng)。較強的教育教學能力要求中小學教師在教育教學過程中注意學生主觀能動性的發(fā)揮，通過運用網絡、計算機等多種先進的教學手段，既能培養(yǎng)學生濃厚的學習語文的興趣，又能提高其分析問題、解決問題的綜合能力；既要培養(yǎng)學生的一般學習能力，又要培養(yǎng)學生的創(chuàng)新思維能力和創(chuàng)造能力；既要培養(yǎng)學生靈活的思維能力，又要培養(yǎng)學生的多種綜合素質和品質，使學生能夠在激烈的市場經濟競爭和升學壓力中生存，以滿足社會對各種人才的需求，滿足學生對高知識、高能力的需求，滿足學生健全人格的需要，滿足學生健康成長的需要。
1.2 由封閉型向開放型轉變
在網絡和計算機時代，先進的教學手段和理念賦予中小學教學的教學水平以新的內涵。因此，中小學教師不能滿足于已有的教學水平，要勤奮學習，積極走出校門，通過網絡和教學資源、平臺向先進教師學習，學習他們先進的教學手段、先進的教學方法和先進的教學理念，掌握并由會學轉化到會教上去。同時，中小學語文教師應主動進行教學方法、手段、策略和模式等方面的研究，達到教師由“教會”到“會教”，學生由“學會”到“會學”的更高層次轉變。
1.3 由單純的師生關系向新型的師生關系轉變
網絡和計算機時代，已經將教師與學生之間的界限變得模糊不清了，這就是教師既是教育教學者，也是學習與研究者，學生也是學習者，更是對問題的探求者，與教師共同研究者。教師要熱愛學生，學生應高度擁護教師的教學，使課堂教學成為教師與學生共同學習與研究的戰(zhàn)場，成為共同成才的平臺。比如，對于同一個問題，由于理解的角度不同，教師和學生的看法或者理解會截然不同，這樣，教師與學生就不能爭執(zhí)不下，而是應通過網絡查詢、外出請教，共同學習與掌握，使師生關系變得更貼近現(xiàn)代教育發(fā)展的需求。
2 強化教師自身培訓培養(yǎng)
教師的培訓培養(yǎng)是提高教師素質的途徑之一。加強中小學教師的培訓和培養(yǎng)工作，國家、省、市、縣已做了大量的工作，包括山東省啟動的中小學網絡培訓就是最好的實例。大量的中小學教師通過教學業(yè)務培訓與培養(yǎng)，在教育教學的理念、實踐能力、操作技能、現(xiàn)代教育手段的運用、教育教學方法的改革、師德等方面，都有了很大程度的提高，為全面實施素質教育提供了重要的思想、理論和實踐保障。
中小學教師的培訓培養(yǎng)，單單依靠國家和上級的組織是遠遠滿足不了要求的，還必須立足自己的教育教學實際，面對經濟全球化、網絡和計算機時代的發(fā)展，開展行之有效而又適合本人需要的培訓培養(yǎng)工作。
首先，中小學教師要人人建立培訓與培養(yǎng)計劃，參加適合自己的業(yè)務學習與知識拓展學習，像學歷進修、學科學習和師德學習等。
其次，要積極參與上級組織的業(yè)務學習，學習課程體系建設下的新課程內容，學習課程改革的總體思路，學習先進的教育教學方法。
第三，要積極開展多學科的學習，豐富自己教學知識的同時，滿足日益發(fā)展的中小學學生學習的需求。
第四，要開展先進教學技能的學習，通過學習，掌握計算機、網絡環(huán)境下的教學策略和方法，并通過自己的努力，從教材和學生的學習出發(fā)，制作適合中小學生學習需求的各種或者各科教學電子課件，以豐富課堂教學，推進課堂教學改革，提高課堂教學質量。
第五，要學習現(xiàn)代教育心理學，通過掌握現(xiàn)代教育心理學的有關知識，掌握科學的教育方法，并通過分化心理、瓦解難點、提升能力進行對學生的全面教育，實現(xiàn)教育的整體性。
3 適應國際合作交流的需求，全面了解和掌握世界教育教學新動向
經濟全球化，網絡和計算機發(fā)展，城鄉(xiāng)一體化進程的大力推進，文化建設與發(fā)展，精神文明建設的高標準要求和現(xiàn)代文明社區(qū)的建設，都給教育事業(yè)的建設與發(fā)展帶來前所未有的發(fā)展機遇，不僅加快了我國教育與世界各國教育的交流與合作，促進教育均衡發(fā)展，助推教育教學改革與實現(xiàn)素質教育，而且也為實現(xiàn)城鄉(xiāng)教育一體化均衡發(fā)展注入新的活力。尤其是黨的“十”，對教育提出更高的要求，城鄉(xiāng)統(tǒng)籌建設、名校建設、村鎮(zhèn)學校建設等納入教育發(fā)展規(guī)劃之列。同時，對國際教育發(fā)展與交流提出新的要求，大大激發(fā)教育自身的快速發(fā)展。這就為教育的交流與學習，特別是國際交流與學習提出新的挑戰(zhàn)。
對于作為基礎教育的中小學語文教學，教師應抓住這一特色，積極創(chuàng)造條件或者努力實現(xiàn)適應國際合作辦學交流的需求，走出國門，繼續(xù)深造，為素質教育與基礎教育的科學發(fā)展，儲備教育教學能量，并提升自我價值。中小學教師要努力學習教育理論和學科知識，積極創(chuàng)造條件走出國門，到國外學校學習與吸收先進的教育理念，學習與掌握現(xiàn)代教育手段，學習與消化國外先進的教育思想，掌握國外的教育內涵，并通過回國的教育實踐，創(chuàng)造一個新的教學平臺，實現(xiàn)教育國際化的新理念。
中小學校也應吸收國外教育資源或者引進國外教師來華參與教學研究、教學實踐與教學改革，一方面實現(xiàn)對國外資源的利用，另一方面做到中外教育資源互利，共同營造對中學生進行創(chuàng)新教育、能力教育的良好環(huán)境。
網絡和計算機環(huán)境賦予現(xiàn)代教育資源以新的平臺，中小學教師可以不出家門、不出國門、不出辦公室就達到共同學習的目的。特別是對于先進學校的教育資源，可以直接嫁接，也可以間接學習，既方便了自身能力的提高，也是一種教學思想的進步。
4 結語
第4篇：神經網絡教學范文
法，并介紹了在TMS320C540
>> 一種新的基于改進的ADALINE神經網絡的DTHF解碼器方案 AVS解碼器流水線控制機制的一種改進設計 一種SoC架構的AVS硬件解碼器設計方案 一種基于BP神經網絡整定的PID控制器的算法改進 一種基于改進的BP神經網絡的入侵檢測方法 基于一種改進BP神經網絡算法的教學質量評價研究 一種基于ART2神經網絡的算法改進 一種基于改進BP神經網絡預測T/R組件溫度的方法 一種基于改進神經網絡的高效模糊聚類算法 一種基于模糊神經網絡的印刷品字符識別器 一種基于遺傳神經網絡文本分類器的研究 一種新的基于灰色關聯(lián)分析的BP神經網絡剪枝算法 一種新的基于神經網絡的IRT項目參數(shù)估計模型 一種基于短語統(tǒng)計機器翻譯的高效柱搜索解碼器 一種基于SOM神經網絡的污水處理工藝方案比選方法 一種基于BP神經網絡的數(shù)控機床伺服系統(tǒng)控制器 一種改進的BP神經網絡算法在入侵檢測中的應用 一種改進的BP神經網絡車牌識別算法的研究 一種改進的BP神經網絡算法分析 一種ART2神經網絡的改進算法 常見問題解答 當前所在位置：中國 > 科技 > 一種新的基于改進的ADALINE神經網絡的DTHF解碼器方案 一種新的基于改進的ADALINE神經網絡的DTHF解碼器方案 雜志之家、寫作服務和雜志訂閱支持對公帳戶付款！安全又可靠！ document.write("作者：未知 如您是作者，請告知我們")
申明:本網站內容僅用于學術交流，如有侵犯您的權益，請及時告知我們，本站將立即刪除有關內容。 摘 要：本文提出了一種新的基于改進的AD址INE神經網絡DTMF信號檢測算
法，并介紹了在TMS320C5402和TLV320AICl0上采用此算法的DTMF
第5篇：神經網絡教學范文
關鍵詞：煤礦 漸進神經網絡 煤與瓦斯突出
1 概述
對于煤礦各煤層的煤與瓦斯突出危險性的區(qū)域預測，一般是先確定突出危險性參數(shù)，建立一個初步的預測模型，然后根據(jù)該礦區(qū)已經發(fā)生的煤與瓦斯突出事故的情況來不斷驗證，直到得到合理的區(qū)域預測模型，這樣整個區(qū)域預測模型的建立需要做大量調試，耗費很長的時間。
本文嘗試利用漸進神經網絡的特點，建立利用結果反求礦井的煤與瓦斯突出危險性區(qū)域預測模型，使得建立的模型能更加適合不同礦井發(fā)生煤與瓦斯突出的實際情況。此外，還能大大減少模型調試所消耗的大量時間[3]。
2 關于建立煤與瓦斯突出區(qū)域預測模型的分析
目前為止，國內外對影響煤與瓦斯突出參數(shù)的問題進行了很多研究，而隨著力學、動力學理論等學科的發(fā)展，分析礦井煤與瓦斯突出是如何發(fā)生的方法也越來越多。在眾多的突出理論中，能讓從事該行業(yè)的絕大多數(shù)人認同和接受的就是綜合假說。
綜合假說的主要理論是：煤與瓦斯突出是礦井中一種極其復雜的動力現(xiàn)象，它包括三個因素：地應力、高壓瓦斯和煤的結構性能，它的發(fā)生是三個主要因素綜合作用的結果。
從能量轉換角度分析，突出的能量來自煤巖體彈性彈性潛能和煤體中的瓦斯膨脹能，這些能量在突出過程中主要轉換為煤體的破碎功和碎煤在巷道中的移動功等。因此，在由煤巖層和瓦斯組成的這樣一個力學系統(tǒng)中，就有四種相互作用和相互轉化的能量體系，它們之間的消長關系夠長了煤與瓦斯突出全過程的能量條件。當煤巖體彈性潛能和煤體中的瓦斯膨脹能大于煤體的破壞功和移動功時，就發(fā)生煤與瓦斯突出，否則就不發(fā)生。
3 基于漸進神經網絡的煤與瓦斯突出危險區(qū)域預測模型的建立
神經網絡是由大量的神經元相連接的網絡，針對影響煤與瓦斯突出的地應力、瓦斯壓力、煤體結構的復雜關系，通過對漸進神經網絡的訓練、控制和識辯可以反求到影響不同礦井對煤與瓦斯突出影響的參數(shù)及其權重值[2]。
基于地應力、瓦斯壓力、煤體結構參數(shù)反求流程如圖1所示。假設模型的各項參數(shù)為某一組數(shù)值，可以仿真得到相應的突出參數(shù)的神經網絡的初始訓練樣本，將各種參數(shù)值Xm輸入神經網絡，即可反求得到對于的參數(shù)Yi，并將其作為煤與瓦斯突出的影響參數(shù)，可以得到影響參數(shù)的計算值Xn。如果計算值Xm和測量值Xn偏差超過許可誤差，必須重新選取樣本，對神經網絡在訓練，直到計算值Xm和測量值Xn的偏差在許可范圍內，即為反求得到的煤與瓦斯突出影響參數(shù)Yj。
神經網絡模型的結構，需要根據(jù)具體求解問題的復雜程度決定[3]。圖2為煤與瓦斯突出影響參數(shù)反求的神經網絡結構，神經網絡由可能代表影響煤與瓦斯突出因素的N個輸入單元組成輸入層，網絡的輸出層由實際代表影響煤與瓦斯突出的M個單元組成，網絡還包含一個隱含層。通過神經網絡可以建立影響煤與瓦斯突出因素的非線性關系：
神經網絡的訓練，就是根據(jù)訓練樣本來計算權值矩陣W，根據(jù)求出影響參數(shù)及權值矩陣計算煤層的突出危險性程度。神經網絡訓練以后，不管實際問題怎么復雜，神經網絡都可以快速的計算輸出變量，因此，神經網絡是適合用于煤與瓦斯突出危險性區(qū)域預測模型的建立的。
4 結論
本文應用反求的思想，從滿足預測的觀點出發(fā)，通過建立漸進神經網絡的方法來反求滿足不同礦區(qū)實際情況的突出危險性區(qū)域預測模型，從而反求出影響不同煤礦的煤與瓦斯突出危險性的影響參數(shù)，從而避免了建立煤與瓦斯突出危險性區(qū)域預測模型過程中繁雜的調試過程，縮短了該模型建立過程，并使得區(qū)域預測模型具有較好的針對性及預測效果。
參考文獻：
[1]候媛彬，杜京義，汪梅.神經網絡[M].西安電子科技大學出版社.
[2]張青貴.人工神經網絡導論[M].中國水利水電出版社.
[3]劉海波，施式亮等.人工神經網絡對礦山安全狀態(tài)的評判能力分析[J].安全與環(huán)境學報，2004（5）：69～72.
[4]胡千庭，鄒銀輝等.瓦斯含量法預測突出危險新技術[J].煤炭學報，2007（3）：277～280.
第6篇：神經網絡教學范文
關鍵詞：模糊神經網絡;企業(yè)水環(huán)境;評價
收稿日期：20120410
基金項目：國家自然科學基金資助項目(編號:41101080);山東省自然科學基金資助項目(編號:ZR2011DQ009);山東省研究生教育創(chuàng)新計劃
項目(編號:SDYC11147)資助
作者簡介：朱敏（1974—），女,湖南常德人,工程師,主要從事企業(yè)水環(huán)境研究工作。
通訊作者：李銳（1963—），男,湖南新化人,教授,博導,主要從事環(huán)境經濟學方面的教學與研究工作。中圖分類號：X73文獻標識碼：A文章編號：16749944(2012)05015003
1引言
隨著經濟的發(fā)展和污染負荷的增加,人們認識到濃度控制已不能從根本上解決污染問題。而我國對水環(huán)境的研究,也主要集中在對水源地的分析和控制中。隨著工業(yè)企業(yè)對水環(huán)境的重視,開始逐步嘗試用處理過的中水進行循環(huán)使用,但是對多指標的水質評價缺乏定性的判斷。而在對水環(huán)境的評價方法中,由于參與的評價因子眾多,并且與水質等級之間存在的是非常復雜的非線性關系,所以至今都沒有形成統(tǒng)一的方法。常規(guī)的地下水水質評價方法有綜合指數(shù)法、模糊綜合評價法、灰色聚類法等［1］,這些方法都還存在著一些不足。近年來,隨著神經網絡的發(fā)展,國內外很多從事地下水研究的學者將神經網絡引入水質評價中,取得了較好的評價效果,表明研究神經網絡處理水質評價具有非?，F(xiàn)實的意義。
模糊理論和神經網絡技術是近幾年來人工智能研究較為活躍的兩個領域［2］。模糊神經網絡(Fuzzy Neural Network,FNN)是在神經網絡(Neural Network,NN)和模糊系統(tǒng)(Fuzzy System,FS)的基礎上發(fā)展起來的,二者的融合彌補了神經網絡在模糊數(shù)據(jù)處理方面的不足和模糊邏輯在學習方面的缺陷,是一個集語言計算、邏輯推理、分布式處理和非線性動力學過程為一身的系統(tǒng)［3,4］。本文使用這種方法來評價某企業(yè)水環(huán)境質量,通過MATLAB R2011b 編程實現(xiàn),其工具箱函數(shù)提供了歸一化函數(shù)mapminmax等,該仿真結果表明,系統(tǒng)具有較好的客觀性和預測性。
2模糊神經網絡原理
模糊神經網絡是一種集模糊邏輯推理的強大結構性知識表達能力與神經網絡的強大自學習能力于一體的新技術,它是模糊邏輯推理與神經網絡有機結合的產物［6,7］。
2.1模糊數(shù)學方法
模糊集概念是模糊數(shù)學的特征函數(shù)處于中介狀態(tài),并用隸屬函數(shù)表示模糊集。模糊數(shù)學是用來描述、研究和處理事物所具有的模糊特征的數(shù)學。“模糊”是指它的研究對象,而“數(shù)學”是指它的研究方法。
模糊數(shù)學中最基本的概念是隸屬度和模糊隸屬度函數(shù)。其中,隸屬度是指元素u屬于模糊子集f的隸屬程度,用μf(u)表示,它是一個在［0,1］之間的數(shù),越接近于0,表示μf(u)屬于模糊子集u的程度越小;越靠近1,表示u屬于模糊子集f的程度越大。
在模糊數(shù)學中,運用隸屬度來描述客觀事物中很多模糊的界限,而隸屬度可用隸屬函數(shù)來表示。比如水質評價中“污染程度”就是一個模糊概念,因此,作為評價污染程度的分類標準也應具有模糊的特征,用一般的評價方法進行分類別,不盡合理,而用模糊概念進行推理就比較符合客觀實際［5］。
2.2TakagiSugeno(T-S)模糊模型
TS模糊模型一般用于多個輸入和單個輸出的情況。該模型是一種自適應能力很強的模糊系統(tǒng),該系統(tǒng)不僅能自動更新,而且能不斷修正模糊子集的隸屬函數(shù)。TS模糊系統(tǒng)用如下的“if-then”規(guī)則形式來定義,在規(guī)則為 的情況下,模糊推理如下:
Ri:Ifx1isAi1,x2isAi2，…,xkisAik,then yi=pi1x1+…+pikxk
其中Aij為模糊系統(tǒng)的模糊集,pij(j=1,2,…,k)為模糊系統(tǒng)參數(shù);yi為根據(jù)模糊規(guī)則得到的輸出,輸入部分(即if部分)是模糊的,輸出部分(即then部分)是確定的,該模糊推理表示輸出為輸入的線性組合。假設對于輸入量x=［x1,x2,…,xk］,首先根據(jù)模糊規(guī)則計算各輸入變量xj的隸屬度。
μAij=exp(-(xj-cij)2/bij)j=1,2,…,k;i=1,2,…,n(1)
式中,cij,bij分別為隸屬度函數(shù)的中心和寬度;k為輸入參數(shù)數(shù);n為模糊子集數(shù)。
將各隸屬度進行模糊計算,采用模糊算子為連乘算算子。
wi=μA1j(x1)×μA2j(x2)×…×μAkj(xk),i=1,2,…,n(2)
根據(jù)模糊計算結果計算模糊模型的輸出值yi。
yi=∑ni=1wi(pi0+pi1x1+…+pikxk)/∑ni=1wi。(3)
2.3TakagiSugeno模糊神經網絡模型
TS模糊神經網絡分為輸入層、模糊化層、模糊規(guī)則計算層和輸出層等4層。輸入層與輸入向量xi連接,節(jié)點數(shù)與輸入向量的維數(shù)相同。模糊化層采用隸屬函數(shù)(1)對輸入值進行模糊化得到模糊隸屬度值μ。模糊規(guī)則計算層采用模糊連乘公式(2)計算得到w,輸出層采用公式(3)計算得到模糊神經網絡的輸出。模糊神經網絡的學習算法如下。
2.3.1誤差計算
e=12(yd-yc)2,(4)
式中,yd是網絡期望輸出;yc是網絡實際輸出;e為期望輸出和實際輸出的誤差。
2.3.2系數(shù)修正
pij(k)=pij(k-1)-αepij,(5)
epij=(yd-yc)wi/∑mi=1wi×xj。(6)
式中,pij為神經網絡系數(shù),α為網絡學習率;xj為網絡輸出參數(shù);wi為輸入參數(shù)隸屬度連乘積。
2.3.3參數(shù)修正
cij(k)=cij(k-1)-βecij,(7)
bij(k)-bij(k-1)-βecij。(8)
式中,cjj,bij分別為隸屬度函數(shù)的中心和寬度。
3企業(yè)水環(huán)境評價應用
企業(yè)的水環(huán)境進行評價時,要采用一定的流程和算法。具體見圖1,分為模糊神經網絡的構建、模糊神經網絡訓練和模糊神經網絡預測。
圖1模糊神經網絡企業(yè)水環(huán)境評價算法流程
3.1網絡初始化
根據(jù)訓練輸入、輸出數(shù)據(jù)維數(shù)確定網絡結構,初始化神經網絡隸屬度函數(shù)參數(shù)和系數(shù),歸一化訓練數(shù)據(jù)。在訓練數(shù)據(jù)歸一化時,使用mapminmax函數(shù)來實現(xiàn)。
3.2模糊神經網絡訓練
模糊神經網絡訓練用訓練數(shù)據(jù)訓練模糊神經網絡,由于水質評價真實數(shù)據(jù)比較難確定,印象,采用了等隔均勻分布方式內插水質指標標準數(shù)據(jù)生成樣本的方式來生成訓練樣本,采用的水質指標標準數(shù)據(jù)來自表1,網絡反復訓練100次。
根據(jù)GB3838-2002《地表水環(huán)境質量標準》,Ⅰ類主要適用于源頭水、國家自然保護區(qū);Ⅱ類主要適用于集中式生活引用水地表水源地一級保護區(qū)、珍稀水生生物棲息地、魚蝦類產卵場、仔稚幼魚的索餌場等;Ⅲ類主要適用于集中式生活引用水地表水源地二級保護區(qū)、魚蝦類越冬場、泅游通道、水產養(yǎng)殖區(qū)等漁業(yè)水域及游泳區(qū);Ⅳ類主要適用于一般工業(yè)用水區(qū)及人體非直接接觸的娛樂用水區(qū);Ⅴ類主要適用于農業(yè)用水區(qū)及一般景觀要求水域。
表1地表水環(huán)境標準
序號項目Ⅰ類Ⅱ類Ⅲ類Ⅳ類Ⅴ類1化學需氧量(COD)≤15152030502懸浮物 ≤3氨氮 ≤0.50.51.01.52.04總磷 ≤0.020.10.20.30.55pH ≤6~9
因為在企業(yè)的水質評價主要指標中,pH值和懸浮物沒有具體的定量指標,無法做出正確的判斷。因此,確定了化學需氧量(COD)、氨氮和總磷3個評價指標。
3.3模糊神經網絡企業(yè)水環(huán)境評價
用訓練好的模糊神經網絡評價企業(yè)水環(huán)境,根據(jù)網絡預測值評價水質等級。當預測值小于1.5時,水質等級為Ⅰ類;當預測值在1.5~2.5時,水質等級為Ⅱ類;當預測值在2.5~3.5時,水質等級為Ⅲ類;當預測值在3.5~4.5時,水質等級為Ⅳ類;預測值大于4.5時,水質等級為Ⅴ類。
3.4結果分析
調用了企業(yè)2010~2011年每月的污水處理數(shù)據(jù),其各評價因子的數(shù)據(jù)折線圖見圖2。
圖2企業(yè)水環(huán)境數(shù)據(jù)
采用MATLAB R2011b進行仿真,輸入節(jié)點數(shù)為3,隱含節(jié)點數(shù)為7,輸出節(jié)點數(shù)為1。仿真結果如圖3。圖3為模糊神經網絡模型訓練數(shù)據(jù)預測仿真結果。該圖中顯示了實際輸出、預測輸出和誤差。結果顯示,該誤差范圍小于0.01。圖4為模糊神經網絡模型測試數(shù)據(jù)預測仿真結果。該圖中顯示了實際輸出、預測輸出和誤差。結果顯示,該誤差范圍小于0.01。圖5為模糊神經網絡企業(yè)水環(huán)境評價結果。
圖3模糊神經網絡模型訓練數(shù)據(jù)預測仿真結果
圖4模糊神經網絡測試數(shù)據(jù)預測仿真結果
從企業(yè)水環(huán)境評價結果可以看出,目前,企業(yè)的水環(huán)境有了一定的改善,基本上維持在2~3級左右,說明了模糊神經網絡評價的有效性。并且,水質等級的判定可以幫助企業(yè)在循環(huán)經濟和景觀建設中打下良好的基礎。
圖5模糊神經網絡企業(yè)水環(huán)境評價
2012年5月綠色科技第5期4結語
從實際的應用結果可以看出,基于MATLAB編程實現(xiàn)的模糊神經網絡方法應用與水質評價取得了良好的評價結果,積極探索了除地下水水質評價外的其它的環(huán)境質量評價中,為模糊神經網絡提供了一個新的應用空間。
參考文獻：
［1］ 謝宏斌.環(huán)境質量評價與預測方法的現(xiàn)狀［J］.廣西水利水電,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］ 謝維信,錢法濤.模糊神經網絡研究［J］.深圳大學學報,1999,16(1):22~27.
［4］ 王立新.模糊系統(tǒng)與模糊控制教程［M］.北京:清華大學出版社,2003.
［5］ 王鴻杰,尤賓,山官宗光.模糊數(shù)學分析方法在水環(huán)境評價中的應用［J］.水文,2005(25):30~32.
第7篇：神經網絡教學范文
關鍵詞：建筑電氣設備故障；模糊理論與神經網絡；設備故障診斷專家系統(tǒng)
中圖分類號：TP207 文獻標識碼：A DOI：10.11974/nyyjs.20160132074
隨著當今社會經濟的不斷發(fā)展，人們對生活品質的追求越來越高，電氣設備變得多樣化和先進化，不同區(qū)域間聯(lián)系更加緊密，而在給人們的生活帶來便利的同時，簡單的人工故障診斷方法已經無法滿足結構日益復雜、功能日益完善的電氣系統(tǒng)，建立電氣設備控制系統(tǒng)智能故障診斷專家系統(tǒng)已經成為目前能滿足社會需求的選擇。近年來，模糊理論被廣泛的應用于建立故障診斷神經網絡，將模糊系統(tǒng)與神經網絡技術結合而形成的故障診斷技術也正在發(fā)展和應用。
1 建筑電氣設備常見故障類型及危害
1.1 電氣設備常見故障類型
1.1.1 電源故障
1.1.2 線路故障
1.1.3 元器件故障
1.1.4 防雷接地處理故障
1.2 電氣設備故障危害
電氣設備的運行需要很多電器元件的相互配合，產生故障通常是因為電能或控制信息在傳遞、分配、轉換過程中失去控制。斷路、短路、異常接地、漏電、電氣設備或電器元件損壞、電子設備受電磁干擾而發(fā)生錯誤動作、控制系統(tǒng)元件的偶然失效都屬于電氣設備故障[1]，而這些故障也很有可能造成大范圍的人員傷亡以及造成嚴重的財產損失，一旦發(fā)生，也會造成其他相關領域不同程度的癱瘓。由此可見，電氣設備出現(xiàn)故障的概率較高，危害范圍也比較大。
2 神經網絡與模糊理論
神經網絡是一種模仿動物神經網絡行為的特征，進行分布式并行信息處理的算法數(shù)學模型[2]。這個模型可以根據(jù)不同系統(tǒng)自己的特征來選擇處理不同信息的方式，在很多不同領域都有比較廣泛的應用，當然，它本身也有一些缺陷，比如它不能求解不確定性問題、不能處理符號性信息等，因此，它需要結合其它相關理論和方法來彌補自身的不足，以便更好地解決特定領域中的問題。
模糊理論是指用到了模糊集合的基本概念或連續(xù)隸屬度函數(shù)的理論[3]。模糊控制是一種基于規(guī)則的控制，它可以直接采用語言型控制規(guī)則，在設計過程中不需要建立被控對象的精確數(shù)學模型，控制原理和策略通俗易懂，便于人們接受與理解，控制效果好，具有一定的智能水平，應用起來很方便，適用于對那些數(shù)學模型難以獲取、動態(tài)特性不易掌握或變化非常顯著的對象。模糊控制器是一種比較容易控制、掌握起來比較理想的非線性控制器，具有一定的適應能力和強健性。
將模糊系統(tǒng)與神經網絡技術相結合而形成的模糊神經網絡可以作為對電氣設備進行故障診斷的模型，這一技術的提出為電氣設備故障的診斷帶來發(fā)展和進步，模糊理論被廣泛的應用于建立故障診斷神經網絡，這2種理論的結合將會給故障診斷研究提供解決思路，值得推廣應用[4]。
3 建立電氣設備故障診斷系統(tǒng)
由于電氣設備故障機理的復雜性，系統(tǒng)在實際運用過程中，可能會發(fā)生隨機故障模式，故障征兆信息的正確與否直接關系到故障診斷的正確性，因此利用現(xiàn)有的電氣設備系統(tǒng)控制平臺，對電氣設備控制系統(tǒng)的信號進行實時采集和及時與PC 機進行通信，建立電氣設備控制系統(tǒng)故障診斷系統(tǒng)便顯得特別重要。
3.1 BP神經網絡模型
BP（Back Propagation）模型是一種最常用的人工神經網絡模型，它的基本原理為利用誤差反向傳播算法，從而得到多層前向神經網絡模型。在故障診斷方面使用BP模型在一定條件下能夠加強工作效率，使得故障診斷問題變得更加直觀。利用模糊理論與神經網絡相結合的模糊神經網絡解決建筑電氣設備故障的診斷，是一種智能化控制的手段，也將逐漸發(fā)展成為未來的趨勢[5]。其模型原理圖如圖1。
要建立模糊神經網絡系統(tǒng)，要根據(jù)相關理論或實際工作中的經驗，將故障現(xiàn)象和故障原因相對應，作為系統(tǒng)的學習樣本。按照輸入與輸出相對應的關系輸入學習樣本，系統(tǒng)經過內部的算法不斷提高精度，當精度達到設定的要求時，模糊神經網絡系統(tǒng)的學習過程結束。此時，將測試樣本的輸入數(shù)據(jù)放入系統(tǒng)輸入端，如果輸出數(shù)據(jù)與測試樣本基本相同，那么模糊神經網絡系統(tǒng)建立成功。
在模糊神經網絡系統(tǒng)的實際使用時，必然會遇到輸入數(shù)據(jù)與樣本不同的狀況。根據(jù)內部算法，系統(tǒng)將會找到與學習樣本最相似的一組數(shù)據(jù)作為參考，自主得到輸出數(shù)據(jù)。與此同時，如果系統(tǒng)自主算出的結果得到采納，那么這組數(shù)據(jù)將會做為新的樣本存入數(shù)據(jù)庫，成為參考數(shù)據(jù)。
3.2 BP學習算法
目前，BP算法是應用很廣泛、完善性比較高的神經網絡訓練算法，方便、容易實現(xiàn)、計算量小、并行性強是這個方法領先其他算法的優(yōu)勢。BP算法的基本原理[6]為先求解誤差函數(shù)的最小值，根據(jù)梯度下降法，按誤差對權值做負反饋。
BP算法需要依次根據(jù)輸入對輸出進行矯正，也就是對每組數(shù)據(jù)都要計算比對。然而，全局誤差的梯度下降算法，要求連接權和閾值的矯正是在批量進行學習樣本的輸入之后再進行的，所以要修改各個連接權值。利用梯度下降法來修改各個連接權值，以便達到近似全局誤差的算法效果。全局誤差梯度下降算法流程如圖2所示。
4 結 語
電氣設備的故障診斷已經成為值得重視的問題，為保證運行系統(tǒng)能夠正常運行，因此需要建立起更加科學完善的電氣設備管理系統(tǒng)，逐漸減少電氣設備運行出現(xiàn)故障的可能性，保障電力系統(tǒng)的穩(wěn)定能力，本文簡單介紹將模糊理論與神經網絡結合，更好的解決電氣設備故障問題，結合傳感器檢測技術、自動控制技術、通信與網絡技術等方法，建立電氣設備控制故障診斷系統(tǒng)，希望可以早日應用到生活中的建筑電氣設備故障診斷中去。
參考文獻
[1]電氣設備及控制電路常見故障分析[EB]. 電工學習網.
[2]田景文.人工神經網絡算法研究與應用[M]. 北京理工大學出版社，2006.
[3]諸靜.模糊控制原理與應用[M].機械工業(yè)出版社，1995.
[4]龍祥，錢志博.模糊理論在設備故障診斷神經網絡中的典型應用[J].廣東工業(yè)大學學報，2006.
[5]陳流豪.神經網絡BP算法研究綜述[J].電腦知識與技術，2010.
第8篇：神經網絡教學范文
通信工程專業(yè)是一個重視實驗實踐環(huán)節(jié)的應用型專業(yè)，需要大量的動手操作深化理論知識的理解與掌握。專業(yè)教師的科研成果與信息技術產業(yè)的發(fā)展方向有著密切的聯(lián)系，通過將教師的科研成果引入實驗教學，使學生深刻理解專業(yè)知識，明晰應用領域，促進了教學與科研的緊密結合。同時，學生參與科研項目，有利于激發(fā)學生的創(chuàng)新思維，培養(yǎng)創(chuàng)新能力。
關鍵詞:
科研成果;實驗教學;創(chuàng)新思維;創(chuàng)新能力
伴隨工業(yè)4．0時代的到來，具有創(chuàng)新能力的應用型人才是大勢所趨，也是高校人才培養(yǎng)的主要方向。我國《高等教育法》明確指出“培養(yǎng)具有創(chuàng)新精神和實踐能力的高級專門人才”是高等教育的主要任務［1］。通信工程專業(yè)是一個重視實驗、操作性極強的工科專業(yè)［2］，實驗教學目前多為課內實驗［3］，每門專業(yè)課結合自身的核心內容或重要知識點設立若干個實驗項目，這些實驗多是結合課內章節(jié)進行設計仿真或利用實驗箱動手操作觀察實驗結果。如“通信原理”課程中的“常規(guī)雙邊帶調幅與解調實驗”“模擬通信系統(tǒng)實驗”等，這樣的實驗可以使學生直觀感受學科基本理論所產生的現(xiàn)象，但是并不利于學生對所學理論的深入理解和知識的融會貫通。很多學生反映每門課程都很用心的學習，對所學每章知識點都很理解，通過實驗教學也能很好地驗證或觀察到結果或現(xiàn)象，學透了理論，聯(lián)系了實際，但離開書本仍然對所學專業(yè)研究的具體內容和應用方向沒有概念。究其原因是缺乏承載所學知識的載體，對理論的理解再透徹，也只能推導公式，對具體應用理論解決實際問題仍就一片茫然。隨著大學本科教育的普及和研究生教育門檻的提高［4］，當前的實驗教學模式已經不能滿足學生及社會對實驗教學的要求［5］，急需對傳統(tǒng)的實驗教學方式進行創(chuàng)新和突破，將教師的科研成果引進傳統(tǒng)的實驗教學，改變傳統(tǒng)的照本宣科，將研究生階段的研究學習模式提前引入本科實驗教學，激發(fā)學生的創(chuàng)造熱情，發(fā)掘學生的潛力。
1目前通信工程專業(yè)的實驗教學模式
實驗步驟五分法包括:提出問題、設計方案、實施操作、處理數(shù)據(jù)、分析和解釋結果五個部分，根據(jù)學生在整個活動中的參與度，大致分為基礎驗證性實驗、應用設計性實驗和科學研究性實驗三類［6，7］。
1．1基礎驗證性實驗最為普遍基礎驗證性實驗是目前高校實驗教學中占比最大的實驗課程設置方式，是學生理解消化理論知識的手段，通過動手，驗證理論知識的正確性，解決“為什么”和“怎么做”的問題。教學方式以提示為主，即教師通過講解、示范、指導等提示活動，學生被動接受、理解、做實驗、消化教師所提示的內容。根據(jù)實驗步驟的五分法，“提出實驗問題”“設計實驗方案”兩步由教師完成，學生完成后三個步驟，學生參與度60%。如“ASK、FSK、PSK(DPSK)調制解調實驗”中，教師預設實驗目的為“理解ASK、FSK調制的工作原理及電路組成”，設計了實驗方案為“觀察ASK等調制信號的波形”，學生真正操作的步驟只有將信號源模塊、數(shù)字調制模塊、數(shù)字解調模塊、同步提取模塊、頻譜分析模塊固定在指定實驗箱內，接通電源并觀察各種解調模式下的圖像即可。簡而言之，學生在這個實驗中的主要參與行為就是觀察，解決的問題就是驗證理論，可發(fā)揮主觀能動性的空間極少，沒有創(chuàng)造性。
1．2應用設計性實驗比例逐步提升應用設計性實驗較基礎驗證性實驗對學生和教師的要求更高，學生的自主性更強，實驗結果的多樣性對教師評判實驗的成功性負擔更大，但因其能更好地激發(fā)學生的創(chuàng)造性，此種模式的課程設置比例正在逐步增長［8］。與基礎驗證性實驗相比，應用設計性實驗要求學生自己設計實驗方案，“如何設計”是比“怎么做”更高的要求，教學方式除提示外，師生還需要通過教學對話、課堂討論等教學形式，共同思考、探求、解決學生設計實驗方案中的問題。根據(jù)實驗步驟的五分法，“提出實驗問題”由教師完成，學生完成包括“設計實驗方案”的后四個步驟，學生參與度80%。如“模擬信道傳輸實驗”，教師提供實驗設備，學生自行設計信道傳輸?shù)倪^程，包括信道中噪聲的疊加、信號的調制與解調、濾波器的設計等環(huán)節(jié)，最終完成信號在信道中的傳輸。由于方案及實踐過程均由學生自主完成，學生間也可作為小型競賽，以信噪比最小的方案為最佳方案，激發(fā)學生的學習熱情。
1．3本科階段科學研究性實驗較少科學研究性實驗是指在不預設結論的情況下，根據(jù)所學所知，主動提出問題，并在此基礎上設計實驗步驟驗證問題真?zhèn)蔚膶嶒灲虒W模式。此種模式的實驗課程設置在高校本科階段較少，更多的是在研究生階段才有所參與。與基礎驗證性實驗及應用設計性實驗相比，科學研究性實驗的目標是“做什么”比較明確，教學方式不再是教師的提示，而是在學生提出問題和解決問題的過程中，教師采用指導和研討的方式參與其中，從而在實驗過程中最大程度的發(fā)揮學生的主觀能動性和創(chuàng)造力。根據(jù)實驗步驟的五分法，從“提出實驗問題”到“分析和解釋實驗結果”幾乎全部由學生完成，學生參與度100%。
2科研成果引進實驗教學的優(yōu)勢
2．1提升實驗教學教師整體層次科研成果是教師科研水平的集中體現(xiàn)，對科研成果轉化的期望是科研成果引入實驗課程的潛在動力，將科研成果引入實驗教學實踐，讓學生在實驗過程中對科研成果的含金量產生感性認知，可以提升教師的成就感。與此同時，將科研成果引入實驗教學，也對從事實驗教學的教師形成倒逼機制，催生更多優(yōu)秀科研成果，達到科研和教學相互促進的良性循環(huán)。
2．2優(yōu)化實驗課程設置將科研成果引入實驗教學，可以優(yōu)化實驗課程設置［9］，在基礎驗證性實驗課程居多的情況下，適度增加應用設計性實驗和科學研究性實驗，讓各種模式的實驗課程達到均衡配置，獲得最佳的教學效果，培養(yǎng)學生的創(chuàng)造性思維，使學生在大學教育中完成學習———實踐———應用的三步轉化，適應當前社會對人才的需求。
2．3豐富實驗教學內容教學內容必須與時俱進，教學實驗課程的設置也應及時更新，科學研究位于專業(yè)技術領域的前沿，更能反映出本專業(yè)的主要發(fā)展趨勢。將科研與教學實驗相結合，不斷充實實驗內容，可使實驗教學更具新穎性和先進性，解決學生所學課本知識與社會科技發(fā)展相脫節(jié)的問題［10］。
2．4激發(fā)學生創(chuàng)新意識和熱情在研究性實驗中，教師只給出若干思路，實驗前學生并不知道實驗結果，由學生根據(jù)實驗條件和研究目標，自行查閱相關資料，設計實驗方案、步驟，處理數(shù)據(jù)和分析結果，可能實驗的結果不如人意，但通過綜合訓練，使學生對科研的基本方法和過程有了初步的認識和體驗，有效調動了學生參與實驗的積極性，既提高了學生的動手能力，又使學生養(yǎng)成了自主式、合作式、研究式、開放式學習方式。
2．5增強學生的專業(yè)認知通過與學生接觸發(fā)現(xiàn)，很多學生在報考大學之初根本不知道專業(yè)研究什么，學習四年之后對于要報考的研究生專業(yè)同樣也是一片茫然，因為不了解專業(yè)發(fā)展方向及研究內容，很大程度上導致了學習的盲目性和個人發(fā)展方向的錯位。通過將科研成果引入實驗教學，使學生在實驗教學過程中深入了解本專業(yè)最前沿的知識，明確本專業(yè)的發(fā)展方向，對準確自我定位起到了很好的促進作用。
3改進后實驗教學效果顯著
天津商業(yè)大學通信工程專業(yè)將部分科研成果與“通信原理”課程實驗相結合，設計了基于Matlab軟件的研究性虛擬實驗，旨在使學生了解前沿的信號處理、消除干擾等技術。以蟻群算法［11～13］為例，利用其較強的適應性、正反饋性和魯棒性優(yōu)化神經網絡［14～16］的初始權值，能夠有效提高神經網絡的收斂速度，避免陷入局部最優(yōu)，將其用于盲均衡算法［17］進行信號處理，通過Matlab仿真取得了良好的效果。通過實踐發(fā)現(xiàn)，學生完成實驗后，不僅對先進的算法和應用理論有所了解，還通過動手操作及程序的編寫增強了實踐動手能力，使學生真正體會到學以致用的成就感。
3．1實驗問題的提出實驗課前，教師將蟻群算法、神經網絡、盲均衡算法的基本思想、公式推導、程序分析等提前教授于學生，使其理解消化。對信道傳輸過程中，信號所受影響及可能存在的畸變加以詮釋，使學生對實驗背景及應用意義得以了解，也為后續(xù)實驗提出問題奠定基礎。針對神經網絡存在收斂速度慢、易陷入局部最優(yōu)的缺點，引導學生利用具有較強適應性、魯棒性的蟻群算法對其進行改進，使學生自己找到合適的切入點，將兩種算法結合，并應用在信道的盲均衡中，體現(xiàn)其實用價值。
3．2實驗內容的設置采用Matlab軟件對算法進行編程，給學生提供開放的源代碼進行學習，并要求在實驗中修改相應的參數(shù)評測可靠性。輸入信號設為2PAM信號，神經網絡結構為7－9－1，仿真信道選取普通信道H1(z)和典型電話信道H2(z)，其傳輸函數(shù)分別為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)實驗中給出各參數(shù)的參考值，系統(tǒng)權值個數(shù)Dim=72，螞蟻數(shù)為權值數(shù)的2倍，即M=144，最大迭代次數(shù)為NC=40，信噪比為20dB，信息素蒸發(fā)率ρ=0．02，迭代步長μ1=μ2=0．02。這些參考值都是可變的，但其變化會對實驗的結果產生影響。
3．3實驗結果的解析根據(jù)文獻［18］中的結果，蟻群算法優(yōu)化神經網絡的盲均衡算法和遺傳算法優(yōu)化神經網絡盲均衡算法在普通信道與典型電話信道中的收斂曲線進行了比較，如圖1和圖2所示。該曲線是經過了10次仿真實驗后的平均結果。從圖中可以看出，在普通信道中蟻群算法優(yōu)化的神經網絡盲均衡算法和遺傳算法優(yōu)化的神經網絡盲均衡都能達到快速收斂的效果，收斂后的均方誤差沒有遺傳算法的穩(wěn)定，收斂速度明顯高于普通神經網絡盲均衡算法。在典型電話信道中蟻群算法優(yōu)化的神經網絡盲均衡收斂速度高于遺傳算法優(yōu)化后的結果，體現(xiàn)了蟻群算法的優(yōu)勢。圖3和圖4分別給出了在普通信道與典型電話信道中各算法的誤碼率比較曲線。可以看出，蟻群算法優(yōu)化神經網絡盲均衡算法具有較低的誤碼率。由于學生對程序的改進方式略有不同或參數(shù)設置不同，以及迭代和實驗次數(shù)的不同，實驗結果會有所差異，如在正常收斂范圍內均可認定實驗的正確性。本實驗設計內容意為學生對算法的理解和分析，并與遺傳算法優(yōu)化神經網絡盲均衡算法相比較，使學生更能理解優(yōu)化算法的優(yōu)勢所在。
4結語
將科研成果引入實驗教學不僅可以提高實驗教學的層次，豐富實驗內容，優(yōu)化課程設置，還可以促進成果的轉化，激發(fā)學生的創(chuàng)新意識，使學生將所學用到實處，深切感受所學如何所用，同時在大量的實驗過程中推動科研的進程，兩者相輔相成，相互促進，對師生都有極強的推動作用。而且消除了學生的迷茫，對今后的學習深造或參加工作都起到了很好的啟迪作用，對培養(yǎng)創(chuàng)新性應用人才起到了積極的促進作用。
參考文獻:
［1］戴克林．高校實驗室建設與創(chuàng)新人才培養(yǎng)研究［J］．實驗室技術與管理，2014，31(7):32－35．
［2］哈聰穎，王俊，張有光．通信專業(yè)類綜合性實驗研究與探索［J］．實驗室研究與探索，2013，32(8):170－173．
［3］李新春，南敬昌，黃淑芬．通信專業(yè)基礎課實驗教學改革初探［J］．遼寧工程技術大學學報(社會科學版)，2003，6(5):113－114．
［4］董麗敏，陳后金，周俞波．通信工程專業(yè)本碩連讀人才培養(yǎng)的實踐研究［J］．教育探索，2011(1):90－93．
［5］董介春，張體強，于瑞濤．基于大工程觀的通信專業(yè)實驗教學改革［J］．實驗室技術與管理，2010，27(1):113－116．
［6］田紅．高校實驗教學存在的問題與對策［J］．實驗室科學與技術，2014，12(1):91－93．
［7］梁紅，宋國利．改革實驗教學模式注重大學生創(chuàng)新能力的培養(yǎng)［J］．黑龍江高教研究，2010(10):177－178．
［8］董萍，胡清華，曹卓良．應用型本科院校綜合性、設計性實驗項目設置的基本原則探討［J］．合肥師范學院學報，2014，32(6):43－45．
［9］張弘鈞，宗士增，莊眾．高水平科研試驗平臺反哺教學的探索與實踐［J］．現(xiàn)代教育科學:高教研究，2015，1(1):106－109．
［10］汪金剛，侯世英，余傳祥．結合實踐教學和科研訓練的電氣工程創(chuàng)新型人才培養(yǎng)［J］．實驗室研究與探索，2011，30(7):252－255．
［11］耿艷香，孫云山，謝靖鵬，等．混沌蟻群算法在圖像邊緣檢測中的應用［J］．計算機工程與應用，2015，51(2):194－197．
［12］費騰，張立毅，孫云山．基于DNA－蟻群算法的車輛路徑優(yōu)化問題求解［J］．計算機工程，2014，40(12):205－213．
［13］孫云山，李艷琴，張立毅，等．蟻群算法在盲均衡問題中的應用研究［J］．系統(tǒng)仿真學報，2010，22(2):395～398．
［14］羅亞松，林景元，胡玉銑，等．高階QAM信號的前饋神經網絡相位修正水聲信道盲均衡算法［J］．武漢理工大學學報(交通科學與工程版)，2012，36(6):1221－1224．
［15］郭業(yè)才，高敏，張艷萍．基于正交小波包變換的前饋神經網絡盲均衡算法［J］．電子測量與儀器學報，2009，23(11):59－64．
［16］劉洪波，鄭博一，蔣博齡．基于人工魚群神經網絡的城市時用水量預測方法［J］．天津大學學報，2015，48(4):373－378．
［17］張立毅．神經網絡盲均衡理論算法與應用［M］．北京:清華大學出版社，2013．
第9篇：神經網絡教學范文
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.
關鍵詞： 職稱評審；灰關聯(lián)分析；BP網絡
Key words： professonal titles evaluation；GRAY；BP network
中圖分類號：TP183 文獻標識碼：A 文章編號：1006-4311（2013）06-0170-02
0 引言
職稱評審涉及到教師的切身利益，客觀、公正、透明的職稱評審工作對教師做好教學、科研和管理工作具有權威的導向性和指導性。職稱系統(tǒng)是具有評審因素多，因素間相關性模糊、不確定，非線性、時變性等特點的復雜系統(tǒng)，其評審屬于多因素綜合評審范疇。
神經網絡可以很好地解決職稱系統(tǒng)評審的非線性問題，然而評審因素間相關性，會使得網絡陷入局部最小點，導致評審結果存在很大的偏差。灰關聯(lián)分析方法可在不完全的信息中，通過一定的數(shù)據(jù)處理，找出評審因素的關聯(lián)性，發(fā)現(xiàn)主要矛盾，找到主要特性和主要影響因素[1-2]。因此將灰關聯(lián)分析與神經網絡相結合建立評審模型，神經網絡解決職稱系統(tǒng)評審對于非線性系統(tǒng)的支持，灰關聯(lián)分析幫助神經網絡找出主要的影響因子。
1 高校教師職稱影響因子的灰色關聯(lián)分析
1.1 高校教師職稱評審影響因子的確定 依據(jù)某高校歷年教師職稱的評定標準，主要是從論文的級別數(shù)量、科教成果獲獎（市級以上），是否承擔科研科教項目等方面來綜合評定教師職稱的獲得。針對該高校2012年數(shù)據(jù)中46名教師在承擔科研科教項目都滿足，而在有科教成果獲獎（市級以上）上只有個別的教師有，所以本文考慮，以論文級別數(shù)量構建6個評定指標：SCI/EI篇數(shù)x1，一級核心論文篇數(shù)x2，二級核心論文篇數(shù)x3，三級核心論文篇數(shù)x4，一般期刊論文篇數(shù)x5，論文總篇數(shù)x6。
1.2 灰關聯(lián)系數(shù)和關聯(lián)度的計算 灰色關聯(lián)分析是一種重要的灰色系統(tǒng)理論分析方法，其基本原理是通過序列的曲線幾何形狀的相似程度來判斷序列的聯(lián)系是否緊密，其緊密程度用關聯(lián)度量化，曲線越緊密，其關聯(lián)度越大，反之就越小[3-4]。
灰色關聯(lián)分析的計算分析步驟：
（1）將該高校職稱專家評審結果作為參考序列x0（k），k=1，…，46，晉級職稱的x0=1，被淘汰的x0=0，6個影響因子作為比較因素序列xi（k），i=1，…，6；k=1，…，46。
（2）根據(jù)表1求出Δ■（k）=y■（k）-y■（k），并找出Δ■=0，Δ■=27，由灰關聯(lián)系數(shù)公式ξy■（k），y■（k）=■其中分辨系數(shù)ρ取值0.5，計算出6個影響因子與高校教師職稱評審在46個樣本點上的灰關聯(lián)系數(shù)，如表2。
（3）計算關聯(lián)度
由公式ry■，y■=■ω■ξy■（k），y■（k），取ω■=ω■…=ω■=■，及根據(jù)表2求得比較因素xi和參考因素x0的關聯(lián)度，依次為r1=0.9345，r2=0.9625，r3=0.8360，r4=0.9108，r5=0.6545，r6=0.4984。
關聯(lián)度排序：r2>r1>r4>r3>r5>r6
這一關聯(lián)序直接反映了比較因素xi對參考因素x0的相關性強弱的順序，即各影響因子與高校教師職稱評審的接近程度，同時也說明了這6個影響因子對高校教師職稱評審影響程度由大到小的順序—關聯(lián)序。
由以上關聯(lián)排序我們可知：一級核心論文篇數(shù)x2，SCI/EI篇數(shù)x1，三級核心論文篇數(shù)x4對高校教師職稱評審影響程度最大，關聯(lián)度值都在0.9108以上，如果我們能在這三類級別的期刊上多，就可以大大提高通過職稱評審幾率。我們如在一級核心，SCI/EI上感覺發(fā)表困難的話，可把重點放在較容易發(fā)表的三級核心上，同樣有效。二級核心論文篇數(shù)x3對高校教師職稱評審影響程度也很大，關聯(lián)度值為0.8360，論文總篇數(shù)x6對高校教師職稱評審影響程度最小，關聯(lián)度值只有0.4984。
2 基于灰色BP神經網絡的高校教師職稱評審預測
BP神經網絡模型的建立：表1歸一化的46組數(shù)據(jù)作為BP神經網絡的樣本，任取前37個樣本用于網絡學習訓練，另外的9個作為網絡訓練完畢后的預測樣本。
為了驗證本文灰色BP預測模型的有效性，實驗中與單一采用BP的模型，在網絡訓練效率方面、網絡預測的準確上分別進行比較。
灰色BP預測模型：根據(jù)上文對高校教師職稱評審影響因子的分析，選用上述的關聯(lián)度值在0.4984以上的5個影響因子作為輸入變量，高校教師職稱專家評審作為輸出數(shù)據(jù)，將職稱晉級（1）、淘汰（0），分別用“1 0；0 1”表示。隱含層經訓練，結果表明：當隱含層單元的個數(shù)為8時，網絡模型穩(wěn)定且獲得較理想結果，這樣網絡結構即可確定為5-8-2。訓練函數(shù)采用trainlm，輸入層與隱層、隱含層與輸出層之間的傳遞函數(shù)選為tansig，logsig函數(shù)。訓練次數(shù)最大設置為100次，網絡收斂誤差為0.001。
BP預測模型：表1歸一化的數(shù)據(jù)作為BP網絡的輸入。BP輸入節(jié)點為6個指標數(shù)值，BP網絡輸出節(jié)點為2，中間層的節(jié)點數(shù)選8，網絡結構即可確定為6-8-2，其它參數(shù)設置同上。
從圖1、2可以看出，灰色BP網絡的訓練只經過13步就達到了最小誤差，這說明，選擇與高校教師職稱評審有較大關聯(lián)度的5個影響因子作為網絡輸入，提高了網絡訓練的效率。
從表3中可以看出，在建立預測模型前未經過任何數(shù)據(jù)預處理的BP模型，預測準確率低，判錯了2個，準確率77.77%，本文的基于灰色BP預測模型，判錯1個，準確率提高到88.9%，預測結果與專家評審基本吻合。
3 結論
本文針對某高校2012年教師職稱評審實際數(shù)據(jù)，利用灰色關聯(lián)分析方法探討了各個影響因子對教師職稱評審的影響程度；采用基于BP神經網絡模型對教師職稱評審進行預測，得出結論：
（1）利用灰色關聯(lián)分析方法能夠考慮影響教師職稱評審的主要因素，灰色關聯(lián)分析表達出各個影響因子的影響程度，為高校教師職稱的晉級提供指導參考。
（2）與目前我國高校教師職稱采取的定性分析評審相比，基于灰色神經網絡評審模型實際操作簡單、客觀，這些使得評審結果更加趨于合理。
（3）利用灰色關聯(lián)分析帥選了其中5個指標的本文BP神經網絡預測模型，與未經過任何數(shù)據(jù)預處理的BP預測模型相比，提高了網絡的訓練速率和網絡預測精度。
參考文獻：
[1]張吉剛，梁娜.消費者網上購物意向的灰色神經網絡預測模型[J].統(tǒng)計與決策，2007（22）：133-135.
[2]孫莉.基于灰色BP神經網絡的服裝面料規(guī)格參數(shù)預測[J].計算機應用與軟件，2012（7）：154-157.
[3]劉思峰，黨耀國，方志耕，等.灰色系統(tǒng)理論及其應用[M].5版.科學出版社，2010：62-90，211-213.
[4]肖新平，宋中民等.灰技術基礎及其應用[M].北京：科學出版社，2005.8.
[5]劉軍奎.高校職稱評審制度的社會學思考[J].前沿，2011（05）.
[6]朱霽.我國高校教師職稱評審程序的弊端及完善[J].中南林業(yè)科技大學學報（社會科學版），2011（02）.
[7]王勇強.關于高校教師職稱制度改革的思考[J].中國高校師資研究，2011（02）.
