神经网络教学范文
时间：2024-03-28 17:40:52
导语：如何才能写好一篇神经网络教学，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。
篇1
中图分类号：TP183 文献标识码：A文章编号：2095-2163（2013）06-0060-03
0引言
教师教学效果的审核评定是高校教学中的重要工作。传统的考核方法或者只是由学生填写调查表，给教师划分等级，进行定性描述，或者是由督导组根据几堂课的听评给教师的课堂教学打出一个分值。无论是哪种方法都不能全面客观地对教学工作做出科学评定。而且传统的考核方法受主观因素影响较大，学生在对教师的评判中常会加入多种因素，各种因素之间的影响也各不相同，仅以学生或仅凭督导团的评定来实施评判显然已不尽合理。因此， 建立一种能尽量排除各种主观因素的干扰，同时又具有完善且稳定的评价体系的评定方法则成为必要和重要的研究课题。
本文构建一种教学效果评价体系，即对教师的评价从“教学态度”、“教学内容”、“教授方法”、“课堂效果”四大方面分项进行，无论是学生还是督导组均可据此评价体系给出相应评分。本文提出使用BP反向传播神经网络来构建一个稳定的评分系统，各项评分指标为网络输入，使用已训练完成的BP神经网络来模拟一个专家的打分经验，由此输出一个终值。BP神经网络通常是指基于误差反向传播算法的多层前向神经网络，由于BP网络的神经元采用的传递函数是Sigmoid型可微函数，因而可以实现输入和输出间的任意非线性映射[1]。由于BP神经网络本身就是一种高度复杂的非线性动力系统的辨识模型，并且BP神经网络具有逼近任意非线性函数的能力[2]，因此使用BP神经网络进行评价将使结果更具客观性，以此来模拟一个稳定的评分系统亦将具备了现实实现基础。在本文提出的系统中，系统将评价体系中各组评分的分值作为反向传播神经网络的输入，使用BP网络运算后得出一个综合性的评分，即整个过程好似系统模拟一个经验颇丰的专家进行打分。其后，本文又通过数据测试验证了模型的评价结果与实际相符。
1BP神经网络模型
BP（Back Propagation）神经网络是基于误差反向传播的多层前向神经网络，即权值和阈值的调节规则采用了误差反向传播算法，这是一个有导师的神经元网络学习算法[2]。BP网络能学习和存储大量的输入输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。该网络的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层（hide layer）和输出层（output layer）。其中的隐层可扩展为多层。只要在隐层中有足够数量的神经元，就可使用这种网络来逼近任何一个函数[3]。一个典型的BP网络结构如图1所示。
2评价模型的构建
本文构建了一套评价体系，使用一套客观标准进行量化表达，且该体系适用于大多数学校的教学评价。评价项目中，各项指标的取值范围为[0，10]。多位专家将根据评价体系方案为每一位参评教师填表打分，经过汇总后，每一个教师的教学情况评分将和一个评价矩阵A对应。列向量x为各个项目指标，行向量e为各位专家评出的各项指标分值。对列向量进行均值计算，则得到各个教师的教学效果指标向量S。所得教学效果指标向量S即是神经网络的输入。评价体系方案设计如表1所示。
表1教师教学评价体系
Tab.1 The system of teaching evaluation类别项目教学态度严谨负责x0； 思想教育x1；教学内容教学目标x2； 准确度x3； 熟练程度x4； 信息量x5；教授方法启发思维x6； 讲授思路x7；重点难点x8；联系实际x9；教学仪态x11；语言表述x12；媒体使用x14课堂效果课堂纪律x15；学生思维x16 图2则为一个由6名专家给出的某位教师教学效果的评分矩阵。
3BP网络模型的设计与实现
使用BP神经网络可以构建稳定的评分系统。人为打分时由于主观因素的影响，分值出入较大，往往不能准确地反映实际情况，为了避免对同一教师的教学评价出现较大反差，构建一个稳定的BP神经网络系统即已成为实践发展过程中的一个必然要求。在系统实现过程中，一位专家首先根据本文提出的评分系统给出各项成绩，并将此成绩作为神经网络的输入值。其后，这位专家再给出一个综合评分，作为神经网络的样本，即输出值，以此即可对BP网络进行训练。训练后的神经网络就可以模拟该专家的打分经验，由此构建形成一个稳定的评分系统。
根据BP神经网络模型的定理（Kolmogrov 定理）：给定任一连续函数f：[0，1]nRn，f可以用一个三层前向神经网络来模拟实现。第一层，即输入层，有n个神经元；中间层，神经元个数可由经验公式实验得出；第三层，输出层有m个神经元。因此一个三层结构的、设有Sigmoid神经元，并具有足够隐节点的BP神经网络则可以逼近任何一个连续函数。本系统采用有三层结构的BP神经网络，其结构如图1所示。由于评价体系中有17个指标，因此网络的输入层有17个输入。系统的输出层则确定为1个节点。隐层神经元个数将根据实验结果而确定为11个。隐层传递函数可使用“lognsig”对数传递函数实现，输出层传递函数使用“pureline”纯线性传递函数实现。训练函数则使用“traingdm”动量梯度下降反向传播法对网络进行训练，另外，网络性能函数使用了默认的“mse”均方误差函数。MATLAB中的主要代码如下：
设有10位教师需要评分，因而使用10组分数即17×10的矩阵作为10个教师的教学效果矩阵。教学效果矩阵即是神经网络的输入矩阵，亦是训练样本，矩阵的行向量为各项评价指标，10个样本，即10位教师的最终评价结果则作为目标样本来训练神经网络，获取1×10矩阵为目标矩阵，即10位教师的最终得分。实验中运用Matlab编程建立三层BP神经网络，目标训练误差为0.1，最大训练次数为 3 000次。训练误差随训练次数的变化情况如图3所示，神经网络经过909步迭代达到精度要求。对应输出与目标的误差如图4所示。
训练样本的输出与专家打分结果比较如表2所示。
由表2可以看出，训练后的网络输出值与专家给出的终值之间的差异均在可接受的指标范围内，因此采用BP神经网络可以构建稳定的评分系统。
4结束语
在对教师教学效果的评价中存在着多种因素，本文构建了一套较为合理的评价体系，并且提出使用BP神经网络对专家评分进行模拟，利用神经网络可避免打分过程中出现的宽严不定的情况。实验证明，BP神经网络可以构建稳定的评分系统，并取得了良好的实验效果。
参考文献：
[1]许东. 吴铮. 基于Matlab 的系统分析与设计—神经网络[M]. 西安：西安电子科技大学出版社，2003：18-19.
[2]胡守仁. 神经网络导论[M] . 长沙：国防科技大学出版社，1993 ：113 - 120.
[3]Martin T. Hagan， Howard B.demuth. 神经网络设计[M]. 北京：机械工业出版社 ，2002：227-255.
[4]郭齐胜. 系统建模原理方法[M]. 长沙：国防科技大学出版社，2003：172-173.
[5]袁剑. BP神经网络在学生综合考评中的应用[J]. 福建电脑，2010（6）.
篇2
关键词：教学质量; 神经网络; BP算法; 评价
中图分类号：TP182文献标识码：A文章编号：1009-3044(2011)07-1581-02
Study of the Application of BP Algorithm of Neural Network in the Evaluation of Teaching Quality
ZHOU Ying1,2, TAO Yu1, YAN Xi-huang1
(1.Anhui University, Hefei 230039, China; 2.Nanjing University, Nanjing 210093, China)
Abstract: Neural networks have good ability of self-learning and fault-tolerance. They are good at association, analogy and reasoning. Based on having discussed the compose of teaching quality evaluation system, This paper applies BP Algorithm of neural network into the evaluation of teaching quality in order to reflect the teaching fact correctly and evaluate the teacher's teaching quality effectively. Experiments prove that the method of neural networks has made the better result owing to it considering the vagueness of the evaluation.
Key words: teaching quality; neural networks; BP algorithm; evaluation
教师教学质量评价是高等院校教学质量管理的重要环节和内容，科学合理的评价方法是保障教学质量的一个重要措施，正确地评价一个教师的教学效果对于引导教师提高教学水平、改进教学方法具有积极的作用，科学有效地评价教学质量对学校的教学工作有着十分重要的意义。近年来, 各高校对教师教学质量评价工作极为重视, 制定了相应的规章制度和考核办法，并在实践中不断加以改革和完善。
目前应用较多的教学质量评价方法主要包括民意测验法、同行评价法等。这些方法为评估教学质量提供了参考，但也存在一些不足之处[1]，主要表现在教学质量评价的定性指标需要由评价者主观确定，存在着不确定性和模糊性[2], 这导致了目前教学质量的评价尚未找到较为客观的合适方法。而神经网络这一工具具有很强的自学能力以及鲁棒性和容错性，善于联想、概括、类比和推理，对教学质量评价的不确定性的处理具有很好的效果。
本文主要分为三个部分，首先讨论教师教学质量评价指标体系的构建，接着以我校的70名教师为实验对象，在Matlab7.0环境下，用神经网络的BP算法对其进行实验，在此基础上，最后给出结论。
1 教师教学质量评价指标体系的构建
构建科学有效的评价指标体系是教师评价工作需要首先解决和准备的重要内容。教师评价指标体系是所有规范和程序中最基本最重要的内容, 评价指标体系构造的好坏是教学质量评价成功与否的前提。考虑到不同学科门类、不同性质课程、不同教学环节、不同授课对象，对教学质量评价体系的考虑主要从能直接反映教学质量并有共性的最基本因素等方面加以设计。参考现有的教学质量评价体系[3]和安徽大学教学质量评价标准，不仅考虑教师的课堂教学质量，还将教师在课后对学生作业的批改及答疑的评价纳入评价范围，加强了对教师整个教学过程的监控。指标的设计包括以下几个方面。
在该评价体系中，对学生填写的问卷中的数据，用传统的指标加权平均法来评价教师的教学活动，其中A-90（优秀），B-80（良好），C-70（中等），D-60（合格），E-50（不合格）。
2 神经网络的BP算法及神经网络模型结构的确定
BP(Back Propagation)神经网络近年来被广泛应用于建模、模式识别和控制、时间序列分析以及评判中[4-6]，并且取得了很好的效果。它的学习过程由信号的正向传播和误差的反向传播两部分组成。正向传播时，输入样本从输入层传入，经隐层传向输出层。若输出层的实际输出与期望输出不一致，则将两者的误差通过隐层向输入层逐层反传，同时调整它们的权和阈值，使神经网络的实际输出更接近于期望输出。经过反复地迭代和调整，最后使误差达到要求。在这个学习的过程中，确定各层的权和阈值。
本文将选用三层网络结构来构建评价模型，即只设置一个隐含层。采用3层前向BP网络结构，即输入层、隐含层、输出层。合理设计网络结构以及训练样本，将训练样本输入网络进行运算，采用梯度下降法对BP网络进行训练，直到系统误差符合指定要求后所得到的网络模型便是所需要的教学质量评价模型。
2.1 输入样本和输出样本的设计
在输入层中，用教学质量的8个评价指标值（如表1所示）构成BP神经网络的输入向量，因此，BP神经网络的输入层节点数就相应地确定为8个。
在输出层中，用评价值(即专家或学生的评价结果)构成BP神经网络的输出向量。由于学生的评价结果只有一个，因此网络的输出层只设为1个输出节点。它是一个实数，取值范围为[0，1]。其中，优秀对应于1.00一0.9000，良好对应于0.89一0.8000，中等对应于0.79―0.7000，及格对应于0.69一0.6000，不及格对应于0.59以下。
2.2 隐层节点个数的设计
目前，确定隐层节点个数的一个常用方法是试凑法，在用该方法时，有一些确定隐层节点数的经验公式。我们选择了公式 ■进行试验，在该公式中，m为隐层节点数，n为输入层节点数，本实验中取为8，l为输出层节点数，本实验中取为1，a为一常数，介于1-10之间。根据上述公式，计算出隐层节点数为4-13个，逐一进行试验，得到最佳隐节点数为6。
此外，隐层单元上的激活函数选取tansig双曲正切函数，输出层的激活函数选取Sigmoid函数，函数形式为f(x)=1/(1+e-x)。连接权和阈值的初始值选取[-1,1]和[-1/n，1/n]范围内的随机数，其中n为神经网络输入层的节点数8。
3 实验过程
本文的所有实验均是在Matlab 7.0的环境下利用neural network toolbox（神经网络工具箱）进行的[7]。实验样本来自安徽大学部分老师的评价结果，共有70份。其中的20份作为神经网络的学习样本，分别包含优秀、良好、中等、合格和不合格样本各4份，评价的成绩来自于学生的评价。每个学习样本经过加权处理后，是一个9维的向量，其中的前8维数据是分项评价的结果，可以看成本实验的输入向量，第9维数据是最后的总评成绩，是本实验的输出结果。考虑到输入向量中的数据差距比较大，我们对样本的输入向量采用了最大最小值法进行归一化处理，通过公式xi*=(xi-xmin) / (xmax-xmin)可以将输入数据变换为[0，1]区间中的值，公式中xi*表示变换后的输入向量，xi表示变换前的输入数据，xmin表示输入数据中的最小值，xmax表示输入数据中的最大值。经过加权处理后，每个老师的评价成绩对应于9个实数。前8个实数是学生分项打分的标准化处理结果，这8个实数的范围分别是[4，7.2]、[9，16.2]各一个，[5，9]、[7.5，13.5]和[6，10.8]各两个，第9个实数则是前8个实数的加权和，对老师的教学质量的判定就根据第9个实数的大小来决定，如表2所示。剩下的50份样本作为测试样本，用于测试。测试样本的输入输出格式与学习样本的格式相同，都是一个9维的向量，其中前8个数据是已知的，用训练好的神经网络输出第9个数据，并与第9个数据的实际值进行比较。
评价的神经网络模型建立的具体步骤可以分为以下4步：1）使用newcf（）函数新建一个神经网络；2）使用随机函数rands（）对网络的权和阈值进行初始化；3）使用traingd（）函数对神经网络进行训练，训练的终止条件是误差小于0.001或最大次数设为2000次，用net.trainParam.lr=0.45来设定学习速率；4）使用sim（）函数对测试数据进行计算判定。经过1663次训练，误差为0.00099，达到预定的目标0.001。网络的训练结果和误差曲线如图1和图2所示。
用训练好的BP网络对剩下的50份样本进行测试，测试的结果与学生实际的评价结果相比，精度达到98%。从测试的结果来看，精度非常高。这表明神经网络的泛化性能较好，可以用训练好的神经网络来对教师的教学质量进行合理的评价。
4 结论
本文利用三层神经网络具有很好的逼近功能，它在不需要知道系统的内部机理的前提下，可根据输入数据和目标数据来对系统进行训练。将训练后的系统对教师的教学质量进行评价，实验结果表明，BP神经网络不但能够满足误差精度的要求，而且训练速度快，误差小。BP神经网络在教学质量评价中，考虑了评价标准的多样性和不确定性，使评价的结果更加全面准确地反映实际情况，为教学质量评价提供了实用的新的工具。
参考文献：
[1] 谷成,田颖.完善高校教师评价体系的思考[J].当代教育论坛,2008(3):83-85.
[2] 任之光,张彦通,李学迪.模糊综合评判法在高校教学评估中的应用[J].科学技术与工程,2006,6(15):2397-2401.
[3] 蔡锦锦.高校教师课堂教学质量评价方法研究[J].计算机教育,2009(10):104-105.
[4] Hagan M T,Demuth H B.Neural Network Design[M].北京:机械工业出版社,中信出版社,2002.
[5] 高隽.人工神经网络原理及仿真实例[M].北京:机械工业出版社,2003.
篇3
促进生生互动的策略
学生之间的互动主要表现为小组合作探究和学生个体间的相互评价。
小组合作探究。教师选择主题后，设计小组任务，准备学习资料包。学生小组合作利用资料包中的学习资料，或者从互联网上搜集新的资料，加工处理后，利用多种形式表达、展示、交流探究成果，争取做到每个人都有小的研究主题，都能动起来。学生在自主探索的同时，也可以利用网络论坛、留言板，共享自主探究的成果。
学生个体间相互评价。相互评价是一种有效的个体间交互方式，很适合在网络环境下进行。例如，在“三江源”教学过程中，我设计了这样的小活动：请用简练的语言为三江源地区设计一条公益广告，呼吁人们呵护“中华水塔”――三江源（30字以内）。学生利用网络论坛发表自己的作品，其他学生和教师都可以浏览，还可以评价或者送鲜花，这一活动极大地激发了学生参与的兴趣。这一策略的重点是教师通过示范和明确陈述规则，帮助学生建立评价的标准和行为规范，降低评价过程的随意性。
促进学生和学习资源互动的策略
网络环境下的地理学习资源极大丰富，除了专门为教学开发的资源以外，互联网上的百科全书、在线地图、天气预报网站等公共服务平台也具有很高的教学价值。但资源丰富并不意味着学生就能自主学习，为了增强学生与资源交互的有效性，教师需要仔细设计教学任务和活动，精心选择资源和工具，我主要尝试了导学案支持下的个体自主学习。
导学案不仅仅是学习任务和题目的列表，更重要的是学生学习的“脚手架”，使学生的网络自主学习活动保持适度的结构化。根据学生情况，在导学案中包含学习所需资源和工具的获取方法、操作方式的说明。“三江源的基本情况”这部分内容采用这一方式进行学习。为学生提供的导学案分为两部分：一是利用Google Earth，标注出长江、黄河和澜沧江，以及三江源的范围；二是阅读关于三江源地区的资源状况（尤其是珍稀动植物）的资料，了解三江源的生态环境和资源状况，为后续小组合作探究三江源环境问题做铺垫。
网络环境教学的优势
通过实践和思考，我认为基于网络环境的地理教学有以下优势。
实现了互动教学。利用网络环境组织地理教学，可以使学生在学习目标的指引下，通过“人机对话”的方式自主探究学习。在这个过程中，学生是教学的中心，教师在整个教学过程中起组织者、指导者、帮助者和促进者的作用。教师利用情境、协作、会话等学习环境要素充分发挥学生的主动性、积极性和创造精神，最终达到使学生有效地实现意义建构的目的。
篇4
关键词：机器学习；深度学习；推荐算法；远程教育
深度学习（DeepLearning），也叫阶层学习，是机器学习领域研究的分支，它是学习样本数据的表示层次和内在规律，在学习的过程中获取某些信息，对于数据的解释有巨大帮助。比如对文字数据的学习，在网络上获取关键字，对图像数据的学习，进行人脸识别等等。
一、深度学习发展概述
深度学习是机器学习领域里一种对数据进行表征学习的方法。一句话总结三者之间的关系就是：“机器学习，实现人工智能的方法；深度学习，实现机器学习的技术。深度学习目前是机器学习和人工智能领域研究的主要方向，为计算机图形学、计算机视觉等领域带来了革命性的进步。机器学习最早在1980年被提出，1984年分类与回归树出现，直到1986年，Rumelhart等人反向传播（BackPropaga-tion，BP）算法的提出，解决了感知模型只能处理线性分类的问题，1989年出现的卷积神经网络（ConvolutionalNeuralNet-works，CNN）也因此得到了一定的发展。在1990年至2012年，机器学习逐渐成熟并施以应用，GeoffreyHinton在2006年设计出了深度信念网络，解决了反向传播算法神经网络中梯度消失的问题，正式提出了深度学习的概念，逐渐走向深度学习飞速发展的时期。随后，各种具有独特神经处理单元和复杂层次结构的神经网络不断涌现，深度学习技术不断提高人工智能领域应用方面的极限。
二、深度学习主要模型
1、卷积神经网络卷积神经网络（ConvolutionalNeuralNetworks，CNN）是指有着深度结构又包含着卷积计算的前馈神经网络。卷积物理上理解为系统某一时刻的输出是有多个输入共同叠加的结果，就是相当于对一个原图像的二次转化，提取特点的过程。卷积神经网络实际上就是一个不断提取特征，进行特征选择，然后进行分类的过程，卷积在CNN里，首先对原始图像进行特征提取。所以卷积神经网络能够得到数据的特征，在模式识别、图像处理等方面应用广泛。一个卷积神经网络主要由三层组成，即卷积层（convolutionlayer）、池化层（poolinglayer）、全连接层（fullyconnectedlayer）。卷积层是卷积神经网络的核心部分，通过一系列对图像像素值进行的卷积运算，得到图像的特征信息，同时不断地加深节点矩阵的深度，从而获得图像的深层特征；池化层的本质是对特征图像进行采样，除去冗杂信息，增加运算效率，不改变特征矩阵的深度；全连接将层间所有神经元两两连接在一起，对之前两层的数据进行分类处理。CNN的训练过程是有监督的，各种参数在训练的过程中不断优化，直到得到最好的结果。目前，卷积神经网络的改进模型也被广泛研究，如全卷积神经网络（FullyConvolutionalNeuralNetworks，FCN）和深度卷积神经网络（DeepConvolutionalNeuralNetworks，DCNN）等等。2、循环神经网络区别于卷积神经网络在图片处理领域的应用，循环神经网络（RecurrentNeuralNetwork，RNN）主要应用在自然语言处理领域。RNN最大的特点就是神经元的输出可以继续作为输入，再次利用到神经元中循环使用。RNN是以序列的方式对数据进行读取，这也是RNN最为独特的特征。RNN的串联式结构适用于时间序列的数据，可以完好保持数据中的依赖关系。循环神经网络主要有三层结构，输入层，隐藏层和输出层。隐藏层的作用是对输入层传递进来的数据进行一系列的运算，并将结果传递给输出层进行输出。RNN可用于许多不同的地方。下面是RNN应用最多的领域：1.语言建模和文本生成，给出一个词语序列，试着预测下一个词语的可能性。这在翻译任务中是很有用的，因为最有可能的句子将是可能性最高的单词组成的句子；2.语音识别；3.生成图像描述，RNN一个非常广泛的应用是理解图像中发生了什么，从而做出合理的描述。这是CNN和RNN相结合的作用。CNN做图像分割，RNN用分割后的数据重建描述。这种应用虽然基本，但可能性是无穷的；4.视频标记，可以通过一帧一帧地标记视频进行视频搜索。3、深度神经网络深度神经网络（deepneuralnetworks，DNN）可以理解为有很多隐藏层的神经网络。多层神经网络和深度神经网络DNN其实也是指的一个东西，DNN有时也叫做多层感知机（Mul-ti-Layerperceptron,MLP）。DNN内部的神经网络层也是分为三类，输入层，隐藏层和输出层，一般来说第一层是输入层，最后一层是输出层，而中间的层数都是隐藏层。深度神经网络（DNN）目前作为许多人工智能应用的基础，并且在语音识别和图像识别上有突破性应用。DNN的发展也非常迅猛，被应用到工业自动驾驶汽车、医疗癌症检测等领域。在这许多领域中，深度神经网络技术能够超越人类的准确率，但同时也存在着计算复杂度高的问题。因此，那些能够解决深度神经网络表现准确度或不会增加硬件成本高效处理的同时，又能提升效率和吞吐量的技术是现在人工智能领域能够广泛应用DNN技术的关键。
三、深度学习在教育领域的影响
1、学生学习方面通过网上学习的实时反馈数据对学生的学习模式进行研究，并修正现有教学模式存在的不足。分析网络大数据，相对于传统在线学习本质区别在于捕捉学生学习过程，有针对性，实现学生个性化学习。举个例子，在学习过程中，可以通过学习平台对学生学习课程所花费的时间，参与的程度，知识的偏好等等数据加以分析。也可以通过学生学习某门课程的次数，鼠标点击次数、停留的时间等，来推断学生学习情况。通过以上或类似数据汇总分析，可以正向引导学生学习，并给予积极的学习评价。这种利用计算机收集分析出来的客观数据，很好展示了学生学习行为的结果，总结学习规律，而不需要教师多年的教学经验来判断。对于教育研究者而言，利用深度学习技术可以更客观准确地了解学生，使教学工作良好发展更进一步。2、教学方面学习平台的数据能够对教学模式的适应度进行预测，通过学生的考试成绩和对教师的线上评价等加以分析，能够预测出某一阶段的教学方式发发是否可行，影响如何。通过学生与教师的在线互动，学生测验时完成的时间与完成的结果，都会产生大量的有效的数据，都可以为教师教学支持服务的更好开展提供帮助，从而避免低效率的教学模式造成教学资源的浪费。
四、成人远程教育中深度学习技术的可应用性
深度学习方面的应用在众多领域都取得了成功，比如电商商品推荐、图像识别、自然语言处理、棋类博弈等等。在远程教育方面，深度学习的技术还有很大的发挥空间，智能网络教育的实现是人们的众望所盼。若要将深度学习技术应用到远程教育平台，首先要清楚学生的需求和教学资源如何分配。1、针对学生的学习需求与学习特征进行分析美国斯坦福大学克里斯皮希研究团队的研究成果显示，通过对学生知识学习进行时间建模，可以精确预测出学生对知识点的掌握情况，以及学生在下一次学习中的表现。深度学习的应用可以帮助教师推测出学生的学习能力发展水平。通过学生与教学环境的交互行为，分析其学习风格，避免教师用经验进行推断而产生的误差。2、教学资源的利用与分配深度学习技术能够形成智能的分析结论。计算机实时采集数据集，对学生的学习情况加以分析，使教师对学生的学习状态、情绪状态等有更加清晰、准确的了解。有了上面良好的教学模式，教师对学生的学习状态有了更准确的掌握，对学生的学习结果就有了更科学的教学评价。基于深度学习的人工智能技术，还可以辅助教师实现智能阅卷，通过智能阅卷自动总结出学习中出现的问题，帮助教师减少重复性劳动，减轻教师负担。作为成人高校，远程教育是我们的主要教学手段，也是核心教学方式，学校的教学必定是在学生方便学习的同时，以学生的学习效果为重。通过深度学习技术，可以科学地分析出学生的学习效果，对后续教与学给予科学、可靠的数据支撑。我们可以在平台上为每位同学建立学习模型，根据学生的学习习惯为其定制个性化方案，按他们的兴趣进行培养，发挥他们专业的潜能。同时，可以将学生正式在线参加学习和考试的学习行为和非学习时间浏览网站的行为结合到一起，更加科学地分析出学生在学习网站上感兴趣的地方。采用深度学习算法，根据学生学习行为产生的海量数据推算出学生当前状态与目标状态之间的差距，做到精准及时的学习需求反馈。有助于帮助学生明确学习目标，教师确立教学目标，真正做好因材施教。基于深度学习各种智能识别技术，可以为教师的线上教学活动增光添彩，在反馈学生学习状态的同时，采用多种形式的教学方法吸引学生的注意力，增强教学活动的互动性，达到良好的教学效果。
篇5
【关键词】BP算法；SA算法；人工神经网络；梯度下降；教学质量评价
1.引言
教学质量评价是一个复杂的人性化过程，传统的评价方法无法体现评价指标和评价结论之间的逻辑关系，如常用的各项指标得分加权求和的方法就存在着用线性简化非线性，指标权重的确定较为主观化等问题。因此，为获得良好的教学质量评价成效，建立科学的评价模型具有重要的意义。
BP神经网络是使用BP算法进行训练的多层前向神经网络，具有极强的非线性映射能力，且网络结构规则，训练算法成熟，因此在工程领域得到了广泛的应用。但是，传统BP算法存在易陷入误差的局部极小，无法收敛到全局最优解的固有缺陷。
本文引入模拟退火算法（SA算法）改进BP算法的全局寻优能力，给出了SA-BP融合算法的具体步骤，并应用于教学质量评价模型的构建，应用结果表明该模型相对传统BP神经网络具有更高的精确度。
2.BP神经网络
BP神经网络是由输入层、输出层、一个或多个隐层组成的多层前向网络，一个典型的单隐层的BP神经网络如图1所示。
设网络的输入为，隐层神经元的输出为，网络的实际输出为，网络的期望输出为，n、r、m分别为输入层、隐层、输出层的节点数。输入层到隐层的权值为，阈值为，隐层到输出层的权值为，阈值为，i、j、k为输入层、隐层、输出层对应的节点编号，网络的激活函数为。
BP神经网络的运行分为两个过程：
（1）信号的前向传播，输入信号依次通过隐层和输出层，隐层的输出为：
，输出层的输出即为网络实际输出，计算式为：
（2）误差的反向传播，期望输出与网络实际输出差值就是误差信号，单个训练样本输出层瞬时误差为：
，所有训练样本的总体平均误差为：
，在线学习使用作为权值调整的目标函数，批量学习使用作为权值调整的目标函数。BP神经网络使用误差梯度下降法调整权值，权值调整量为，通过该式推导得出输出层的权值调整计算式为，局域梯度定义为，其中，为输出层节点k的诱导局部域，即节点k所有输入与权值的乘积；隐层的权值调整计算式为，局域梯度定义为：
通过上述两个过程的交替迭代进行，网络权值最终会收敛到误差的一个极值点。
3.SA-BP融合算法
3.1 SA算法概述
BP算法中梯度下降是一种“贪心”策略，它的每一步都会在局部误差下降最快的方向进行权值调整，而BP神经网络的误差曲面高度复杂，通常存在多个极值点，导致BP算法易陷入误差局部极小。SA算法是一种典型的全局寻优算法，源于对金属退火过程的模拟，金属原子在高温状态下会进行激烈的无序运动，经过逐渐冷却，这种运动会不断趋向于较低的能量状态，最终到达可能的全局能量最低状态，退火过程能量状态的概率分布由如下关系确定：，其中为处于能量状态E时的概率，T为绝对温度，k为Boltzmann系数。SA算法中能量趋于最低状态的特性能为BP算法加入了全局搜索能力，此时SA算法的能量函数等效于BP算法中的误差函数，SA算法的作用是引入参数的随机扰动，使权值调整有机会脱离误差局部极小区域，最终以较高概率收敛到误差的全局最小。
3.2 SA-BP融合算法具体步骤
SA-BP融合算法的具体步骤如下：
（1）设BP神经网络初始权值为，退火过程的初始高温为，停止温度为，温度衰减函数为，马尔科夫链长度为；
（2）使用BP算法对网络进行一次训练，求出当前状态下的各层权值，使用的权值调整公式为，动量项为动量系数与前一时刻权值修正量的乘积，它记忆了前一时刻权值的调整方向；
（3）用训练样本计算权值下的输出误差；
（4）为网络各层所有的权值上加上一个很小的随机扰动，使网络各层权值变为，权值调整公式为：；
（5）用训练样本计算权值下的输出误差；
（6）计算，若，则接受状态；否则，产生[0，1]之间均匀分布的随机数，计算概率，若，接受，否则，接受；
（7）将当前权值作为新的，循环执行上述（4）～（6）步次，获得权值；
（8）使用温度衰减函数降温，将当前权值作为初始权值，循环执行（2）～（7）步，直到温度降至预设的停止温度。
（9）此时得到的权值即为最终的BP神经网络参数。
4.应用实例
教学质量评价模型采用单隐层的网络结构，选择了4个评价指标作为网络的输入，分别为“内容选择”、“教态”、“逻辑性”、“教学方法”；将每个指标分为5档，分别为：很好、较好、中等、较差、很差；评价结论作为网络的输出，分为4档，分别为优秀、良好、中等、差等。用二进制数对评价指标和评价结论的档位编码。通过发放调查表，共采集到90组样本数据，其中60组作为训练数据，30组作为测试数据。
使用SA-BP融合算法对网络进行训练，网络初始权值设为0，学习率设为0.02，动量系数设为0.7，初始高温为100，温度衰减率为0.95，停止温度为1.0×10-3，马尔科夫链长度为20。与带动量项的传统BP算法进行对比，实验结果如表1所示。
从实验结果可知，SA-BP融合算法相对于传统BP算法训练误差更小，测试误差更小，但迭代次数更多，这说明了SA-BP融合算法的能收敛到更小的误差极值点，因而能更好的表达输入与输出之间的对应关系，但搜索的随机性更强而导致收敛速度更慢。这些结果与我们最初的设想基本一致。在选择最佳隐层神经元数时，我们还发现SA-BP融合算法相对所需的隐层神经元数更多，这也说明了SA-BP融合算法具有更强的计算能力。
5.结束语
SA-BP融合算法引入模拟退火原理，使BP神经网络具备了一定的全局寻优能力，能有效地解决BP算法易陷入局部极小，致使网络训练误差增大，实际应用时性能不佳的问题。将SA-BP融合算法用于教学质量评价模型的构建，实验结果证明SA-BP融合算法相对于传统BP算法训练误差和测试误差更小。但SA-BP融合算法也存在着收敛速度更慢的问题，该问题可能是由于SA算法在极值搜索过程中引入了更多的随机性导致，需要在进一步的研究中加以解决。
参考文献
[1]D.E.Rumelhart，G.E.Hinton，R.J.Williams.Learning representations by back-propagation errors[J].Nature，1986（323）：533-536.
[2]S.Kirkpatrick，C.D.Gelatt，M.P.Vecchi.Optimization by simulated annealing[J].Science，1983（220）：671-680.
[3]贾丽会，张修如.BP算法分析与改进[J].计算机技术与发展，2006（10）：101-103.
[4]潘昊，张华伟，高美铃.基于SA-BP算法的主减速器品质诊断研究[J].武汉理工大学学报，2011（1）：1-4.
篇6
【关键词】传感器；智能化；神经网络；自补偿
【基金项目】论文受到成都信息工程大学校级项目KYTZ201521，Y2013062，Y2015015以及“传感器与检测技术”精品课程建设项目的资助。
一、引言
现代传感器技术是在传统传感器技术的基础上发展而来，广泛结合了信息处理技术、通信技术及微电子技术等[1]，将传感器提升至 “系统”级别。
开设现代传感器技术课程，需要在具备经典传感器知识的基础之上，进一步掌握智能传感器的相关知识，了解集成电路工艺、统计学习理论和现代信号处理技术等[2]。该课程的内容涉及智能传感器系统的硬件构成，智能化功能的软件实现方法，以及多元回归分析法、神经网络技术和支持向量机技术等数据挖掘方法。学生可以通过自主设计型实验加深对智能传感器的理解。而智能传感器的软件实现和数据挖掘方法的仿真都具备充分的灵活性，学生可以结合PC机在课堂上和课后进行实验研究[3]。
二、自主设计实验
现代传感器技术的课程介绍了新型智能传感器的概念、构成方式及具有的功能，重点在于智能传感器的集成化和智能化实现方法。
智能传感器集成化的实现涉及微电子技术等相关内容，对于非微电子专业的学生来说很难具备此方面的扎实基础，不易开展自主设计型实验。并且此部分内容的相关实验对硬件要求较高，不利于在不同专业和高校的推广。
智能传感器智能化的实现方式多样，有硬件实现，也有软件实现。软件实现方法包括神经网络技术、支持向量机技术、粒子群算法和小波分析等数据挖掘方法中的智能算法。这些智能算法的仿真工具众多，算法设计灵活且多样，可以让学生在完成课程实验的同时，通过自主设计进一步发掘算法的优化方法，加深对知识的理解。
本论文将举例说明现代传感器技术课程在智能传感器智能化实现方面的自主设计实验的开设方法。
例如，开设题为“基于神经网络方法的传感器温度自补偿模块设计”实验。对于会受温度影响的传感器，要降低工作环境温度的影响，就需要设计自补偿模块，补偿的方法有多种，这里选用神经网络方法。首先，学生需要选定实验对象，即传感器，比如某款压阻式压力传感器，然后获取不同温度状态下传感器静态标定数据，根据标定数据制作样本，输入到神经网络。学生可以根据需要选择不同的神经网络，比如BP神经网络和RBF神经网络等[4]。实验编程时可于利用现有的工具箱进行辅助编程，也可以完全自行编程。
以上实验只考虑了温度这一个干扰量的影响。通常影响传感器的不止一个干扰量，还可能存在两个或多个干扰量的影响。神经网络方法可以用来降低两个或者是多个干扰量的影响。此外，学生还可以用支持向量机技术来设计智能化软件模块，用于降低多个干扰量的影响。例如，可开设题为“基于支持向量机方法的降低多个干扰量影响的传感器智能模块设计”。该实验的过程是先选定存在交叉敏感的传感器作为实验对象，进行多维标定实验获取样本数据，再利用支持向量机方法建立数据融合模型，从而消除或是降低多个干扰量的影响。支持向量机的功能包括分类和回归等，因此学生还可以结合其分类的功能设计其他传感器智能模块。
学生在进行智能算法的课程实验时，可以选择自带工具箱中丰富的仿真工具，也可以自行编程实现算法。本论文采用Matlab软件为仿真工具实现算法。
三、实验示例
（一）基于神经网络方法的传感器温度自补偿模块设计
本实验选定压阻式压力传感器作为实验对象，目标如下。
1.基于神经网络技术设计温度补偿模块，消除工作环境温度对传感器的影响。
2.实验过程需对多个样本进行实验，提高补偿模块的适应性，即在满足压力量程的情况下对不同的工作温度进行补偿。
3.温度补偿模块的设计可以使用多种神经网络方法，并进行对比，得到消除温度影响最好的方法。
实验步骤如下。
1.二维标定实验
用标定实验来获取原始实验数据。由于实验条件和实验时间的限制，有些学生无法进行此步骤。学生也可以通过教材或者相关论文来获取原始数据，但是必须在实验报告中注明数据的来源。
2.数据预处理与样本制作
用上一步中获取的原始数据来制作样本。通常先将原始数据进行归一化处理，用归一化之后的数据制作样本。神经网络的样本包括训练样本和测试样本。
3.训练神经网络
将训练样本输入到编好的神经网络算法，可以是BP神经网络和RBF神经网络等，得到训练后的模型。
4.测试神经网络
用测试样本检验训练好的神经网络模型。如果得到的效果不好，可以适当地调整神经网络的参数，改善补偿效果。
5.更换训练样本和测试样本后重复第三和第四个步骤
不同样本得到的结果往往差异较大，实验中需要更换训练样本和测试样本后进行多次重褪笛椋用以提高神经网络模型的适应性。
6.换一种神经网络方法重复第五个步骤
同一样本采用不同的神经网络方法可能得到不同的补偿结果，实验中可以尝试对比不同的神经网络方法，或者通过优化神经网络的方法改善补偿效果。
（二）基于支持向量机方法的降低多个干扰量影响的传感器智能模块设计
本实验的目标如下。
1.利用支持向量机的处理分类和回归问题的功能，对传感器交叉敏感的数据进行分析，用以抑制交叉敏感现象。
2.尝试修改支持向量机的程序，例如更换核函数或改变分类策略，得到不同的测试结果。
3.制备多组样本数据，对不同的样本数据进行测试，用以检验算法的适应性。
实验步骤如下。
1.样本数据制作
根据确定的实验对象，采集或制备样本数据。制作好的样本数据将分为训练样本和测试样本两部分。训练样本与测试样本的格式保持一致。
2.算法设计
利用支持向量回归（Support Vector Regression，SVR）或支持向量分类（Support Vector Classification，SVC）算法，处理样本数据。利用多种策略测试算法优劣。
例如在支持向量分类算法中，有两种处理多分类问题的策略， 一种是“一对一（one agaist one， 1A1）”， 另一种是“一对多（one agaist all， 1AA）”。实验中可测试不同策略的算法。支持向量机可选取多种核函数，包括线性核函数、多项式核函数和径向基（Radial Basis Function，RBF）核函数等。目前尚缺乏一种选取核函数的标准方法。实验中可以通过更换核函数来测试它们的不同效果，用以选取最优的方案。
可以采用不同的支持向量机工具箱，例如SVM and Kernel Methods Matlab Toolbox工具箱，或者自行编程。
在算法设计的过程中，通过对训练样本进行训练和对测试样本进行测试，得到每一次的结果。同一算法必须经过多个训练样本和测试样本的检验。更换算法策略后，再重复以上步骤。
3.效果评价
用抑制交叉敏感的结果对比最初的传感器数据，对算法效果进行综合评价。
（三）实验方案
结合以上实例，可以设计出自主实验的方案，具体如下：自行查阅资料进行神经网络分析法和支持向量机法的设计，两种算法选择其一即可。
实验步骤如下：（1）安装matlab软件；（2）熟悉matlab软件的使用方法；（3）查阅资料进行项目设计；（4）选取神经网络分析法和支持向量机法之一进行项目设计；（5）根据设计要求编写算法，并仿真；（6）对算法效果进行综合评价。
需要注意的是，利用神经网络分析法和支持向量机法在智能传感器系统的智能化功能实现方法上进行项目设计的时候，数据来源要有出处，应用范围要明确。
四、结论
现代传感器技术课程通过开设自主设计型实验可以提高学生的学习兴趣，加深学生对知识的理解。该课程涉及的神经网络技术、支持向量机技术、主成分分析和小波分析等方法可以较为灵活地开设自主设计实验，加强学生的动手能力。本论文以“基于神经网络方法的传感器温度自补偿模块设计”实验为例说明了自主设计实验的方案。实验采用Matlab软件设计，方案可行。
【参考文献】
[1] 张鹏，吴东艳，张凌志.项目教学法与传感器课程改革探索[J]. 中国电力教育，2014（05）：78-79.
[2] 王兴君，毛敏.智能传感器课程建O及教学研究[J]. 电子测试，2016（07）：172-173.
篇7
关键词：人工神经网络；东盟自由贸易区；人才需求预测
中图分类号：C962 文献标识码：A 文章编号：1006-723X（2014）04-0083-05
中国-东盟自由贸易区不仅是目前世界上第三大自由贸易区，也是由发展中国家组成的最大的自由贸易区。中国通过中国-东盟自由贸易区加强了与东盟国家在各个领域的合作，中国的资金、技术以及人才的流动从国内转向国际，“人才是关键”，这是中国与东盟国家已达成的共识。同时，伴随着东盟自由贸易区的快速发展，东盟自由贸易区对人才需求也将大大增加，人才需求的类型也由原来较为单一的翻译、经贸以及旅游等方面人才而转向更加多样化的人才。因此，关于东盟自由贸易区未来人才需求量的预测的研究就势在必行。作为与东盟国家临近的中国省份，自从中国-东盟自由贸易区建立以来，云南省由一个中国边疆省份成为对外开放的前沿，云南省也加强了与东盟国家的合作。随着东盟国家对人才需求量的增加，云南省外向型高级人才也十分紧缺，云南省与发达省区的差距最为明显的也是人才上的差距，这是云南面对种种挑战中最为严峻的挑战。基于此，本文选用BP人工神经网络模型对东盟自由贸易区人才需求趋势进行预测，并提出云南省在人才培养中的应对措施，具有一定的理论和现实意义。
一、相关研究文献回顾
人工神经网络理论是20世纪80年展起来的一个前沿研究领域，BP神经网络是人工神经网络的重要模型之一，拉皮得（Lapedees）等人（1987）首先采用非线性神经网络对由计算机产生的时间序列仿真数据进行了学习和预测，并将神经网络引入预测工作中。此后，神经网络预测模型的应用领域逐步扩大，被广泛应用于经济、管理以及工程等领域，取得了很好的预测效果[1]（P21）。
国内相关学者运用神经网络理论进行了大量的研究。常引（2008年）运用BP神经网络理论，找出影响农民收入的主要因素，建立了神经网络预测模型，在此基础上以陕西省历年农民收入数据为实例样本，对陕西省农民收入进行预测[2]（P3）；何永贵等（2005）分别使用多元线性回归、灰色相关方法和神经网络方法对某供电企业的人力资源需求进行预测，在此基础上将三种预测结果进行误差分析和比较，最后确定神经网络方法为比较理想的预测方法，该方法可以作为较好预测供电公司人力资源需求[3]（P80）；邹子建（2010）运用 BP 神经网络理论，结合衡水市历年经济总量数据，构造出区域经济预测模型，在此基础上借助MATLAB软件，对衡水市未来经济总量进行预测。本文作者对预测值和实际值进行了比较分析，证明BP 神经网络方法对经济总量预测具有较高的预测精度。因此，BP神经网络方法可以广泛运用到对某一区域的经济预测中[4]（P3）。
综上所述，基于BP人工神经网络理论的预测方法已经比较成熟，利BP人工神经网络模型应用的领域也越来越广泛。但是到目前为止，尚未发现将BP人工神经网络模型应用于东盟自由区人才需求量预测方面的研究成果。本文运用BP神经网络模型对东盟自由贸易区的人才需求量进行预测，在此基础上提出云南省的应对措施，以期对相关部门的决策提供理论支持。
二、基于BP人工神经网络模型的
东盟自由贸易区人才需求趋势
预测过程及结果 BP人工神经网络（Back Propagation Artificial Neural Network）也被称为误差反向传播神经网络，BP人工神经网络大量应用于经济管理、优化控制以及趋势预测等方面。从结构上讲，BP人工神经网络具有输入层、隐含层和输出层三层结构，同一层单元之间不存在相互连接，层与层之间多采用全连接的方式[5]（P38）。我们运用BP人工神经网络模型对东盟自由贸易区人才需求量进行预测如下：
（一）样本数据的选取和处理
首先，需要对东盟自由贸易区人才需求进行量化分析。因为受统计资料的限制，我们难以从统计资料中查找到历年东盟自由贸易区人才需求量数据 ，但是从东盟统计年鉴2011年中可以查找到历年东盟自由贸易区劳动力总数数据。我们可以将东盟自由贸易区劳动力总数的10%作为东盟自由贸易区人才需求量数据，这种替代方法也是具有一定道理的。
其次，需要对东盟自由贸易区人才需求量的影响因素进行分析。应用BP人工神经网络模型对东盟自由贸易区人才需求量趋势进行预测，需要找出东盟自由贸易区人才需求量的影响因素，这是至关重要的。目前学术界普遍认为，东盟自由贸易区比较紧缺的人才是外语人才、经贸人才、法律人才、文化人才以及宗教人才。而这些人才的紧缺是与东盟自由贸易区经济快速发展、进出口贸易总额快速增长、吸引外资量和吸引旅游者人数大大增加有着较为密切的关系。因此，我们将东盟自由贸易区人才需求量的影响因素定为人均GDP、吸引FDI量、吸引旅游者人数和进出口贸易总额。这些指标数据也可以从东盟统计年鉴2011年中查找到（如表1所示）。
最后，通过各解释变量的时间序列模型预测出各解释变量2011～2020年的数年。人才需求预测各解释变量的时间序列模型，包括人均GDP时间序列模型、吸引FDI量时间序列模型、吸引旅游者人数时间序列模型以及进出口贸易总额时间序列模型。通过对这些时间序列模型进行研究，可以对未来东盟的人才需求量进行简单的总结归纳。根据2000年～2010年的时间序列数据，运用普通最小二乘法（OLS），并利用EViews软件可得各时间序列模型的表达式如下：
其中，Xt表示各时间序列模型的被解释变量（i=2000，2001，…2010），t表示年份数（t=1，2，…，10），Ut表示随机误差项。
上述模型就是利用EViews软件得出的人才需求预测解释变量时间序列模型，将上述模型的自变量即（2011～2020年）代入上述模型，可得东盟自由贸易区人均GDP、吸引FDI量、吸引旅游者人数以及进出口贸易总额在2011～2020年的大体数据（如表2所示）。考虑到这些评价指标数据的量纲和数量级不一致，如果直接用这些数据进行计量分析，BP神经网络难以做出有效判断，因此，需要对这些数据进行无量纲化处理（无量纲化处理后的数据略）。
（二）基于BP人工神经网络模型的东盟自由贸易区人才需求趋势预测过程
在建立模型过程中，我们确定将2000～2010年影响东盟自由贸易区人才需求量四个因素数据作为输入变量，将2000～2010年东盟自由贸易区人才需求量数据作为输出数据。在此基础上，要把样本分为训练样本和测试样本两部分。我们将2000～2009年东盟自由贸易区人才需求量数据作为训练样本，将2010年东盟自由贸易区人才需求量数据作为测试样本，用2000～2009年东盟自由贸易区人才需求量数据对BP神经网络进行训练，在这里我们假定2010年东盟自由贸易区人才需求量数据是未知的，然后将2010年东盟自由贸易区人才需求量影响因素输入到我们训练的神经网络模型中，得到预测值，再来看一下预测值跟实际值之间是否能达到预期的误差范围之内。
我们建立一个输入层（包括四个输入变量）、一个隐含层、一个输出层（包括一个输入变量）的三层BP神经网络结构。隐含层的节点数（神经元数目）方面，如果隐含层节点数过少，网络很难识别样本，网络的容错性差，导致网络预测能力下降。如果隐含层节点数过多，则会增加网络的迭代次数，从而延长网络的训练时间，也会导致网络预测能力下降。在具体设计时， 首先根据经验公式初步确定隐含层节点数， 然后通过对不同隐含层节点数的网络进行训练对比， 再最终确定隐含层节点数。通用的隐含层隐含层的确定经验公式有：
（三）基于BP人工神经网络模型的东盟自由贸易区人才需求趋势预测结果
运用BP人工神经网络模型对东盟自由贸易区人才需求趋势进行预测是一个多次训练过程，经过多次训练，终于得到训练好的BP人工神经网络，BP人工神经网络经过两步后收敛。运用训练好的BP人工神经网络可以得到2010年东盟自由贸易区人才需求量为1.216，与真实值（1.222）的偏离程度是（-0.5%），差距已经非常小了，可以较好预测2011～2020年东盟自由贸易区人才需求量。我们运用训练好的BP人工神经网络预测2011～2020年东盟自由贸易区人才需求量分别为：1.245、1.336、1.372、1.391、1.409、1.434、1.471、1.508、1.540、1.565。将这些数据还原后得到2011～2020年东盟自由贸易区人才需求量真实数据为：2661.773万人、2856.328万人、2933.295万人、2973.916万人、30124万人、3065.849万人、3144.954万人、3224.059万人、3292.474万人、3345.923万人。
三、基于BP人工神经网络模型
预测结果的云南省人才培养
存在问题及应对措施 本文运用BP人工神经网络模型对东盟自由贸易区的人才需求量进行预测，经过分析可以得出2020年东盟自由贸易区人才需求量达到3345.923万人，是2000年东盟自由贸易区人才需求量的1.56倍。随着中国与东盟诸国全方位、多层次、宽领域的合作与交往的日益增多，今后面向东盟的人才需求是大量的。没有各方面人才资源的支持，我们将会丧失很多的机遇。谁拥有人才，谁就会占有先机，并拥有广阔的发展空间，因此，中国应该制定好相应的人才应对措施。由于地缘关系，中国面向东盟自由贸易区的人才培养较积极的主要在西南一些省区，而这些省区工业基础相对薄弱，经济和教育发展水平不如东部省份。以云南省区为例，云南省经济不够发达，人才培养方面普遍存在着人才总量不足、人才结构不合理、高层次人才复合型人才不多以及人才流失严重等问题。此外，云南省虽然与东盟诸国是近邻，但过去对东盟诸国的研究并不多，这方面的人才储备也不足。尽管国家在政策上给予支持，但云南省现有人才总量以及结构不能适应中国与东盟各国在自由贸易区的经济交流和扩大经贸往来的需要。我们认为，为进一步应对东盟自由贸易区对人才的需求，以下几条措施可供参考：
（一）加快专业课程调整的步伐
如前所述，伴随着东盟自由贸易区的快速发展，东盟自由贸易区对人才需求的类型由原来较为单一的翻译、经贸以及旅游等方面人才而转向更加多样化的人才。因此云南省应该加快专业课程调整，以应对新形势下东盟自由贸易区对人才的需求。专业调整方面，云南省一些高校应该增加诸如：小语种、国际经济与贸易、国际文化交流、国际经济法、商贸外语、旅游管理以及宗教学等专业，已经设置这些专业的高校应该扩大招生规模。课程调整方面，可以向法律专业的学生设置经济类课程；可以向英语类专业的学生设置小语种类课程、经济管理类课程或者旅游管理类课程；可以向经济管理类的学生设置旅游管理类课程、小语种类课程或者国际法课程；可以向其他专业的学生设置小语种类课程、经济管理类课程、国际关系类课程、国际政治类课程、宗教类课程或者旅游管理类课程等等。
（二）加强开展与东盟国家的教育合作
本文预测结果表明，2020年东盟自由贸易区人才需求量达到3345.923万人，是2000年东盟自由贸易区人才需求量的1.56倍。因此，为了应对东盟自由贸易区人才需求量快速增加的势头，应该实施走出去请进来的教育合作方式，构筑中国与东盟国家教育交流与合作的平台，广泛开展云南与东盟国家教育合作。首先，要扩大留学生引进规模。云南省各高校应突出各自的学科专业优势，整合校际教育资源，通过多种形式的奖学金和国际通行的奖学金管理办法吸引东盟国家的留学生，尤其应向缅甸、柬埔寨和老挝等教育比较落后的国家提供政府奖学金，并且欢迎这些国家自费留学生到我国学习深造；其次，要扩大留学生输出规模。鼓励和支持国内学生到东盟国家尤其是新加坡和泰国等高等教育比较发达的国家留学，当前要加快培养中国-东盟自由贸易区建设所需的大量外语人才、科技人才、经贸人才，特别是熟悉东盟各国国情、语言以及国际经贸知识的复合型人才；最后，要完善学位制度。在学位、学分、证书相互承认方面制定若干办法，提高留学生学历以及学位教育水平和层次[7]（P38）。
（三）实施人才质量认证国际化战略
针对东盟自由贸易区人才需求量增加及需求类型多元化的情况下，实施人才质量认证国际化战略势在必行。国际型人才的培养，毕业生质量需要得到各国认可，只有实施人才质量认证国际化战略，才能使毕业生在他国就业畅通无阻。目前ISO系列标准已经成为各国普遍承认的国际标准，一些国家的教育机构对他国毕业生质量的认定都采取ISO9000系列标准。云南省高等教育管理并没有完全跳出单一、僵化以及封闭的模式，如果云南省高等教育管理和质量评价不能与国际接轨， 其培养的毕业生就难以得到国际认可，在国际交流与合作中将难以取得主动。如果将ISO9000系列标准广泛应用于云南省高等教育管理，云南省高等教育的质量就会得到明显提高。目前国内许多高校都引入ISO9000质量标准体系，引入ISO9000质量标准体系，也是云南省高校与国际社会接轨的一个途径，能够明显改变目前云南省教学管理模式中存在的种种弊病，能够明显提高云南省高校教学管理水平，能够明显提高云南省高校培养人才的国际竞争能力。
（四）营造有利于国际型人才成长的环境
为了应对新形势下东盟自由贸易区对人才的需求，除了以上措施以外，营造有利于国际型人才成长的环境也是必不可少的。人才的成长需要一定的环境条件，培养国际型人才就需要运用国际国内两种资源，营造有利于国际型人才成长的环境。我们认为，首先应该举办和承办国际性学术会议，邀请国际学术界知名人士做学术报告，给广大教师与学生提供一个学习与交流的机会；其次应该组织教师与学生到东盟国家讲学、考察、参观以及实习等，通过这些活动亲身体验东盟国家的风土人情，并且学会国际交往的知识；最后应该在一些高校成立“中国-东盟自由贸易区研究所”“东盟研究所”以及“东盟研究院”等国际性和区域性研究机构，积极开展东盟问题的研究[8]29。
[参考文献][1]Lapedees.A.Farber.， Genetic Data Base Analysis with Neural Networks[J]， Neural Information Processing System-Nature and Synthetic，2002 （10），IEEE，1987.
[2]常引.基于BP人工神经网络的陕西省农民预测研究[D].西安：西北农林科技大学，2008.
[3]何永贵， 韩月娥，杨实俊，等.人力资源需求预测模型的优选[J].华北电力大学学报，2005，（6）.
[4]邹子建， 基于BP神经网络的衡水市经济预测研究[D].西安：西北农林科技大学，2010，（5）.
[5]傅荟璇，赵红.MATLAB神经网络应用设计[M].成都：机械工业出版社，2010.
[6]焦淑华，夏冰，徐海静，等.BP神经网络预测的MATLAB实现[J].哈尔滨金融高等专科学校学报，2009，（3）.
[7]杨行玉.中国与东盟国家高等教育合作及发展对策[J].东南亚纵横，2012，（7）.
[8]莫光政，适应中国-东盟自由贸易区发展需要的国际型人才培养的战略构想[J].东南亚纵横，2007，（9）.
The Forecast of Talent Demand Trend of the ASEAN Free Trade
Area based on BP Artificial Neural Network Model
――On the countermeasure of Yunnan Province Concurrently
YANG Jun-sheng1， XUE Yong-jun2
（1. Business School， Yunnan Normal University， Kunming， 650106， Yunnan， China；
2. School of Economics and Management， Yunnan Normal University， Kunming， 650500， Yunnan， China）
篇8
关键词：毕业设计（论文） 成绩评定 离散Hopfield网络评定模型
中图分类号：G64 文献标识码：A 文章编号：1674-098X（2014）10（a）-0228-03
Evaluation method of comprehensive performance for undergraduate in the graduation design （thesis）
HE Min ZHU YaLin
（School of Civil and Hydraulic Engineering， Hefei University of Technology， Hefei，Anhui，230009，China）
Abstract：In this paper， according to the more important ten evaluation indicators， the five grades ideal evaluation is established corresponding to the level of comprehensive performance of twenty undergraduates. Combined with associative memory capacity of discrete Hopfield neural networks， a new evaluation method of comprehensive performance for undergraduate in the graduation design （thesis） is presented. In order to evaluate the effectiveness of the assessment model， five undergraduates are assessed by the model， the network connection weights is obtained by iterative learning using the outer product method. The simulation results show that the comprehensive performance assessment model of undergraduates based on discrete Hopfield neural networks can assess the comprehensive performance of undergraduates fast， accurately and intuitively.
Key words：graduation design（thesis） performance evaluation DHNN evaluation model
毕业设计（论文）是高校教学实践中实现培养目标的最后一个综合性环节。学生在各自老师指导下，按照教学计划要求，独立撰写完成毕业设计（论文）。毕业设计（论文）是大学生在校期间所学知识、理论等各种能力的综合应用、升华，创新潜能得到了充分激发，并且对专业教学目标、教学过程、教学管理以及教学效果进行全面检验。
毕业设计（论文）成绩不仅影响到学生评优和学士学位的获取，也使得他们在做毕业设计（论文）过程中，清楚认识到自身在哪些方面存在不足。因此对于本科毕业设计（论文）综合成绩的评定，一定要公正、合理。目前我校毕业设计综合成绩评定分成三部分：首先是指导教师评阅，给出建议成绩；其次在答辩前，专业教研室组织本学科教师进行交叉评阅，给出建议成绩；最后由答辩委员根据学生答辩情况，并参考指导教师、评阅人所建议的成绩给出最终的毕业设计（论文）成绩。这种评定方法存在评价指标缺乏定量的评定标准、工作繁琐、时间滞后，人为主观因素对评价结果影响很大。因此如何快速、准确地对众多学生的毕业设计（论文）进行客观、公正评价，是一项很有意义的工作。
目前应用于毕业设计（论文）综合成绩评定的方法有模糊评价法[2]、层次分析法等，该文尝试选用我校毕业设计毕业过程中较为重要的10个评价指标的数据，结合离散Hopfield神经网络（DHNN）的联想记忆能力，建立离散Hopfield评定模型；将待评定的学生等级评价指标编码作为该模型的输入，利用外积法对网络连接权值进行迭代学习，数值仿真结果表明，此种方法能够快速、准确、直观地得到众多学生综合成绩的评定结果。
1 外积法设计DHNN网络
离散Hopfield神经网络这种全连接型网络可以模拟生物神经网络的记忆功能，由美国物理学家J.J Hopfield在1982年首先提出。Hopfield网络目前主要应用于联想记忆和优化计算等问题。其中的联想记忆原理是：当某个矢量输入网络后，经过反馈计算，最后达到稳定状态，在Hopfield网络输出端得到另一矢量，此输出量是网络从初始输入量联想得到的稳定记忆，即Hopfield网络的一个平衡点。
离散Hopfield神经网络（DHNN）是二值型网络，神经元输出取值1或者-1，1表示神经元被激活的状态，而-1表示神经元被抑制的状态。一个三神经元组成的离散Hopfield神经网络，其网络结构如图1所示。
图1中，第0层是网络输入，第1层的神经元执行对输入信息与权系数的乘积，并且求累加和，经过非线性函数处理后，产生神经元的输出信息。是一个简单阈值函数，如果神经元的输出信息大于阈值，则神经元输出取值1；而神经元的输出信息小于阈值，则神经元输出取值-1。二值神经元的计算如公式（1）所示
（1）
式中，为外部输入，并且有公式（2）：
（2）
离散DHNN网络是输出神经元信息的一个集合，DHNN网络（输出层是个神经元）在 时刻的状态为公式（3）所示的维向量：
（3）
采用外积法设计离散Hopfield网络的权系数矩阵。给定需记忆的样本向量，如果的状态是1或者-1，则连接权值的学习利用外积规则，即：
（4）
利用外积法设计离散Hopfield神经网络步骤如下：
第一步，根据需要记忆的样本，按公式（4）计算权系数矩阵；
第二步，令测试样本为网络输出初始值，设定迭代次数；
第三步，进行迭代计算，
；
第四步，当达到最大迭代次数，或者神经元输出状态保持不变时，迭代终止；否则返回第三步继续迭代，直至满足条件为止。
2 大学生毕业设计综合成绩评定模型
影响本科生毕业设计综合成绩的因素有很多，本文仅以较为重要的10个影响因素作为评价指标：科技论文翻译（X1）、查阅资料及学习能力（X2）、出勤率（X3）、毕业设计过程中小组检查情况（X4）、毕业设计过程中院校督导组检查情况（X5）、电算模型/程序（X6）、计算书整理（X7）、施工图绘制（X8）、评阅人评阅（X9）、答辩过程表现（X10）。
参照合肥工业大学毕业设计（论文）工作实施细则，学生综合成绩可分为四五个等级：优秀（I）、良好（II）、中等（III）、及格（IV）和不及格（V）。换算成百分制，优秀在85～100分之间，良好在75～84分之间，中等在66～74分之间，及格在60～65分之间，不及格在0～59分之间。毕业设计（论文）综合成绩评定模型建立流程如图2所示的五个步骤。
该文列举出20个学生的毕业设计（论文）综合成绩评定等级与10个评价指标之间的关系，各评价指标采用百分制，如表1所示。将各个等级的样本对应的个评价指标平均值作为各个等级理想评价指标，即作为Hopfield神经网络的平衡点，如表2所示。
离散型Hopfield神经网络神经元的状态只有1和-1两种情况，当评价指标映射为神经元状态时，需要将其进行编码。编码规则为：当大于或者等于某个等级的指标时，对应的神经元状态设为1，否则设为-1。理想的5个等级评价指标编码如图3所示，其中表示神经元状态为1，即大于或等于对应的理想评价指标值；如果小于理想评价指标值，则用表示。
5个待评定的学生等级评价指标如表3所示，由前面所述的编码原则得到这5个毕业设计（论文）综合成绩待评定学生的评价指标编码，如图4所示。在Matlab软件中利用自带的人工神经网络工具箱，创建基于离散型Hopfield的综合成绩评定模型，再确定待评定的5个学生等级评价指标的编码，并且将其作为评定模型的输入，经过一定次数的学习，最终得到学生综合成绩评价的输出结果。
为了直观显示结果，以图形的形式显示仿真结果，如图5所示，其中第1个学生评定等级为第II级，第2个学生评定等级为第III级，第3个学生评定等级为第I级，第4个学生评定等级为第IV级，第5个学生评定等级为第V级。
3 结语
基于Hopfield人工神经网络，建立工科本科生毕业设计（论文）综合成绩评定模型，并对5个学生的成绩进行评定，得到如下结论。
（1）设计的Hopfield神经网络综合成绩评定模型可以快速、直观地对工科本科生的毕业设计（状况）进行进行评定，方法简单易行，并能有效保证评定结果的准确性，避免打分过程中的各种人为主观因素，体现成绩评定过程中的规范性和科学性。
（2）在我校现有的毕业设计（论文）评定方法基础上，尝试对每个学生的毕业设计（论文） 按照上述方法再进行一次评定，比较两次结果是否一致。对两次的成绩评定结果，再按照加权算术平均法确定最终的毕业设计（论文）成绩。
参考文献
[1] 张志英.模糊评价法在本科毕业设计成绩评定中的应用[J].浙江理工大学学报， 2011，28（3）：467-470.
[2] 李瑞兰.层次分析法在毕业设计（论文） 成绩评定中的应用[J].长春工程学院学报（社会科学版），2011，12（4）：156-158.
[3] Hopfield， J. J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities. Proceedings of the National Academy of Sciences of the United States of America， 1982， 79： 2554-2558.
篇9
[关键词]问题驱动 研究型教学 PBL 构建主义
[中图分类号] G642 [文献标识码] A [文章编号] 2095-3437（2014）04-0001-03
一、引言
尽管教育部及广大有识之士大力呼吁并积极倡导应用性、研究性教学与学习模式，但是以往的中国高等教育，实质上也是以“满堂灌”的教学模式为主，其主要原因在于，不论是教师还是学生，人们习惯于“满堂灌”，认为研究型或者是应用性教学模式必定会加重老师和学生的负担。到目前为止，人们还不清楚怎样的教学和学习形式属于研究应用型教学，怎样操作才会在不加重学生学习负担的条件下，达到好的研究应用型教学模式。因此，研究应用型教学模式是当今教学改革中的一个热点研究问题，其核心问题是如何引导和激发出学生的学习和探索热情。研究应用型教学模式的中心问题是采用什么方式和方法来激发学生学习和探索的欲望和热情，使学生能创造性地运用所学过的知识，研究应用型教学模式是始于问题、基于发现、凸显创造性特色的一种教学模式。张奠宙教授和张荫南教授于2004年提出了新概念教学的理念，并以数学教学为例，深入浅出地介绍了这种教育和具体的教学方式，提出了“问题驱动”式教学方法。
自动控制原理是自动化相关专业的一门十分重要的专业基础课，其特点是理论性强、数学要求高、工程背景强，直接关系到自动化相关专业学生能否顺利并高效学习其他专业课。采用问题驱动式的研究应用型教学方法，培养学生良好的学习习惯，传授如何对研究对象和目标进行缜密严谨的思考，如何提出具有实际意义或理论研究意义的课题（或问题），分析和解决之，采用问题驱动式的研究应用型教学方法，将对深入学习其它后续课程大有裨益。
人工神经网络课程具有理论性和工程应用背景强的特点，这门课程所讲授的内容仍在不断更新和发展，因此本课程内容繁多，总体上来说系统性差，关键的是其课时往往十分有限。为了达到以点带面的、示范引导的作用，我们采用了问题驱动式的应用研究型教学方法，较好地将该门课程的体系框架和基本内容介绍给了学生。
二、问题驱动和研究应用教学模式的理论基础
问题驱动式教学模式强调以问题解决为主线，以学生为中心，以问题为驱动力，将培养学习者问题意识、批判性的思维技巧，以及解决问题的实践能力设定为主要目标的教育教学方法。需要说明的是，问题驱动中的问题并非就是普通的习题，而是那些能够改变学生思维模式，帮助学生重建知识结构，并愿意对问题进行深入思考的具有启发性、引导性和探究性的问题。
皮亚杰的建构主义为研究型教学模式提供了理论支持，他认为“儿童对新知识的理解和接受，及其智力的发展，最终都要依赖于儿童这个主体与知识载体环境的互动中。建构主义强调教师在教学中应该主要起到指引促进作用，教学过程的主体是学生自己，学生借助学习资料（自找或老师确定），在老师指导和帮助下，通过建构主义的方式，即 “已知―未知―新的已知”的循环渐进的模式来学习新内容、获取新知识。研究型教学就是在教学过程中体现研究的本质特点，以“已知―未知―新的已知”循环渐进的方式去发现问题、提出问题、研究问题和解决问题。
三、研究问题的设计
科学研究的第一步，也是最关键的一步是提出恰当而准确的科学问题，这通常是学生们感到无从下手、十分困难的事情。一般来说，提出科学问题有两种常用方法：首先，经过缜密观察与研究，识别出已有理论或技术的局限性，并据此提出新的研究问题和研究目标；其次，经过考察钻研新的研究对象的特点提出新问题。
那么怎样设计出操作性强、便于课堂教学的研究与应用性问题？这是应用研究型教学模式中的关键所在。这类问题主要包含两大特点：首先，所设计出的问题能够自然引导课堂教学内容的深入推进。具有这一特点的问题可能具有一定的研究深度和广度，也可能研究内容和深度是循序渐进的、逻辑性强的，而非跳跃性的。其二，所设计的“驱动问题”应尽可能具有研究引导作用，即能够引导学习者通过多角度思考或实验验证、理论推导，就能够更全面深入地认识所研究的事物的本质。这类问题通常具有跳跃和挑战性，需要采用演算、论证、分析和实验等多种手段，有时甚至需要通过多门课程的学习和把握才能够得到有效解决。一般将具有第一个特点的问题称为“问题引导”的问题，将符合第二个特征的问题称为“问题驱动研究”的问题。显然严格区分“问题引导”的问题和“问题驱动”的问题是比较困难的，因为两者之间并无明显界限。
我们在实际操作中通常将那些从学习者了解的知识出发，在某个教学段落，或者某个作业、实验中可以得到解决的，归结到“问题引导”类中。这类问题往往有如下某个或几个特征：
1.学习者已经掌握的某个知识点的反问题；
2.学习者已经掌握的某个知识点简单的扩展问题；
3.有理想工程背景和简单数学模型应用性问题；
4.学习者已经掌握的某项知识在另一种不同情况或者背景下具体应用；
5.通常是为单目标和单参数研究设计的一个或一系列问题等。
设计驱动型研究题目是一个更复杂的过程，这是由于如果问题设计的太深太难，学生难于在短时间内自我解答或得到解答，有可能导致学生失去学习兴趣和信心的不良后果。但是，问题设计得太简单则会失去驱动作用。在设计“问题驱动”的问题时，我们主要注意了以下几点：
1.设计成综合系列问题，该综合系列问题包含了一系列的简单问题；
2.设计成综合研究问题，该综合研究问题需要学生通过作业、实验、理论推导和计算比较获得结果；
3.针对某个实际工程背景，经过必要的简化和抽象，设计成具有明确的工程实际应用背景的研究型问题。
四、设计示例
（一） 自动控制理论课程的问题设计
自动控制原理是自动化相关专业的专业基础课，这门课程中引入问题驱动的教学方法目的在于：在大学生们正式接触各类专业课之前，从专业基础的角度培养和发掘学生发现问题、提出问题和解决问题的能力。但是应该注意到的是，在这个阶段学生的知识面，特别是专业知识面还相当空缺，因此，在课程初期和中期以“问题引导”为主，在课程后期逐步过渡到“问题驱动”。
例如在学生掌握了一般情况下的劳斯判据以后，针对劳斯表计算过程中需要将上一行第一个元素作为分母的情况，首先提出：“如果这个元素为零怎么办？”进一步提出：“如果某一行元素全为零又怎么办？”这两个问题是比较容易解决并容易理解，能够促使学生们积极思考，加强对劳斯判据的全面把握。又如，在清楚交代幅值条件、相角条件以及180°根轨迹绘制规则的基础上，先提出一个简单的扩展性问题――有没有其他角度条件的根轨迹绘制规则？然后再给出一系列带有启发性和引导性的询问：“是什么角度？这个角度代表了什么含义？这个角度代表的含义与180°根轨迹代表的含义有什么不同？这种含义的不同在数学上的表现是怎样的？从这些不同以及180°根轨迹绘制规则中可以总结出这种根轨迹的绘制规则吗？”以这样的方式讲授0°轨迹的绘制规则只需要半节课，而且学生们接受起来很快，还能够加深对根轨迹幅值条件和相角条件概念的理解。
在学习后期，我们会提出诸如“研究并总结出PID参数对控制系统稳定性、稳态误差和动态特性的影响”，“如何利用Bode图对控制系统性能进行分析与设计？”等这样具有一定研究空间的问题。
（二）人工神经网络课程的问题设计
人工神经网络课是面向本科高年级或研究生的课程。问题的设计目的不但要推进课程的讲解和学习，更重要的是培养和推动学生的研究能力和热情。
在课堂上讲述了了生物神经元的基本构造和功能，重点讨论了著名的阈值加权M_P模型，详细介绍了单层离散感知器人工神经网络的模型结构、计算、学习算法、表达能力、实际应用等内容。由于单层离散感知器人工神经网络的结构和算法都比较易于理解，而它所具有的功能实际意义和十分明确，因此容易使学生产生学习兴趣。在这样的条件下，我们采用不断加深所需要解决问题难度的方法，循序渐进地提出了一些能够推动学生深入思考，并且理论联系实际的问题。
例如，在网络模型方面，针对“单层离散感知器网络只能解决线性可分问题”这样一个局限性，我们自然给出“应该怎么做才能够实现非线性分类？”这样到目前为止仍需要不断深入研究和解答的研究问题。对于这个问题，首先启发学生观察和思考多层离散感知器神经网络具有的结构和模型特点，然后考虑改变感知器模型形式来实现之。由这个问题出发，可以很自然地引出BP网络和RBF网络等许多常见人工神经网络。进一步BP或RBF网络可以自然解决这个为题，我们又接着提出：“为什么这个网络可以解决？可否试图用数学方法来解答？”这样的理论性研究问题。
在研究生学习阶段，为达到事半功倍的教学效果，教学中可以注意三个方面：首先，通过设计“问题引导”问题来讲解人工神经网络课程当中的基本概念和基本方法；其次，针对人工神经网络课程当中的理论和算法方面的学习，可以分别设计出“问题引导”和“问题驱动”两类问题；最后，为较快地将学生引入实际应用，可以设计一些具有“问题驱动”特点的实际课题供学生研究，可能的话，还可以提供研究范例。如果是本科生课程，笔者认为应侧重于第一和第三个方面。
例如，人工网络算法方面，在单层离散感知器学习算法基础上，提出研究题目“线性自适应人工神经网络学习算法的研究和开发”。在应用研究方面，目前适合教学的可借鉴的资料比较多，例如，“基于BP网络算法的多层前馈网络在大气环境质量评价中的应用”，可以提出下面的问题：“这个研究问题属于分类还是属于拟合，怎样具体实现？还可以采用什么神经网络解决此问题？如何实现？请说明不同的人工神经网络在解决分类问题时的不同特点。”原有的资料上提供的不过是一个例子，通过研究问题的引导和推动，可以使学生通过一个简单的例子，更全面地理解人工神经网络的特点和功能，并大大加强学生的仿真和对比研究能力。
需要说明的是，为实现因材施教的教学理念，这类“问题驱动研究”的问题设计是可以超越教学大纲的，也可以是有针对性地专为少部分特别有能力的同学设计的。
五、结束语
我国目前的教育方式仍存在着较严重的“满堂灌”的现象，限制了学生们的想象力和创造性， “标准化”考试更加剧了这一弊端。学生们不愿提问题、提不出问题，能够提问题的学生越来越少，提出好问题的学生更是凤毛麟角，学生们大多习惯于索要 “标准答案”。 问题驱动的研究应用型教学方法能够有效地活跃课堂气氛，提高学生的学习兴趣，培养学生质疑、提问和自我研究的良好习惯。
需要补充的一点是，只有通过全方位教学环节的相互配合，问题驱动的研究应用型教学才能够有效实行，这其中包括有针对性地设计引导问题和驱动问题、科学地设计课后练习与实验、巧妙地设计和安排课程讲解顺序与进度、有时间和质量保证的质疑与答疑等许多教学环节必须充分配合。也需要相关课程的大力协助和配合。总之，问题驱动的研究应用型教学方式，对任课教师、实验室老师和学生本人都提出了非常高的要求。
[ 参 考 文 献 ]
[1] 张奠宙，张荫南.新概念：用问题驱动的数学教学[J].高等数学研究，2004，5（7）.
[2] 张建伟.基于问题解决的知识建构[J].教育研究，2000，（10）.
[3] 籍建东.研究型教学模式与传统教学模式的比较[J].职教论坛，2011，5（18）.
篇10
【关键词】学习风格；概念图；神经网络
【中图分类号】G420 【文献标识码】B 【论文编号】1009―8097（2009）01―0099―03
一 简介
学习者的学习风格一般用来描述学习者在进行信息加工 的（包括接受、存储、转化和提取）过程中所习惯采用的不 同方式。试验表明，学习者的学习风格对学习者的学业成就 会产生明显的影响 （Kim & Michael, 1995） [1]。因此，采用 与学习者学习风格相匹配的教学策略和教学方法，能够让学 习者对信息保持的时间更长而且更容易提取与迁移；另外， 同那些与采用的教学策略和教学方法相抵触的学生相比，这 些学生能以更加积极的态度面对课程的教学目标（Riding & Grimly, 1999） [2]。
学习者的个性差异给网络课程的教学设计者带来了一个极大的挑战，即如何在网络课程教学设计过程中创建一个并 不带有明显的对某种特定学习风格倾向的网络课程或学习资源。
AHT（Adaptive Hypermedia Technology），即适应性超媒 体技术被认为是解决许多包含在超媒体学习环境中学习问题（如认知负担和学习者迷航）的最有效的策略。适应性超媒 体技术的核心理念是按照学习者的个性特征设计与开发教学 内容和教学资源。然而，目前对大多数教育超媒体系统的研 究主要集中在学习资源和学习环境的构建上，很少关注学习 者的个性差异。一个基于 Web 的教学系统必须包含关于学习 者学习风格的信息以为学习者提供最优化的教学资源 （Carver，Howard & Lane，1999）[3]。 在传统的面授教学条件下，学习资源以印刷材料为主，而在当今的网络学习环境中，学习资源都是以超媒体方式呈 现的。由于传统教材同超媒体教材在教学内容安排上的逻辑 结构不同，因此利用传统学习风格测量方法得出的数据来开 发基于 Web 的学习资源显然是不适合的。即便是目前已有的 某些在线学习者学习风格测量方式，仍然还是通过要求学习 者完成在线调查问卷来收集学习者的学习风格信息。本研究 应用神经网络方法，对在线学习者在使用超媒体课件进行学 习的过程中所体现出的浏览行为确定学习者的学习风格，而不需要学习者完成测量量表。
二 从学习者的浏览行为到概念图的映射
1概念图简介
概念图（Concept Map）最早是由是诺瓦克（J.D.Novak） 博士于1971年在康乃尔大学研究儿童科学概念改变的过程时 所提出的。概念图是根据奥苏贝尔（David P. Ausube）的有意 义学习理论以及建构主义学习理论构建起来的一种帮助学习 者构建合理的、结构化知识的教学工具。奥苏贝尔认为：知 识是按层次结构组织起来的，知识之间是有联系的。概念具 有不同的深度，非常笼统的概念包含着不太笼统的概念，而 不太笼统的概念中又包含非常具体的概念。因此，Novak和 Gowin指出，概念图应该是具有层次结构的，人们可以用适当 的关联词来说明不同层次概念之间的纵向关系，并确定不同 分支之间的横向联系。这正是认知结构的渐进分化和融会贯 通特征的体现[4]。
概念图（Concept Map）理论是一种关于信息的组织、表达 和分析的技术。借助它可以将一组彼此关联但又各具复杂含义 的信息转化成易于理解、条理化的结构，以便进一步分析[5]。 直观地说，概念图就是一组网络图，图中的每个节点表示某个 命题或知识领域内的概念，各节点之间的连线表示节点之间的 相互联系。概念图理论致力于以下几个方面的研究[6]：
（1） 如何选择、划分和表示信息节点；
（2） 信息状态如何有效的分类和描述；
（3） 如何构建、表述和结构化存储概念图；
（4） 对于概念图采用不同数学方法进行有针对性的分析。 在学习某一命题中的新概念过程中，通过使用概念图， 让新概念所表达的信息总是不断地与学习者头脑中原有概念 发生相互作用，并整合到学习者已有的概念结构中去，并且 按照“渐进分化”的原则，形成一个更为紧凑的认知结构图 式，其结果便是学习者所构建的认知结构图示逐步向这一领域内的专家所构建出的认知结构图式相靠近[7]。
2学习者的浏览行为
本研究与传统的学习风格测量方法的不同之处在于，该方法是通过观察在线学习者的网络浏览行为（Web Browsing Behavior，WBB）来确定学习者的学习风格的。学习者是在 浏览网络课程的过程中完成课程学习的，由于学习者个体间 内部信息加工方式的差异，相应地就会表现出行为模式的差 异，这些浏览行为也就会内隐地包含可能代表学习者特殊喜 好或兴趣的信息，将这些信息与目前已有的学习风格类型相 对比就有可能确定学习者的学习风格。
在基于 Web 的远程教学系统中，学习者通过超媒体课件 进行学习。这类学习课件的知识点拓扑结构大多是树状结构， 学习者在树型目录的引导下进行课程的学习。从某种意义上 来讲，目录树决定了整个课程内容中知识点的分布结构状况。 使用树状结构的优点是：知识点的表示方式比较直观，设计 导航的时候比较容易操作。但由此也带来一些缺点，一般而 言，树状结构的教学内容通常是按照章、节顺序建立的, 所 包含的信息量太少，这样的组织形态实际上对于提供学习障 碍诊断并以此作为分析诊断的依据并无太大的帮助。大量的 实践也表明,知识点之间的复杂联系并不是仅仅通过树状结 构图就能清楚地表达出来的。从建构主义学习观的角度来讲， 学习者的学习过程也是其自身构建知识的过程，其结果就是 学习者按照自己的学习风格在头脑中构建出一幅符合自身信 息加工特点的知识表征图，即概念图。
3从学习者的浏览行为到概念图的映射
通过以上分析，可以将网页以及它们之间的链接看作是概念之间的结构关系，将网页间的知识点映射为概念图。通过网 页之间的结构方式与学习者的行为相结合，Liu 和 Lin（1999） 提出了一个基于网页的概念图课件结构。每个网页被定义为一 个概念的节点[8]。在基于 Web 的超媒体学习资源中有四种类型 的节点链接：C、E、X 和 J 型。C 型链接被定义为学习路径的 主要流程，它被用来描述期望的学习路径，按照课程的设计者 在不同的教学目标中被定义；它可以用来表示同一概念图的停 留点以及下一个概念图的导入，C 型链接如图 1 所示。
与 C 型链接不同，E 型链接（Explanatory-type link）是一 种解释性的链接，它将学习路径指向概念节点的子层来补充 说明带有 C 型链接的主要流中的概念节点，即它将导入“解 释型”的概念，可以理解为当前概念的下层概念。 X（eXtension-typle link）型链接是一种可扩展的链接，用来支 持带有 C 型链接的概念知识的扩展，可以理解为与当前概念 所处于同一层次的概念，如图 2 所示。J 型链接可以将当前链
接导向任意的概念图，所谓任意表示可以选择任何的节点进入；而所谓任何一个节点则表示可以是整个基于 Web 的课程 中任何一个概念图上的某一节点。
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文
三 应用神经网络确定在线学习者的学习风格
1神经网络简介
神经网络被用于模拟人脑神经元的活动过程，其中包括对信息的加工、处理、存贮和搜索等过程，它具有如下基本特点：
（1） 能够充分逼近任意复杂的非线性关系，从而形成 非线性动态系统，以表示某种被控对象的数学模型；
（2） 能够学习和适应不确定性系统的动态特性；
（3） 所有定量或定性的信息都分布储存于网络内的各 个神经元中,从而具有很强的容错性和鲁棒性；
（4） 采用信息的分布式式并行处理，可以进行快速大 量的运算[9]。
对学习者学习风格的识别可以被理解为是对学习者个性 特征的识别问题，这一问题同模式识别的问题是类似的，它 们之所以类似，是因为它们都是根据某些特征对一个无穷的 输入进行分类（Castellano，Fanelli & Roselli，2001）[10]。应 用神经网络对学习者学习风格进行分类的优势如下：
（1） 模糊识别能力和对数据的充分理解能力；
（2） 归类能力和从特定样本中的学习能力；
（3） 具有额外参数的升级能力；
（4） 执行速度使它们成为理想的实时应用；
2应用 Hopfield 神经网络测量在线学习者的学习风格
1982 年 J．Hopfield 提出了可用于联想存储器的互连网络， 这个网络被称为 Hopfield网络模型，也称 Hopfield模型。 Hopfield 神经网络模型是一种反馈神经网络，从输出端到输入 端有反馈连接，其网络模型结构如图 3 所示。Hopfield 网络可 用于联想记忆，如果把稳定状态视为一个记忆样本，那么从 初状态向稳定状态收敛的过程就是寻找记忆样本的过程。初 态可认为是给定样本的部分信息，收敛过程可认为是从部分 信息找到全部信息，这样就实现了联想记忆。具体地讲，就 是合理选择权系数，使得网络的稳态恰好为联想存储的一组 稳态 M。如果网络的初态在 M 中，则网络的状态不变；如果 不在 M 中，希望网络所达到的稳定状态应该为 M 中与初值在 Hamming 距离意义最近的状态。
图 4 和图 5 分别是领域内专家所构建出概念图和学生在 学习过程中所构建的概念图。由此，我们可以将图 4 和图 5 的概念图转化为 M 和 S，分别作为 Hopfield 网络的稳定状态 和输入样本，这样就可以对学习者在学习过程中所带有的学 习风格进行测量。
四 结论
文章提出一种新的测量在线学习者学习风格的途径，采用 结构比较简单的 Hopfield 网络进行学习风格的识别是可行的。
参考文献
[1] Kim. J & Michael, W. B. (1995). The relationship of creativity measures to school achievement and preferred learning and thinking style in a sample of Korean high school students [J]. Educational and Psychological Measurement, 1995, 55:60-71.
[2] Riding, R., & Grimly, M. (1999). Cognitive style and learning frommultimediamaterialsin11-yearchildren[J].British Journal of Educational Technology, 1999,30:43-59.
[3]Carver,C.A.,Howard,R.A.&Lane,W.D.(1999).Enhancing student learning through hypermedia courseware and incorporation of student learning styles [J]. IEEE
Transactions on Education, 1999, 42:3338.
[4]张倩苇.概念图及其在教学中的应用[J].教育导刊.2002,11:25.
[5] Oughton JM, Reed W M. The influence of learner differences on the const ruction of hypermedia concepts a case study [J].Computers in Human Behavior, 1999,15:11-50.
[6] Herl H E, O’Neil H F, Chung W K, et al. Reliability and validity of a computer2based know ledge mapping system to measurecontentunderstanding[J].ComputersinHuman
Behavior, 1999.15:315-333.
[7] 徐洪林,康长运等.概念图的研究及其进展[J].学科教 育,2003, 3:39-40.
[8] Liu, M. C. & Lin, H. L. (1999). A concept map based web page structure analysis and design for adaptive learning[A]. Proceedings of 1999 Taiwan Area Network Conference (TANET’99)
[C].Taiwan: National Sun Yat-sen University Press, 1999:28-32.
[9] 李士勇.模糊控制神经网络和智能控制论[M]. 哈尔滨:哈 尔滨工业大学出版社,1998:101-1031.
