神经网络教学范例6篇

前言:中文期刊网精心挑选了神经网络教学范文供你参考和学习,希望我们的参考范文能激发你的文章创作灵感,欢迎阅读。

神经网络教学

神经网络教学范文1

关键词: 神经网络;模拟项目;三部曲式

一、引言

我国高职院校以服务为宗旨,以就业为导向,以技能为本位,以培养新型生产技术、管理一线需要的紧缺型技能人才为目标,为推进我国加快社会主义现代化建设进程中具有不可替代的作用.而模拟项目教学是高职、中职教育的核心组成部分.在教育部明确规定:高职教育人才培养模式的重点是教学过程的实践性、项目性、职业性和进程性,而项目、挖掘、融合、进程是四个关键技术环节.最近我国高职教育蓬勃发展、竞争日趋激烈,如何提高高职教学质量、增强学校的特色竞争力已成为全国高职院校的核心科研.因此,开展高职模拟项目教学质量的评估是提高高职教学质量的有效模式,必将对高职院校提高教学质量、增强学校的特色竞争力,起到核心作用.基于高职院校模拟项目教学“模拟项目嵌入式融合、校企合作”的办学特点,从高职院校模拟项目教学质量“三部曲式”环节人手,搭建高职院校模拟项目教学质量评估指标体系,以高职院校模拟项目教学质量评估提供一种科学进程性的方法.

二、基于神经网络的高职模拟项目教学质量“三部曲式”模式

2.1神经网络原理

神经网络的全称是人工神经网络,它是在神经科学研究的基础上模仿人类大脑的结构和功能而构成的一种信息采集处理系统.神经网络由大量的神经元互相连接而成,它的信息处理通过神经元的相互作用来实现,知识与信息的存储表现为物联网技术接点互联嵌入式的物理关系.因此,它为模式识别、非线性分类等研究开辟了新的术语.

2.2基于神经网络评估原理

神经网络是一种具有三层(输入层、隐含层、输出层)或三层以上单向传播的多层前向网络结构,它的上下层之间实现全神经元连接.神经网络是利用非线性可微积分函数进行权值训练的多层网络.为了加快网络训练的收敛速度,采用变化的学习速率或自适应的学习速率对BP算法加以改进优化.神经网络可看作是一个从输入到输出的高度非线性映射,即要求出一映射使f,使f是g的最佳逼近.神经网络通过对简单的非线性函数进行数次复合,可得出近似复杂的函数.

我将高职模拟项目教学质量评估的各指标属性值进行归一化处理后作为BP神经网络模式的输入向量,将评估结果作为神经网络模式的输出,用足够多的样本训练这个网络,使其获取评估专家的经验、知识、主观判断及其对指标重要性的倾向,这样神经网络模式所具有的那组权系数值便是网络经过自适应学习所得到的正确知识内部表示,训练好的神经网络模式根据待评估各指标的归属值,就可得到对高职模拟项目教学质量评估的评估结果.

2.3基于高职项模拟目教学质量“三部曲式”指标体系的建设

“三部曲式”指标体系的搭建是高职院校模拟项目教学质量评估的核心内容.“三部曲式”指标体系设计的科学与否,是高职院校模拟项目教学质量评估成败的关键所在.为了突出高职院校模拟项目教学的特色,体现高职院校模拟项目教学评估的特色,作为高职院校必须从“模拟项目嵌入式融合、校企合作”的模式出发,确立模拟项目教学质量“三部曲式”指标体系如表1所示.

2.4基于高职模拟项目教学质量评估模式建立

神经网络的输入和输出层的神经元数目,是由输入和输出向量的维数确定的,输入向量的维数也是影响元素的个数,这里综合考虑影响模拟项目教学质量的各种元素,选取了能够全面反映高职院校模拟项目教学质量“三部曲式”指标体现中的29个元素,所以输入层的神经元个数为29.输出层作为模拟项目教学质量评估结果的网络输出,神经元个数确定为1,目标输出模式为(O,1)间的一个数,评估集设为(优秀、良好、合格、不合格),对应的指数区间集合={(0.85,1),(0.7,0.85),(0.5,0.7),(0,0.5)}.由于输出模式为(O,1)间的一个数,因此,输出层神经元的传递函数可选用S型对数函数了logsig型.实践证明,隐含层数目的增加可以提高神经网络的非线性映射能力,但是隐含层数目超过一定值,网络性能反而会降低.在合理的结构和恰当的权值条件下,3层BP神经网络可以逼近任意的连续函数.因此这里采用结构相对简单的3层BP网络.隐含层的神经元个数直接影响着网络的非线性预测性能.根据Kolmogorov定理,设定网络的隐含层神经元个数为27.

表一高职院校模拟项目教学质量“三部曲式”指标体系

三、神经网络结构与算法

神经网络对模拟项目教学质量评估系统进行辩识模拟.主要进行非线性系统的输出输入映射关系建模.其主要结构是由一个输入层,一个或多个隐含层,一个输出层组成,各层由若干个神经元(节点)构成,每一个节点的输出值由输入值、作用函数和阈值决定.(图一)

该模型由三层神经元组成:输入层、隐含层和输出层,不同层之间的神经元采用全互联方式,同一层的神经元之间不存在互相连接。输入层为经过标准化处理的各评价指标值,输出层只有一个神经元。

BP算法对评估体系进行辨识模拟,其基本思想是最小二乘法,采用梯度搜索技术,以期使网络的实际输出值与期望输出值的误差均方值最小,网络的学习过程是误差一边向后传播一边修正加权系数的过程,故可用其对模拟教学质量评估体系进行识别.

设网络的输入向量其中X是模拟教学质量评估系统各个指标体系.由于输入样本为29维的输入向量,因此这里n=29.网络的隐含层为:;其中,{}为权系数;a()为系统的传递函数或激励函数.网络的输出层为: 其中,是神经往来系统的输出变量;{}为权系数.设准则函数为:BP算法可使性能指标最小化,为了保证系统的全局稳定性,把被辨识模拟对象的实际输出Y作为反馈信号灯,将其与神经网络辨识模拟器的输出比较,使,其中为一个很小的数,如果不满足要求,则不断调整权系数,以达到期望要求.根据反向传播计算公式,可得如下权系数学习规律.其中为学习修正率0≤1.

四、高职模拟项目教学质量“三部曲式”模式的实现

网络结构及算法确定以后,需要利用样本数据通过一定的学习规则训练,以提高网络的适应能力.由1分析此模式的实现采用BP三层网络结构,利用软件MATLAB建模型,输入层29个神经元,隐含层27个神经元,输出层1个神经元,训练步数50,目标误差为0.001,网络训练次数100次.

五、结束语

通过BP神经网络测试结果进行分析,证明模拟项目教学质量“三部曲式”指标体系及神经网络评估模式是科学、合理的,可操作的,它克服了以往教学评估中的主观性较强的缺点.而这种模式的应用为高职院校模拟项目教学质量评估提供一种新的思路和新的评估方法.

参考文献:

神经网络教学范文2

关键词:人工神经网络;教学实践;教学方法;生物信息学

中图分类号:G642.0 文献标志码:A 文章编号:1674-9324(2014)17-0208-03

人工神经网络是在神经生理学、生物学、数学、计算机学等学科发展的基础上提出的,模拟人类大脑的结构和思维方式处理、记忆信息的一门学科。具体来说,早在20世纪40年代,随着医学、生物学家们对人脑神经的结构、组成以及信息处理的工作原理的认识越来越充分,有学者提出以数学和物理方法对人脑神经网络进行抽象,并建立简化的模型,用以进行信息处理,这种应用类似于大脑神经突触联接的结构进行信息处理的数学模型,称之为人工神经网络ANN(Artificial Neural Network)[1]。

在人工神经网络中,各种待处理的对象(数据、特征、字符、抽象的模式等等)都可用神经元处理单元表示。这些神经元主要可以分为输入神经元、隐含神经元和输出神经元三大类。其作用各不相同,作为输入神经元的处理单元用来与外界产生连接,接收外界的信号输入;隐含神经元处于中间层,为信息处理的不可见层;输出神经元主要实现结果的输出。神经元之间相互连接,连接的权重反映了各神经元之间的连接强度,神经元之间的连接关系中蕴含着信息的表示和处理。人工神经网络主要是在不同程度、不同层次上模拟大脑处理信息的风格,具有非程序化、较强的适应性、自组织性、并行分布式等特点,其实现主要是通过网络的变换和动力学行为,涉及数学、生物学、人工智能、计算机科学、非线性动力学等多个学科[1]。作为一门活跃的边缘叉学科,在处理信息方面,相比于传统人工智能方法具有非线性适应性,成功地应用于神经专家系统、模式识别、组合优化、预测等多个领域,尤其在生物信息学领域得到了广泛的应用。生物信息学是20世纪末发展起来的一极具发展潜力的新型学科。人类的基因中蕴含着大量有用信息,利用神经网络可以对这些海量的信息进行识别与分类,进而进行相关的生物信息学分析。如利用神经网络分析疾病与基因序列的关系,基于神经网络对蛋白质结构的预测,基因表达谱数据的分析,蛋白质互作位点的预测等等,都取得了很好的效果[2]。

因此,在生物信息相关专业的本科生中开设人工神经网络课程尤为重要。经过多年的研究发展,已经提出上百种的人工神经网络模型,这就需要教师针对不同的专业背景,不同层次的学生,讲授不同模型的核心思想、推导过程、实际应用等等。本文主要根据人工神经网络在生物信息学相关专业的教学实践,从以下几个方面进行探讨。

一、引导式教学,激发学生的学习积极性

神经网络作为一门偏于理论分析的学科,传统的教学模式,即首先讲解模型的起源,接下来介绍模型的核心思想,然后就是一连串的数学公式推导,面对满黑板的公式,学生很难提起兴趣去认真学习相应的模型。所以,如何激发起学生的学习积极性,让学生重视这门课程,更好地掌握课程内容,掌握相关的模型理论基础、核心思想,更好地服务于本专业,是人工神经网络教学者亟待解决的问题。

首先,在导课的时候要生动,以引起学生对将要学习的内容的好奇心,让学生有兴趣投入到课堂学习内容中去。布卢姆说过:“最大的学习动机莫过于学生对所学知识有求知的兴趣。”只有在这种动机下的学习,才会提高自身的主动性与自觉性,达到提高教学质量的目的[3]。例如,在讲解hopfield神经网络的时候,通过举例对苹果、橘子的质地、形状、重量等特征的描述,运用“0,1”进行量化描述,然后应用神经网络就可以进行有效地分类;对于旅行商TSP问题,也可以通过hopfield神经网络寻找到最优路径。那么,这些问题是如何解决的呢?就需要大家来一起揭开hopfield神经网络的神秘面纱。其次,由于神经网络涉及大量的数学公式与数学方法,学生往往会有畏惧的心理,这就需要教师帮学生澄清思想误区,现在很多用于数据分析与计算的软件,如matlab工具箱、R软件里面都有很成熟的人工神经网络软件包,所以,学生只需要理解其工作原理、核心思想,学会使用现成的人工神经网络软件包处理数据,在熟练应用程序包的基础上,对相应的神经网络模型进行优化,改进,并且与其他的人工智能算法相结合,更好地为本专业服务。第三,在讲授人工神经网络理论内容的时候,要摒弃传统的呆板式的推导过程,以往的神经网络教学方法注重理论分析,通常是一连串的公式推导,公式中又涉及大量的符号,计算起来复杂又烦琐,学生会觉得索然无趣,厌学情绪严重。在教学过程中,教师要精心设计,创设出特定的问题环境,将所学内容与本专业相结合起来,多讲应用,启发和诱导学生选取合适的神经网络模型来解决本专业的实验数据分析与处理等问题。

二、理论教学与实验教学相结合

除了在理论课堂上将基本的理论知识传输给学生,教师还应该安排若干实验教学内容,让学生以实验为主,将理论课上所学的知识运用到解决实际问题中来,理论联系实际,主动操作思考,观察,分析,讨论,以培养学生解决问题的能力。一旦学生自己动手处理一些问题后,很自然地就会对人工神经网络产生一种亲切感,并能强烈激发起学生继续探究下去的兴趣。对于同一问题,可以让学生选取不同的网络模型,设置不同的参数,甚至可以让学生自己动手编写相应的网络模型程序,并且给予改进,根据得出的结果来评价模型在解决实际问题时的好坏,以及模型改进的效果。作为授课教师,需要不断优化实验教学内容,在生物信息学专业开设人工神经网络课程,实验教学主要是针对生物信息专业的海量生物数据处理与分析的实际需要,培养学生综合运用人工神经网络方法和生物信息学知识,进行信息的分析与处理。除了在实验课堂上给学生最大的自由发挥空间外,课后作业也尽量以开放式问题的形式给出,比如,可以让学生选取相应的网络模型处理本专业的一些实际问题,例如,数据的分类、聚类等等,其中,数据来源可以不同,类型也可自由选取,最后给出相应的模型参数设置、方法的改进、实验结果,也可以安排学生自己查询文献进行学习,并安排学生作报告。这样,学生可以在世界范围内了解神经网络的在本专业的应用情况,又能提高英语的读写能力,还能锻炼学生做科研报告的能力。

三、加强师资队伍建设以及其他基本条件的建设

由于生物信息学是一门新兴的交叉学科[4],这就要求人工神经网络的授课教师要熟练掌握生物信息相关专业的知识,教师的业务水平必须得到充分保证,才能给学生以全面透彻的指导。学院应该本着自主培养与重点引进的原则,优化教师队伍的专业结构和学历结构,提高教师的自身修养。授课教师要将课堂的理论知识联系实际生物问题进行讲授,让学生感受到人工神经网络在本专业的应用,提高学生的学习效率,同时也需要阅读大量的专业文献,提高编程技巧和数据库应用能力,让自己成为一名合格的复合型教师。同时,人工神经网络课程的实验,高度依赖于计算机网络等设备,因此,相关的软硬件设施的建设也必不可少,由于,基因组测序技术的发展,目前生物信息学研究所用的数据都是海量的,神经网络训练起来所需时间太长,不能用普通的电脑完成,需要专门的服务器来处理,学校有关部门应在条件允许的情况下,配备机房,购买服务器,以及相关的软件,为学生创造良好的环境,让学生完成课程内容。

最后,人工神经网络涉及数学、计算机、人工智能和神经学等专业知识,因此,需要授课教师加强与其他相关专业教师的交流与合作,并渗透到授课过程中去,让学生在学习人工神经网络网络时能将各专业联系起来,更好地解决生物信息学中的问题,要想成为一名合格的人工神经网络课程教师,首先要成为一名复合型的教师,不仅要具备教学和科研能力,同时也要具备计算机、生物学、信息学等多学科的知识。

参考文献:

[1]朱大奇,史慧.人工神经网络及其应用[M].北京:科学出版社,2006.

[2]朱伟,史定华,王翼飞.人工神经网络在蛋白质二级结构预测中的应用[J].自然杂志,2003,(3):167-171.

[3]赵俊,李晓红.趣味教学法在预防医学教学中的运用[J].现代医药卫生,2005,21(15):2089-2090.

神经网络教学范文3

关键词:网络环境;小学美术教育;德育渗透

中图分类号:G622 文献标识码:B 文章编号:1002-7661(2016)17-333-01

随着计算机技术的发展和网络媒体的普及与日趋优化,教育教学手段也越来越现代化,但受传统观念和应试教育的影响,德育教育始终没有得到足够的重视。德育教学不仅是思想品德课的重要教学内容,更应该渗透到其他各门学科的教学中,渗透到学生的日常生活和学习中。本文主要探讨在网络环境下,如何在小学美术课中对学生进行德育渗透。

一、通过网络媒体,积极挖掘小学美术课的德育内容

小学美术是小学教育中的一门重要学科,旨在通过绘画、描述和基本的创作,陶冶学生的情操,锻炼学生的意志,提高小学生的欣赏能力和空间想象能力。其最大的特点在于通过绘画基本功的训练,培养和提高小学生的综合素质和能力。德育是素质教育的重要内容,因此在小学美术教学中必须渗入德育内容。但现在的小学美术教材都有自己一整套培养学生绘画技能的体系,因此美术教师必须挖掘其中蕴含着的德育因子,特别是借助于计算机媒体和网络对教材进行深入挖掘。比如:在对小学生进行绘画基本功训练时,可以通过多媒体技术展现一些名人名作,详细介绍他们的绘画特色,介绍这些绘画大师的品格和绘画成就,通过潜默移化的教育,让小学生理解做人和绘画之间的关系,于“润物细无声”中让小学生了解到要学好美术首先要学会做人。

在学完每个单元之后,教师可以通过多媒体课件展示该单元重点作品的出处、内涵、作者的品质及创作缘由。当然也可以让小学生自己上网去查这些内容,让小学生自己去看、去想,想象作者的言行举止,了解他们对社会的贡献,以及他们是如何进行基本功训练、如何把自己的内在情感融入到简单的线条组合中去的。通过这些活动,激发小学生的内在情感,教会他们如可学习、如何做人,怎样做才能成为―个真正对社会有用的人,怎样做才算是真正的成才。

二、借助网络媒体,实施德育教育

小学生好奇心强,容易受外界环境的干扰,如果仍然采用传统的教师口头说教的教学方法,很难激发学生学习兴趣,更无法让学生在绘画创作方面有所收获和创新。多媒体的出现为教学方法的创新带来了生机,多媒体集精美动态的图片、优美动人的声音、漂亮的文字于一身,激发了小学生的学习兴趣。通过网络媒体的教学,把德育融入美术教学中,可以做到美术教学与德育教育的双丰收,效果很好。

比如:教师可以将美术教学内容制成课件,课件简单明了,可以放大、缩小、暂停等,小学生一看就懂,一学就会,在模仿中慢慢就能创作出作品。在关键的知识点上,教师还可以穿插上一些小故事,比如好人好事、名人创作典故等。总之,要在课堂教学过程中,让学生沉浸于一种健康向上的、求善求美的创作氛围中,逐步养成良好的道德品质和行为习惯。

另外,教师还可以直接将网络引入小学美术课堂中。现在有很多优秀的绘画技能讲解及小学生学习教育视频,教师可以根据具体教学内容引入,比如儿童学习的要求、绘画基本功讲座、少年儿童的习性要求等。教师可以边进行美术教学,边进行小学生思想品德的教育,效果很好。小学生模仿能力很强,课堂上有形的教育会发挥无形的力量,小学生回到家后就会为自己的爷爷奶奶、爸爸妈妈做力所能及的事情,让素质教育、道德教育从理想的课堂深入到小学生的日常生活中。

三、创作美术特有素材,对学生进行综合德育教育

随着网络技术的发展,网络上出现了很多让少年儿童学习操作技能的电教片,这是对小学生进行学科教育、德育教育的最好素材。既能很好地服务于教学,又能对小学生进行德育教学,一举两得。

比如在每次进行美术教学前,可以让小学生自己先动手制作一些学习用的材料,特别是可以利用一些旧的材料,通过加工、制作、改造进行再利用,这样既锻炼了学生的自学和动手能力,还节约了材料。更重要的是,这虽然是一件小事,但是通过这种教育,可以让小学生受到课堂以外的道德教育。

神经网络教学范文4

【关键词】人工神经网络;教育资源;管理系统

【中图分类号】G40-057 【文献标识码】A 【论文编号】1009―8097(2009)07―0120―04

教育资源是信息化教学的基础。随着教育信息化的深层次推进,互联网中的信息资源以指数方式增长,这些资源不仅在内容上多种多样,在表现形式上更是丰富多彩。它对教育领域的冲击与渗透使得网络教育资源的利用受到重视,并随之出现了新型教学模式,如:基于资源的自主探索式学习和协作学习等。然而海量的网络教育资源既为教育带来了强大的服务功能,也为资源的建设与管理带来了新的挑战。教育资源具有数据量大、形式多样、针对性强、教育性强等诸多特点,如何将分散、无序的资源整合起来,使“用户能方便、高效地将其利用于自己的学习和工作之中,并在大范围内实现共享是网络教育资源建设者必须慎重面对的问题。”[1]

一 教育资源管理面临的问题

随着信息资源飞速增长,对教育资源管理的要求也更加苛刻。而网络环境的复杂给教育资源的管理带来许多不确定性。

1 教育资源管理系统在网络过载,受到攻击的情况下很容易崩溃。系统一旦崩溃,所有辛辛苦苦积累起来的资料化为乌有,资源的开发利用和共享无从谈起。目前“教育资源管理系统在输入错误、磁盘故障、网络过载或有意攻击情况下,很容易死机和崩溃。”[2]而鲁棒性(robustness)的大小是在异常和危险情况下系统生存的关键,代表了系统健壮与否。简而言之,系统的鲁棒性有待加强。

2 教育资源管理系统需要连续不断地吸收新的教育资源。向用户提供可靠的信息输出。但是在发生故障时,教育资源管理系统容易停止工作,给用户带来较大的损失。而容错性(Fault Tolerance)是指在故障存在的情况下管理系统不失效,仍然能够正常工作的特性。很明显,管理系统的容错性较差,犹如一个经常断电的供电站,给广大用户带来不必要的烦恼与损失。

3 教育资源的扩张速度极快,对海量教育资源的分类显得越来越困难。原先的人为分类跟不上信息传递的频率,导致很难在较短的时间内找到用户迫切需要的资料,浪费用户的时间,也给教育资源的进一步推广使用带来障碍。

二 人工神经网络的特点

人工智能(Artificial Intelligence)是探讨人类智能的基本机理,研究如何利用各种自动机来模拟人的某些思维过程和智能行为,从而构造智能人工制品的科学。

人类对人工智能的研究可以分成两种方式,对应着两种不同的技术:基于心理角度模拟的传统人工智能技术和基于生理角度模拟的人工神经网络技术。从人脑的生理结构来观察,人脑的每个神经元大约有103~4个树突及相应的突触,一个人的大脑总计约形成1014~15个突触。用神经网络的术语来说,即是人脑具有1014~15个互相连接的存储潜力。虽然每个神经元的运算功能十分简单,且信号传输速率也较低(大约100次/秒),但由于各神经元之间的极度并行互连功能,最终使得一个普通人的大脑在约1秒内就能完成现行计算机至少需要数10亿次处理步骤才能完成的任务。根据人脑的生理特点,人工神经网络(Artificial Neural Networks,ANN)是由大量并行分布的单元广泛互连而成,通过各组成部分非同步化的变换,实现信息的整体处理任务,它的这一结构特点决定着人工神经网络具有高速信息处理的能力。它实质上是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。其“工作原理是通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。” [3]所以它具有自学习和自适应的能力,可以通过预先提供的一批相互对应的输入――输出数据,分析掌握两者之间潜在的规律,最终根据这些规律,用新的输入数据来推算输出结果。

人工神经网络中神经元处理单元可表示不同的对象,例如特征、字母、概念,或者一些有意义的抽象模式。网络中处理单元的类型分为三类:输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据;输出单元实现系统处理结果的输出;隐单元是处在输入和输出单元之间,不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度,“信息的表示和处理体现在网络处理单元的连接关系中。”[4]人工神经网络的本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能,并在不同程度和层次上模仿人脑神经系统的信息处理功能。正因为这个重要特征,“人工神经网络采用了与传统人工智能技术完全不同的机理,克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷,具有自适应、自组织和实时学习的特点。”[5]它与专家系统的最大区别是,专家系统属于人类智能的功能模拟,而人工神经网络则偏重走结构模拟的路子。与其它智能系统相比,人工神经网络具有以下特点:

1 学习能力:学习能力是神经网络具有智能的重要表现,即通过训练可抽象出训练样本的主要特征,表现出强大的自适应能力。例如实现图像识别时,只有先把许多不同的图像样板和对应的应识别的结果输入人工神经网络,网络就会通过自学习功能,慢慢学会识别类似的图像。

2 分布式结构:人工神经网络力图“体现大脑的分布式并行计算和非线性等特征,依此而建构的网络是一种具有大量连接的并行分布式处理器。”[6]具有通过学习获取知识并解决问题的能力,且知识是分布存储在与大脑神经元突触相类似的连接的权重中。在传统的串行体系计算机中信息分布在独立的存储单元中,而在神经网络中,信息则分散在神经元的连接上。神经网络的信息分布特性,使之具有强大的容错能力和记忆联想能力。信息的分布存储提供容错功能。由于信息被分布存放在几乎整个网络中,所以,“当其中的某一个点或者某几个点被破坏时,信息仍然可以被存取。系统在受到局部损伤时还可以正常工作。”[5]

3 并行处理:神经网络主要是对人脑的结构模拟。各种神经元在处理信息时是独立完成的,不同神经元之间具有并行性,这种并行处理使得信息处理速度大大加快。信息处理方式由原来冯•诺依曼设计的串行处理变为对信息并行处理。

三 人工神经网络应用于教育技术资源的管理之中

将网络布线由原来的星型布线转向神经网络布线方式。应用神经网络软件,网络采用分布式结构,信息采用统一并行处理的方式处理,从而加强了网络的鲁棒性、容错性。同时发挥神经网络的自学习能力,对待不同的信息资源进行模式分类。神经网络模型考虑采用目前比较成熟的误差反向传播网(BP神经网络)。教育资源分类考虑设计关键词进行训练,同时设立样本训练方法,用BP算法对该网络进行训练。训练结束之后,神经网络就可以作为教育资源分类器来进行使用。

BP(Back propagation反向传播)网络又称误差信号反馈网络,是神经网络中使用最广泛的一类。它是一种有教师的学习网络,能够实现从N维到M维的非线性映射,采用梯度下降法实现快速收敛。BP神经网络采用的是并行网格结构,包括输入层、隐含层和输出层,经作用函数后,再把隐节点的输出信号传递到输出节点,最后给出输出结果。由图1可见各层次的神经元之间形成全互连连接,各层次内的神经元之间没有连接。

该算法的学习过程由信息的前向传播和误差的反向传播组成。在前向传播的过程中,输入信息从输入层经隐含层逐层处理,并传向输出层。第一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到期望的输出结果,则转入反向传播,将误差信号(目标值与网络输出之差)沿原来的连接通道返回,通过修改各层神经元权值,使得误差均方最小。神经网络理论已经证明“BP网络具有强大的非线性映射能力和泛化功能,任一连续函数或映射均可采用三层网络加以实现。”[3]

其BP神经网络模型设计方案如下:输入层、隐含层、输出层。输入层与外界的信息来源渠道紧密相连,称之为接受信息的服务器。隐含层包含若干个存储器,代表若干个知识单元。存储器需要具备输入输出渠道,具备自学习能力,可以接受外界信息,也可以传送信息。输出层由传送信息的服务器组成。输出层接受到隐含层传来的信息之后,根据用户要求传送相关信息。层间联接根据模型设计方案来铺设。神经网络中的每一个节点,无论其在输入层、隐含层、输出层上,每台计算机上必须有相应的神经元器件,以便网络进行自学与联想记忆。BP神经网络管理系统的硬件实现。是将协处理器插入标准计算机中,通过运行神经网络软件包,以实现神经网络的硬件功能,可以使神经网络在任何计算机硬件和软件环境中得到所需要的教育资源处理能力。其设计的模型具有如下特点:

1 教育资源并行分布方式处理:在神经网络中教育资源是分布储存和并行处理的,即神经网络把教育资源分布地存储在神经元之间的连接强度上,而且对教育资源的处理是由网络中神经元集体完成的。在BP神经网络中,教育资源的存储表现为神经元之间分布式的物理联系,它分散地表示和存储于整个网络内的各神经元及其连线上。每个神经元及其连线只表示一部分教育资源,而不是一个完整具体概念。只有通过各神经元的分布式综合效果才能表达出特定的概念和知识。由于人工神经网络中神经元个数众多以及整个网络存储容量的巨大,使得它具有很强的不确定性处理能力。即使输入教育资源不完全、不准确或模糊不清,神经网络仍然能够联想思维持在于记忆中事物的完整图像。只要输入的模式接近于训练样本,系统就能给出正确的推理结论。

2 鲁棒性与容错性比较强:人工神经网络的结构特点和其信息存储的分布式特点,使得它相对于其它的判断识别系统如专家系统等,具有另一个显著的优点健壮性。当一个人的大脑因意外事故受轻微损伤之后,并不会失去原有事物的全部记忆。人工神经网络不会因为个别神经元的损失(网络过载、停电、突发故障)而失去对原有模式的记忆(管理功能)。另外“即使是突发事件,暂时使网络的硬件实现还是软件实现中的某个或某些神经元失效,整个网络仍然能继续工作。”[7]BP神经网络是一种非线性的处理系统。只有当神经元对所有的输入信号的综合处理结果超过某一阈值后才输出一个信号。因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统,可以实现对教育资源不间断、长时间的持续管理。它突破了传统管理系统的局限,标志着教育资源管理能力的较大提升。因而神经网络具有极强的鲁棒性与容错性,有联想记忆抽象概括和自适应能力。

3 具有自学习和自适应能力:神经网络抽象概括和自适应能力称之为自学习能力,自学习是神经网络中最重要的特征。通过学习,网络能够获得教育资源的分类知识,适应环境。在训练时,能从输入、输出的数据中提取出规律性的分类知识,记忆于网络的权值中。并具有泛化能力,即将这组权值应用于一般教育资源分类的能力。另外,BP神经网络的分类能力学习也可以在线进行。

以教育学院教育技术学资源管理为例,输入层由两台高性能的服务器组成,中间设七个知识单元,输出由两台输出服务器组成。隐层的七个神经元分别为计算机软件资源室、课堂教学资源室、“影视创作资源室、计算机教育应用资源室、网络技术资源室、传统教学资源室、传统媒体使用资源室。”[8]模型图如图2所示:

教育技术学资源管理系统一种可编程的动力系统,其存贮、加工和提取教育资源均是可编程的。输入层负责对教育技术学的相关教育资源进行筛选比较,然后根据学习后的分类能力对资源予以分类,将所有的教育技术资源分布式存储在隐层的各神经元中,需要处理时根据用户需要,从各个神经元中取出信息并行处理,输出到输出服务器中,提供给用户。用户可以将用户要求直接给输出处理平台,传递给输出层后,由输出层将用户要求反馈给中间隐层。也可以将要求送给输入处理平台,传递给输入层,进行筛选之后将信息传送给中间隐层。即使系统突然面临网络过载问题,由于存储是分布式的,可以很容易地将信息资源分配下去。即使突然停电,由于相关资源已经存储完毕,损失微乎其微。系统的鲁棒性大大加强。同时如果系统发生突然故障,由于输入渠道有两条,所以可以很轻松地用另一个服务器处理。输出处理时也是如此。因此系统的容错性也得到提高。至于模式分类,则需要较长时间的训练和大量的样本。一旦BP神经网络模型训练完毕,日后教育技术学资源分类就显得十分轻松。只需将关键词输入准确,便可以进入相应的知识单元存储起来。处理信息时,根据用户需要,有不少不同类别的资源需要统筹规划、联合利用,才能得到用户需要的结果。这儿就可以充分发挥神经网络并行处理的特点,有条不紊地对信息加以处理。其总体示意图如图3所示:

四 结语

教育信息化的核心问题是教育资源的应用和管理。神经网络式的教育资源管理系统把教育资源存储、教育资源管理、教育资源分类、教育资源动态升级四大特色功能进行整合,全面突破了“当前基础教育信息化过程中的应用‘瓶颈’。” [9]其最大的特点就是突出了教育资源的管理功能,通过以一个统一管理平台为核心的方式,对各类教育资源进行优化、整合,改善了以往教育资源管理从单一功能角度进行设计,各功能之间不能相互结合,造成资源管理困难和资源互不兼容的问题,实现了教育资源的价值最大化。值得注意的是,由于管理系统采用神经网络的结构特点进行设计,其鲁棒性、容错性和模式分类能力较强,较之传统教育资源管理方式比较起来,不仅提取和输入变得十分简单,而且对大量资源的分类式识别也大大加快,提高了管理效率。分布式存储提高了教育资源的存储容量,而“并行式处理又加大了教育资源的处理速度,同时系统在应付突发事件和网络攻击方面,应变能力大大增强,”[10]其可靠性与可用性也有突破性的提高。同时,在教育资源管理过程中,系统能抓住教育资源应用与管理过程中的关键问题,关注用户的反馈,即时更新教育资源,加强了教育资源的建设,为教育信息化的持续发展提供了有力的保障。

参考文献

[1] 余胜泉,朱凌云.教育资源建设技术规范体系结构与应用模式[J].中国电化教育,2006,(3):58-59.

[2] 穆肃.校本学科教学资源库的设计和实现[J].中国电化教育,2004,(1):56-61.

[3] 周志华著.神经网络及其应用(第1版)[M].北京:清华大学出版社,2004.

[4] 张广莹,徐丽娜,邓正隆.“神经网络控制”CAI课件研制中的几个问题[J].现代教育技术,1997,(2):32-33.

[5] 韩立群著.人工神经网络理论设计及应用(第1版)[M].北京:化学工业出版社,2002.

[6] 陶剑文.一种分布式智能推荐系统的设计[J].计算机工程,2007,(15):207-208.

[7] 王国旗,张辛亥,肖.采用前向多层神经网络预测煤的自然发火期[J].湖南科技大学学报(自科版),2008,(2):20-22.

[8] 茹洪丽.教育技术学课程设置问题探略[J].电化教育研究,2005,(12):38-41.

神经网络教学范文5

关键词:神经网络;上证综合指数;Clementine;股价

中图分类号:F830.9 文献标识码:A 文章编号:1001-828X(2013)05-0-01

证券市场是一个资源重新配置的市场,在我们国家经济建设中起着非常重要的作用,和我们广大人们群众的生活息息相关。股价预测有着很大的应用价值,具有动态性、强非线性等特点。人工神经网络是一种模拟人脑神经网络结构,通过对研究对象的不断学习、训练,从而实现预测模型的方法。在股价预测方面,人工神经网络方法可以通过股票历史数据进行学习,从而找出股票价格的规律,实现对股票价格的准确预测。

一、神经网络模型简介

1.神经网络基本概念

神经网络模型是一种数学模型,它试图模拟人类大脑的功能。它由大量的人工神经元通过适当的方式互连构成,是一个非线性的自适应系统,用于智能决策和推断。

2.BP神经网络

目前神经网络有很多种,BP神经网络模型是用的比较多的一种模型。BP神经网络是一种基于有监督的学习、使用非线性的可导函数作为传递函数的前馈神经网络,由信息的正向传播和误差的反向传播两个过程组成,包括一个输入层、一个输出层以及一个或者多个隐层。输入层收到输入信号,传递给中间隐层各神经元,由最后一个隐层神经元传递到输出层各神经元的信息,经过进一步处理,完成一次正向传播处理过程,由输出层向外界输出信息处理结果。当实际输出与期望输出不相符时,进入误差的反向传播过程。误差通过输出层,按照误差梯度下降的方式修正各层权值,向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程,一直进行到网络输出的误差减少到可以接受的程度。BP神经网络模型包括其输入模型、输出模型、作用函数模型、误差计算模型和自学习模型。

二、神经网络模型在股票分析预测中的应用

1.初始数据选取

本文拟以A股市场上证综合指数为研究对象,选取2012年1月4日至2013年4月17日期间每个工作日的上证综合指数的相关数据,利用Clementine软件的BP神经网络方法进行建模,对上证综合指数的走势进行分析和预测。在建模过程中,选取的变量为:开盘价、最高价、最低价、成交量、收盘价。

2.BP神经网络建模

3.分析与结论

下图为通过神经网络模型得到的次日收盘价格与次日预测结果之间的拟合图,从图中可以看出,尽管预测结果与真实值之间的变化趋势基本一致,但还是有一定的预测误差,这是因为股票价格不仅跟成交价和成交量有关系,还受政策因素、市场供应关系、季节因素、突发事件等影响。根据价量关系,对短期预测效果比较有效,如果希望对股票进行长期有效的分析,我们还需要考虑很多因素,包括宏观因素、上市公司财务状况及内部其他因素等。

参考文献:

[1]史忠植.神经网络[M].北京:高等教育出版社,2009:48-65.

[2]薛薇,陈欢歌.基于Clementine的数据挖掘[M].北京:中国人民大学出版社,2012:1-132;275-305.

[3]元昌安.数据挖掘原理与SPSS Clementine 应用宝典[M].北京:电子工业出版社,2009:234-257;550-555.

[4]杨富勇.神经网络模型在股票投资中的应用[J].计算技术与自动化.2010,29:108-112.

[5]范明,孟小峰,译.Han J, Kamber M.数据挖掘:概念与技术[M].北京:机械工业出版社,2012.

[6]张娴.数据挖掘技术及其在金融领域的应用[J].金融教学与研究,2003,6(04):15-18.

神经网络教学范文6

Research on Sports Achievements Predictive Based on the Grey Neural Network

常亮① CHANG Liang;孙国妹② SUN Guo-mei;刘雨辰③ LIU Yu-chen

(①沧州市职教中心,沧州 061000;②沧州市运河区南环小学,沧州 061000;③河北师范大学体育学院,石家庄 050000)

(①Cangzhou Vocational Education Center,Cangzhou 061000,China;

②Nanhuan Primary School in Yunhe District of Cangzhou,Cangzhou 061000,China;

③Physical Institute of Hebei Normal University,Shijiazhuang 050000,China)

摘要:对体育成绩的预测关系到学生身体素质和体育教学方案的制定,通过结合灰色理论和神经网络的特点提出了灰色神经网络体育成绩预测模型。依据某大学2008-2013年体育成绩统计数据,分别选用GM(1,1)模型和灰色神经网络模型对数据进行拟合,通过2014年的体育成绩作为模型验证,来预测2015年的体育成绩。结果表明,灰色神经网络体育成绩预测模型具有灰色系统贫乏数据建模和神经网络高度非线性映射能力的优点,对提高预测精度具有一定的实用价值。

Abstract: The prediction of sports achievements has close relationship with the students´ physical quality and the sports teaching plan. Based on the grey neural network, the sports achievements prediction model is put forward by combining the characteristics of the grey theory and neural network. Dates (sports achievements) of 2008-2013 are respectively fitted by GM(1,1) and the gray Elman network model is predicted by the dates (fire frequency)of year 2014, then the 2015 sports scores is also predicted. Results showed that grey neural network sports performance prediction model with grey system lack of data modeling and highly nonlinear mapping ability of neural network advantages, which has a certain practical value to improve the prediction accuracy.

关键词 :体育成绩;GM(1,1);BP神经网络;预测模型

Key words: sports achievements;GM (1,1);BP neural networks;predictive model

中图分类号:TP301.6 文献标识码:A文章编号:1006-4311(2015)20-0191-03

0引言

学校注重学生的整体培养,学生身体素质的提高和体育课程有着不可或缺的关系[1]。体育学习的好坏的评定指标很多,分数无疑是评定的最重要的方式[2]。通过分数的把握不仅能够反映学生对体育的兴趣也能进一步预测学生未来的身体素质,因此体育成绩的合理评定反映了时代的需要和国家体育投入的战略方向,有着举足轻重的作用[3-4]。

随着现代数学和计算机技术的发展,灰色理论、模糊数学、神经网络等新理论在预测中得以广泛使用。灰色预测模型适用于分析数据量小的非线性、不确定系统的数据序列,但存在误差较大的问题[5-6]。而人工神经网络具有强大的自我学习功能,能够对可预测的数据进行训练,从而实现对某些特殊情况的出现进行预测,但要求样本量大[7]。因此,本研究通过将灰色预测与神经网络相结合的方法,建立了体育成绩预测模型。以某大学2008-2013年体育成绩为数据输入,通过2014年的体育成绩作为模型验证,来预测2015年的体育成绩,以此来把握学校体育政策的制定。

1灰色神经网络模型

1.1 灰色预测

灰色预测是通过原始数据的处理和灰色模型所建立起来的一种新型理论,通过发现、掌握系统发展规律来对未来状态作出科学的定量预测[8]。GM(1,1)为灰色预测模型中最为普遍的预测模型。建模前对原始数据进行预处理,设原始时间序列为X(0),并记作X(0)=[X(0)(1),X(2),…,X(0)(n)],做一次累加,生成序列X(1)=[X(1)(1),X(1)(2),…,X(1)(n)],称X(1)为X(0)的一阶累加生成序列

灰色预测模型可在小数据量情况下对非线性、不确定系统的数据序列进行预测。但是其预测误差往往偏高,特别是当系统中出现特殊情况时,就会出现异常数据,从而破坏预测数据的稳定性,预测误差会大幅上升。

1.2 BP神经网络

BP神经网络[9]是一种按误差逆传播算法训练的多层前馈网络,其结构一般分为3层:输入层、中间层(隐含层)和输出层,如图1所示,特点是:各层神经元仅与相邻层神经元之间有连接;各层内神经元之间无任何连接;各层神经元之间无反馈连接。

BP算法的基本思想是,学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时,输入样本从输入层传入,经各隐含层逐层处理后,传向输出层。若输出层的实际输出与期望的输出不符,则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐含层向输入层逐层反传、并将误差分摊给各层的所有神经元,从而获得各层神经元的误差信号,此误差信号即作为修正各神经元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程,是周而复始地进行的,权值不断调整的过程,也就是网络的学习训练过程。此过程一直进行到网络输出误差减少到可接受的程度,或进行到预先设定的学习次数为止。

人工神经网络具有强大的学习功能,能够对可预测的突变数据进行学习,从而实现对某些特殊情况的出现进行预测。但人工神经网络需要大量样本数据,训练数据不仅要求数量多而且要具有广泛的代表性。

1.3灰色神经网络

灰色预测模型是在利用灰色预测模型对样本数据进行预测时,由于系统中的特殊情况使数据具有波动性,预测误差较大,而BP神经网络可以通过实际值对GM(1,1)模型预测值进行训练,运用BP神经网络拟合函数的优势,进而对模型进行修正,使预测精度得到大幅提高。

灰色神经网络的实现步骤如下:

①选取样本数据,对数据进行归一化处理,建立GM(1,1)模型;

③将数据序列P作为神经网络的输入向量,T作为神经网络的输出向量,训练BP神经网络,得到网络中对应于每个结点的一系列权值和阈值;

④用已建立的GM(1,1)模型进行预测,将这些预测值作为网络的输入进行仿真,得到相应的输出,即为灰色神经网络模型预测的结果。

2灰色神经网络体育成绩预测模型的应用

跑步是人们最常用的一种身体锻炼的方式,也是最能衡量学生身体素质的一类体育项目。短跑是一种厌氧运动,可以把握学生的爆发力和缺氧环境下身体的机能;长跑是一种有氧运动,可以提高学生的耐力和不轻易服输的精神。为此以某大学2004-2013年跑步成绩(100m、200m、400m和1500m)为依据进行预测研究,样本数据如表1所示。可知:整体成绩的平均值维持在70-85分之间,具有典型的代表性。

利用MATLAB软件实现灰色预测模型和灰色神经网络预测模型,分别选用GM(1,1)模型和灰色神经网络模型对2008-2013年体育项目平时成绩进行灰色模糊神经网络拟合运算。

以100m体育项目为例,表2给出了模型计算结果和相对误差。可知:GM(1,1)模型对于原始数据的拟合精度相对较低,且不稳定,尤其在2008年、2011年拟合精度误差相对较大。而灰色神经网络模型拟合精度较高,且稳定,相对误差均在1%以下。

下面分别用2014年的实际数据检验GM(1,1)灰色预测模型和灰色神经网络模型预测值。用GM(1,1)模型预测的2008-2013年的各项体育平均成绩作为输入数据P,用原始数据作为输出数据T,设计的BP网络中间层有30个神经元,中间层传递函数为S函数tansig,输出层有一个神经元,输出层传递函数为线性函数purelin,训练函数采用traingdx,性能函数为误差平方和函数mse。最后把灰色预测模型预测的2014年的体育平均成绩输入到已训练好的BP神经网络中,此时网络的输出值就是灰色神经网络的预测值。

2014年各项体育平均成绩的实际值和预测值如表3所示。对比两种模型预测结果可知,灰色预测模型对体育成绩的预测精度较低,2014年的各项体育项目预测结果相对误差较大,尤其是400m项目。而灰色神经网络的自学习性能强,对这些数列中的异常数据具有很好的容错性,相对误差大幅降低,2014年的预测结果相对误差均在1以下。由此可得出,灰色神经网络模型较GM(1,1)灰色模型预测精度高,速度快,计算简单且稳定性好。

进一步预测了2015年的各项体育项目的平均分数,如表4所示。预测结果显示应该加强长跑方面的耐力训练,在制定体育课程安排和日常锻炼的时候要有目的地提高长跑联系的强度和力度,整体提高学生的身体水平。

3结论

①GM(1,1)灰色预测模型对于体育项目平均成绩的拟合精度较低,且稳定性差,特别是当系统中出现特殊情况时,就会出现异常数据,从而破坏预测数据的稳定性,预测误差会大幅上升,在2014年的预测中,平均相对误差较大。

②灰色神经网络模型具有所需数据量少、非线性预测计算速度快和精度可控等优点。经过模型对比,灰色神经网络模型可以应用于体育成绩预测,并对未来的2015年的体育成绩进行了预测,得到应该加强长跑联系的结论。

参考文献:

[1]张波.高职院校学生体育成绩评价体系的构建[J].中国成人教育,2014,24:182-183.

[2]董琼.学生体育成绩评定的探讨[J].体育学刊,2003,04:95-97.

[3]赵文娟,杨学智,刘杰,李军,王永成,孙梅.体育教育专业学生成绩评价体系构建[J].价值工程,2012,01:205-206.

[4]张玉华.基于高校学生体育成绩综合评定模型及应用[J].河南师范大学学报(自然科学版),2012,04:29-31,45.

[5]李晶,吴启勋.灰色神经网络模型及其应用[J].计算机与应用化学,2007,24(8):1078-1080.

[6]吴卢荣.基于模糊聚类的马氏链模型在交通事故预测中的应用[J].中国安全科学学报,2007,17(12):31-36.

[7]张宇,袁晓曦,弓小倩.基于BP神经网络算法的体育成绩预测研究[J].科技通报,2013,06:149-151.