第一篇：基于BP神經網絡的高校教師科研能力評價模型

基于BP神經網絡的高校教師科研能力評價模型

摘要：通過對高校教師科研能力分析，構建了高校教師科研能力評估指標體系，提出了運用BP神經網進行評估的方法，利用MATLAB對該模型進行了仿真，得到了與專家評定一致的結果。該方法克服了傳統評價方法孤立地考慮各項評價指標的缺點 增加了指標之間的關聯性，使評價結果更符合實際情況。

關鍵詞：科研能力 BP神經網絡 評價模型

中圖分類號：G420 文獻標識碼：A 文章編號：1007-9416（2014）01-0056-02

一所高校的科研水平取決于教師的科研能力，目前，有關高校教師科研能力的評估有很多評估方法，如層次分析法，貝葉斯網絡聚類方法[1]等。本文運用BP神經網絡來建立高校教師科研能力評價模型，為高校教師科研能力評價提供了一定的參考。高校教師科研能力評價指標體系

1.1 構建評價指標體系的基本原則[2]

為了科學、客觀地反映高校教師科研能力的高低，應該考慮建立與之相適應的科研能力評價方法，并確定相應的科研能力評價指標體系。為了建立能有效評價高校教師科研能力的評價指標體系，其設計的原則應遵循如下：科學規范性、系統優化性、簡潔明確性和全面實用性。

1.2 科研能力評價指標體系

本文從教師基本素質、學術影響、學術成果、科研項目四個方面來反映教師科研能力，根據構建指標體系的四個基本原則，構建三個層次結構模型評價指標體系，如圖1 基于BP神經網絡的高校教師科研能力評價模型

本文采用典型的三層BP神經網絡對教師科研能力進行評價，如圖2所示。

2.1 初始參數的確定 高校教師科研能力評價模型的評估

在某高校中，組織25名專家對20名教師科研能力進行行評價，隨機抽取6組評價數據進行歸一化處理得表1。

利用已編好的BP算法的程序[5]，在把學習樣本的輸入參數輸入計算機后，即可讓網絡模型對學習樣本進行反復學習，直到網絡模型的識別精度滿足要求?？梢钥闯?，當網絡訓練達到161步時，網絡模型識別精度為0.000982536，網絡性能達標，可知輸出結果與專家判斷是吻合的，說明BP神經網絡已具備了模式識別的能力，可以對教師科研能力進行評價。結語

通過構建教師科研能力評價體系的BP神經網絡模型，為評價教師科研能力提供了一種量化方式。BP神經網絡克服了評價中主觀因素的影響，使評價結果全面準確的反映實際情況，為教師科研能力評價提供了新的工具。

參考文獻

[1]李蘭春，王雙成，王婧.高校教師科研能力評估的貝葉斯網絡聚類方法[J].科技管理研究，2011（12）：114-116.[2]高英.高校教師創新能力分析與評價[D].東北大學工商管理學院，2006：21-22.[3]董長虹.MATLAB神經網絡與應用[M].北京：國防工業出版社，2005：64-71.[4]岳付昌，閆群章，徐廷學，等.基于BP神經網絡的導彈武器系統生存能力評估[J].艦船電子工程，2010，（10）：104-107.[5]聞新，周露.MATLAB神經網絡應用與設計[M].北京：科學出版社，2001：97-109.

第二篇：BP神經網絡實驗報告

BP神經網絡實驗報告

一、實驗目的1、熟悉MATLAB中神經網絡工具箱的使用方法；

2、通過在MATLAB下面編程實現BP網絡逼近標準正弦函數，來加深對BP網絡的了解和認識，理解信號的正向傳播和誤差的反向傳遞過程。

二、實驗原理

由于傳統的感知器和線性神經網絡有自身無法克服的缺陷，它們都不能解決線性不可分問題，因此在實際應用過程中受到了限制。而BP網絡卻擁有良好的繁泛化能力、容錯能力以及非線性映射能力。因此成為應用最為廣泛的一種神經網絡。

BP算法的基本思想是把學習過程分為兩個階段：第一階段是信號的正向傳播過程；輸入信息通過輸入層、隱層逐層處理并計算每個單元的實際輸出值；第二階段是誤差的反向傳遞過程；若在輸入層未能得到期望的輸出值，則逐層遞歸的計算實際輸出和期望輸出的差值（即誤差），以便根據此差值調節權值。這種過程不斷迭代，最后使得信號誤差達到允許或規定的范圍之內。

基于BP算法的多層前饋型網絡模型的拓撲結構如上圖所示。

BP算法的數學描述：三層BP前饋網絡的數學模型如上圖所示。三層前饋網中，輸入向量為：；隱層輸入向量為：；輸出層輸出向量為：；期望輸出向量為：。輸入層到隱層之間的權值矩陣用V表示，其中列向量為隱層第j個神經元對應的權向量；隱層到輸出層之間的權值矩陣用W表示，其中列向量為輸出層第k個神經元對應的權向量。

下面分析各層信號之間的數學關系。

對于輸出層，有

對于隱層，有

以上兩式中，轉移函數f(x)均為單極性Sigmoid函數：

f(x)具有連續、可導的特點，且有

以上共同構成了三層前饋網了的數學模型。

當網絡輸出和期望輸出不相等時，存在輸出誤差E如下：

將以上誤差定義式展開至隱層，有

進一步展開至輸入層，有

由上式可以看出，網絡輸入誤差是兩層權值W和V的函數，因此調整權值可以改變誤差E。

顯然，調整權值的原則是使誤差不斷的減小，因此應使權值的調整量與誤差的負梯度成正比，即：

式中負號表示梯度下降，常數表示比例系數，在訓練中反映了學習速率。

容易看出，BP學習算法中，各層權值調整公式形式上都是一樣的，均有3個因素決定，即：學習速率、本層誤差信號和本層輸入信號X/Y。其中輸出層誤差信號同網絡的期望輸出與實際輸出之差有關，直接反映了輸出誤差，而各隱層的誤差信號與前面各層的誤差信號都有關，是從輸出層開始逐層反傳過來的。

三、程序

clc

clear

all

k=1;

n=10;

P=[-1:0.05:1];

T=sin(k*pi*P);

plot(P,T,＇-＇);

title(＇要逼近的非線性函數＇);

xlabel(＇輸入向量＇);

ylabel(＇非線性函數目標輸出向量＇);

net=newff(minmax(P),[n,1],{＇tansig＇,＇purelin＇},＇trainlm＇);

y1=sim(net,P);

net.trainParam.epochs=50;

net.trainParam.goal=0.01;

net=train(net,P,T);

y2=sim(net,P);

figure;

plot(P,T,＇-＇,P,y1,＇--＇,P,y2,＇*＇);

title(＇訓練前后的網絡仿真結果對比＇);

xlabel(＇輸入向量＇);

ylabel(＇輸出向量＇);

legend(＇目標函數輸出向量＇,＇未訓練BP網絡輸出＇,＇已訓練BP網絡輸出＇);

仿真結果如下圖：

由仿真結果圖可以看出，未經訓練的BP網絡輸出與目標函數差距很大，逼近效果不理想，而對BP網絡訓練之后的輸出可以較精確的逼近目標函數，并且BP網絡的訓練迭代次數僅約1.2次，網絡的輸出目標誤差就達到了精度要求，收斂速度很快。函數逼近效果、網絡訓練的收斂速度與原始非線性函數的頻率、BP網絡隱含層單元神經元的數目以及BP網絡訓練函數有關。

四、實驗結論

通過編程實現使用BP網絡對函數進行逼近，對BP網絡的信號和誤差傳遞的原理以及隱層、輸出層權值調整的規則有了充分的理解和認識。

BP網絡是一個強大的工具，它是應用最為廣泛的網絡。用于文字識別、模式分類、文字到聲音的轉換、圖像壓縮、決策支持等。

但是，通過實驗看出，它還是存在一定的不足。由于本實驗中采用的學習率是固定不變的，從而使得在函數逼近的時候在有些地方出現了偏離，如果能自適應的調整學習率，使網絡在學習初期具有較大的學習率，以快速逼近函數，當已經逼近理想輸出時再使用較小的學習率，來更加精準的去逼近函數，這樣會得到更好的逼近效果和更小的錯誤率。

另外，BP網絡還具有收斂速度慢、容易陷入局部極小值的問題。這些問題通過對標準BP算法的改進能得到一定程度的解決。

第三篇：BP神經網絡優缺點

多層前向BP網絡是目前應用最多的一種神經網絡形式, 但它也不是非常完美的, 為了更好的理解應用神經網絡進行問題求解, 這里對它的優缺點展開討論: 多層前向BP網絡的優點：

①網絡實質上實現了一個從輸入到輸出的映射功能，而數學理論已證明它具有實現任何復雜非線性映射的功能。這使得它特別適合于求解內部機制復雜的問題；

②網絡能通過學習帶正確答案的實例集自動提取“合理的”求解規則，即具有自學習能力； ③網絡具有一定的推廣、概括能力。多層前向BP網絡的問題：

①BP算法的學習速度很慢，其原因主要有：

a 由于BP算法本質上為梯度下降法，而它所要優化的目標函數又非常復雜，因此，必然會出現“鋸齒形現象”，這使得BP算法低效；

b 存在麻痹現象，由于優化的目標函數很復雜，它必然會在神經元輸出接近0或1的情況下，出現一些平坦區，在這些區域內，權值誤差改變很小，使訓練過程幾乎停頓；

c 為了使網絡執行BP算法，不能用傳統的一維搜索法求每次迭代的步長，而必須把步長的更新規則預先賦予網絡，這種方法將引起算法低效。

②網絡訓練失敗的可能性較大，其原因有：

a 從數學角度看，BP算法為一種局部搜索的優化方法，但它要解決的問題為求解復雜非線性函數的全局極值，因此，算法很有可能陷入局部極值，使訓練失敗；

b 網絡的逼近、推廣能力同學習樣本的典型性密切相關，而從問題中選取典型樣本實例組成訓練集是一個很困難的問題。

③難以解決應用問題的實例規模和網絡規模間的矛盾。這涉及到網絡容量的可能性與可行性的關系問題，即學習復雜性問題；

④網絡結構的選擇尚無一種統一而完整的理論指導，一般只能由經驗選定。為此，有人稱神經網絡的結構選擇為一種藝術。而網絡的結構直接影響網絡的逼近能力及推廣性質。因此，應用中如何選擇合適的網絡結構是一個重要的問題；

⑤新加入的樣本要影響已學習成功的網絡，而且刻畫每個輸入樣本的特征的數目也必須相同； ⑥網絡的預測能力（也稱泛化能力、推廣能力）與訓練能力（也稱逼近能力、學習能力）的矛盾。一般情況下，訓練能力差時，預測能力也差，并且一定程度上，隨訓練能力地提高，預測能力也提高。但這種趨勢有一個極限，當達到此極限時，隨訓練能力的提高，預測能力反而下降，即出現所謂“過擬合”現象。此時，網絡學習了過多的樣本細節，而不能反映樣本內含的規律。優點——

神經網絡有很強的非線性擬合能力，可映射任意復雜的非線性關系，而且學習規則簡單，便于計算機實現。具有很強的魯棒性、記憶能力、非線性映射能力以及強大的自學習能力，因此有很大的應用市場。

缺點——

（1）最嚴重的問題是沒能力來解釋自己的推理過程和推理依據。

（2）不能向用戶提出必要的詢問，而且當數據不充分的時候，神經網絡就無法進行工作。

（3）把一切問題的特征都變為數字，把一切推理都變為數值計算，其結果勢必是丟失信息。

（4）理論和學習算法還有待于進一步完善和提高。

第四篇：離散Hopfield神經網絡的分類--高?？蒲心芰υu價

代碼：

離散Hopfield的分類——高?？蒲心芰υu價

clear all clc

%% 導入數據

load class.mat

%% 目標向量

T=[class_1 class_2 class_3 class_4 class_5];%% 創建網絡

net=newhop(T);%% 導入待分類樣本 load sim.mat

A={[sim_1 sim_2 sim_3 sim_4 sim_5]};%% 網絡仿真

Y=sim(net,{25 20},{},A);%% 結果顯示

Y1=Y{20}(:,1:5)Y2=Y{20}(:,6:10)Y3=Y{20}(:,11:15)Y4=Y{20}(:,16:20)Y5=Y{20}(:,21:25)%% 繪圖

result={T;A{1};Y{20}};figure for p=1:3 for k=1:5

subplot(3,5,(p-1)*5+k)

temp=result{p}(:,(k-1)*5+1:k*5);[m,n]=size(temp);

for i=1:m

for j=1:n

if temp(i,j)>0

plot(j,m-i,'ko','MarkerFaceColor','k');

else

plot(j,m-i,'ko');

end hold on

end

end axis([0 6 0 12])axis off

if p==1

title(['class' num2str(k)])

elseif p==2

title(['pre-sim' num2str(k)])

else

title(['sim' num2str(k)])

end

end end %

noisy=[1-1-1-1-1;-1-1-1 1-1;-1 1-1-1-1;-1 1-1-1-1;1-1-1-1-1;-1-1 1-1-1;-1-1-1 1-1;-1-1-1-1 1;-1 1-1-1-1;-1-1-1 1-1;-1-1 1-1-1];

y=sim(net,{5 100},{},{noisy});a=y{100}

%% %% 清空環境變量 clear all clc

%% 導入記憶模式

T = [-1-1 1;1-1 1]';%% 權值和閾值學習[S,Q] = size(T);

Y = T(:,1:Q-1)-T(:,Q)*ones(1,Q-1);[U,SS,V] = svd(Y);K = rank(SS);

TP = zeros(S,S);for k=1:K

TP = TP + U(:,k)*U(:,k)';

end

TM = zeros(S,S);for k=K+1:S

TM = TM + U(:,k)*U(:,k)';

end

tau = 10;

Ttau = TPTtau*T(:,Q);

h = 0.15;C1 = exp(h)-1;

C2 =-(exp(-tau*h)-1)/tau;

w = expm(h*Ttau);

b = U * [ C1*eye(K)zeros(K,S-K);zeros(S-K,K)C2*eye(S-K)] * U' * Itau;%% 導入待記憶的模式

Ai =[-0.7;-0.6;0.6];y0=Ai;%% 迭代計算 for i=1:5

for j=1:size(y0,1)

y{i}(j,:)=satlins(w(j,:)*y0+b(j));

end y0=y{i};end y{1}

第五篇：科研能力評價

關于研究生科研能力評語大全

篇一：研究生科研能力評價

我是xx大學xx系研究生，如今面臨畢業之際，回首這三年的研究生生涯，現做自我鑒定如下：

本人在思想覺悟上始終對自己有較高的要求，能用來認識世界認識社會，能清醒的意識到自己所擔負的社會責任，對個人的人生理想和發展目標，有了相對成熟的認識和定位。

在專業課程的學習上，根據自身研究方向的要求，有針對性的認真研讀了有關核心課程，為自己的科研工作打下扎實基礎;并涉獵了一部分其他課程，開闊視野，對本研究方向的應用背景以及整個學科的結構有了宏觀的認識。學習成績也比較理想。在外語方面，研究生階段著重加強了書面寫作的訓練，并取得了一定效果。

在科研工作上，根據導師的指導，研讀了大量論著，逐步明確了研究方向，通過自身不斷的努力，以及與師長同學間的探討交流，取得了一些比較滿意的成果。在這期間，查閱資料，綜合分析等基本素質不斷提高，書面表達的能力也得到了錘煉，尤其是獨立思考判斷和研究的能力，有了很大進步，這些對于未來的工作也都是大有裨益的。

平時生活中，為人處世和善熱情，和同學關系融洽。根據自身愛好和能力，業余參與了一些社會活動，為個人綜合素質的全面發展打下基礎。畢業在即，在工作實踐中，除了提升適應工作要求的具體業務能力，還提高了和同事溝通交流的能力，團隊協作的素質也得以培養，為走出校園融入社會做好了準備。

研究生階段使我所獲頗豐，從學業、科研工作，到個人素質，都得到了充分的培養和鍛煉，是充實且有意義的三年。相信這些經歷和積累都將成為我人生道路上的寶貴財富。

篇二：研究生科研工作的自我鑒定

體育學碩士研究生是從事體育活動以及體育科學研究的高層次體育人才，隨著高校招生規模的不斷擴大，學位類別和教育模式的逐漸優化，學術型和應用型碩士研究生在課程安排和培養模式方面都各有側重，而科研能力對于學術型碩士研究生的自身發展更是起著重要的作用。很多用人單位不僅要求研究生有扎實的專業技能，還要求具有較強的科研能力。因此，提高學術型體育碩士研究生的科研能力成為了時代的需求。評價體系應根據不同專業特點而制定，使其更具有針對性，而目前關于體育學科缺乏科學、合理的科研能力評價體系。大多數研究對于研究生科研能力的內涵有一定探討，但對其進行明確界定的較少;對于研究生科研能力結構要素以及培養模式的研究較多，而對其進行準確評價的較少;對于培養研究生科研能力的某個環節探討的較多，而從整體上去把握的較少。本研究通過大量研讀相關的學術論文和書籍，了解以往的研究成果，以河南省三所高校的研究生導師、科研工作者以及研究生管理者等為調查對象，在對學術型體育碩士研究生科研能力評價現狀進行分析的基礎上，對教育評價的相關理論進行了仔細地研究，明確科研能力的內涵，并且結合我國碩士研究生的培養目標以及體育學科特點，將眾多專家的意見進行總結、歸納和分析，以知識儲備、分析問題能力、學位論文質量以及其他科研成果4個方面為一級指標，又將其分解為專業知識、交叉知識、邏輯推理能力、信息處理能力、獨立決策能力等13個二級指標，從不同角度對碩士研究生的科研能力進行考核評估，并針對具體的評價內容、應遵循的原則、評價標準以及適用的評價方法等方面進行了詳細地闡述，運用秩和運算法確定各級指標的權重，構建出一套質性和量化有機結合的科研能力評價體系，不僅對提高學術型體育碩士研究生的科研能力起到一定的激勵作用，也為河南省高等教育管理提供有效的參考依據。