前言：中文期刊網精心挑選了神經網絡教學范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
神經網絡教學范文1
關鍵詞: 神經網絡;模擬項目;三部曲式
一、引言
我國高職院校以服務為宗旨,以就業為導向,以技能為本位,以培養新型生產技術、管理一線需要的緊缺型技能人才為目標,為推進我國加快社會主義現代化建設進程中具有不可替代的作用.而模擬項目教學是高職、中職教育的核心組成部分.在教育部明確規定:高職教育人才培養模式的重點是教學過程的實踐性、項目性、職業性和進程性,而項目、挖掘、融合、進程是四個關鍵技術環節.最近我國高職教育蓬勃發展、競爭日趨激烈,如何提高高職教學質量、增強學校的特色競爭力已成為全國高職院校的核心科研.因此,開展高職模擬項目教學質量的評估是提高高職教學質量的有效模式,必將對高職院校提高教學質量、增強學校的特色競爭力,起到核心作用.基于高職院校模擬項目教學“模擬項目嵌入式融合、校企合作”的辦學特點,從高職院校模擬項目教學質量“三部曲式”環節人手,搭建高職院校模擬項目教學質量評估指標體系,以高職院校模擬項目教學質量評估提供一種科學進程性的方法.
二、基于神經網絡的高職模擬項目教學質量“三部曲式”模式
2.1神經網絡原理
神經網絡的全稱是人工神經網絡,它是在神經科學研究的基礎上模仿人類大腦的結構和功能而構成的一種信息采集處理系統.神經網絡由大量的神經元互相連接而成,它的信息處理通過神經元的相互作用來實現,知識與信息的存儲表現為物聯網技術接點互聯嵌入式的物理關系.因此,它為模式識別、非線性分類等研究開辟了新的術語.
2.2基于神經網絡評估原理
神經網絡是一種具有三層(輸入層、隱含層、輸出層)或三層以上單向傳播的多層前向網絡結構,它的上下層之間實現全神經元連接.神經網絡是利用非線性可微積分函數進行權值訓練的多層網絡.為了加快網絡訓練的收斂速度,采用變化的學習速率或自適應的學習速率對BP算法加以改進優化.神經網絡可看作是一個從輸入到輸出的高度非線性映射,即要求出一映射使f,使f是g的最佳逼近.神經網絡通過對簡單的非線性函數進行數次復合,可得出近似復雜的函數.
我將高職模擬項目教學質量評估的各指標屬性值進行歸一化處理后作為BP神經網絡模式的輸入向量,將評估結果作為神經網絡模式的輸出,用足夠多的樣本訓練這個網絡,使其獲取評估專家的經驗、知識、主觀判斷及其對指標重要性的傾向,這樣神經網絡模式所具有的那組權系數值便是網絡經過自適應學習所得到的正確知識內部表示,訓練好的神經網絡模式根據待評估各指標的歸屬值,就可得到對高職模擬項目教學質量評估的評估結果.
2.3基于高職項模擬目教學質量“三部曲式”指標體系的建設
“三部曲式”指標體系的搭建是高職院校模擬項目教學質量評估的核心內容.“三部曲式”指標體系設計的科學與否,是高職院校模擬項目教學質量評估成敗的關鍵所在.為了突出高職院校模擬項目教學的特色,體現高職院校模擬項目教學評估的特色,作為高職院校必須從“模擬項目嵌入式融合、校企合作”的模式出發,確立模擬項目教學質量“三部曲式”指標體系如表1所示.
2.4基于高職模擬項目教學質量評估模式建立
神經網絡的輸入和輸出層的神經元數目,是由輸入和輸出向量的維數確定的,輸入向量的維數也是影響元素的個數,這里綜合考慮影響模擬項目教學質量的各種元素,選取了能夠全面反映高職院校模擬項目教學質量“三部曲式”指標體現中的29個元素,所以輸入層的神經元個數為29.輸出層作為模擬項目教學質量評估結果的網絡輸出,神經元個數確定為1,目標輸出模式為(O,1)間的一個數,評估集設為(優秀、良好、合格、不合格),對應的指數區間集合={(0.85,1),(0.7,0.85),(0.5,0.7),(0,0.5)}.由于輸出模式為(O,1)間的一個數,因此,輸出層神經元的傳遞函數可選用S型對數函數了logsig型.實踐證明,隱含層數目的增加可以提高神經網絡的非線性映射能力,但是隱含層數目超過一定值,網絡性能反而會降低.在合理的結構和恰當的權值條件下,3層BP神經網絡可以逼近任意的連續函數.因此這里采用結構相對簡單的3層BP網絡.隱含層的神經元個數直接影響著網絡的非線性預測性能.根據Kolmogorov定理,設定網絡的隱含層神經元個數為27.
表一高職院校模擬項目教學質量“三部曲式”指標體系
三、神經網絡結構與算法
神經網絡對模擬項目教學質量評估系統進行辯識模擬.主要進行非線性系統的輸出輸入映射關系建模.其主要結構是由一個輸入層,一個或多個隱含層,一個輸出層組成,各層由若干個神經元(節點)構成,每一個節點的輸出值由輸入值、作用函數和閾值決定.(圖一)
該模型由三層神經元組成:輸入層、隱含層和輸出層,不同層之間的神經元采用全互聯方式,同一層的神經元之間不存在互相連接。輸入層為經過標準化處理的各評價指標值,輸出層只有一個神經元。
BP算法對評估體系進行辨識模擬,其基本思想是最小二乘法,采用梯度搜索技術,以期使網絡的實際輸出值與期望輸出值的誤差均方值最小,網絡的學習過程是誤差一邊向后傳播一邊修正加權系數的過程,故可用其對模擬教學質量評估體系進行識別.
設網絡的輸入向量其中X是模擬教學質量評估系統各個指標體系.由于輸入樣本為29維的輸入向量,因此這里n=29.網絡的隱含層為:;其中,{}為權系數;a()為系統的傳遞函數或激勵函數.網絡的輸出層為: 其中,是神經往來系統的輸出變量;{}為權系數.設準則函數為:BP算法可使性能指標最小化,為了保證系統的全局穩定性,把被辨識模擬對象的實際輸出Y作為反饋信號燈,將其與神經網絡辨識模擬器的輸出比較,使,其中為一個很小的數,如果不滿足要求,則不斷調整權系數,以達到期望要求.根據反向傳播計算公式,可得如下權系數學習規律.其中為學習修正率0≤1.
四、高職模擬項目教學質量“三部曲式”模式的實現
網絡結構及算法確定以后,需要利用樣本數據通過一定的學習規則訓練,以提高網絡的適應能力.由1分析此模式的實現采用BP三層網絡結構,利用軟件MATLAB建模型,輸入層29個神經元,隱含層27個神經元,輸出層1個神經元,訓練步數50,目標誤差為0.001,網絡訓練次數100次.
五、結束語
通過BP神經網絡測試結果進行分析,證明模擬項目教學質量“三部曲式”指標體系及神經網絡評估模式是科學、合理的,可操作的,它克服了以往教學評估中的主觀性較強的缺點.而這種模式的應用為高職院校模擬項目教學質量評估提供一種新的思路和新的評估方法.
參考文獻:
神經網絡教學范文2
關鍵詞：人工神經網絡；教學實踐；教學方法；生物信息學
中圖分類號：G642.0 文獻標志碼：A 文章編號：1674-9324（2014）17-0208-03
人工神經網絡是在神經生理學、生物學、數學、計算機學等學科發展的基礎上提出的，模擬人類大腦的結構和思維方式處理、記憶信息的一門學科。具體來說，早在20世紀40年代，隨著醫學、生物學家們對人腦神經的結構、組成以及信息處理的工作原理的認識越來越充分，有學者提出以數學和物理方法對人腦神經網絡進行抽象，并建立簡化的模型，用以進行信息處理，這種應用類似于大腦神經突觸聯接的結構進行信息處理的數學模型，稱之為人工神經網絡ANN（Artificial Neural Network）[1]。
在人工神經網絡中，各種待處理的對象（數據、特征、字符、抽象的模式等等）都可用神經元處理單元表示。這些神經元主要可以分為輸入神經元、隱含神經元和輸出神經元三大類。其作用各不相同，作為輸入神經元的處理單元用來與外界產生連接，接收外界的信號輸入；隱含神經元處于中間層，為信息處理的不可見層；輸出神經元主要實現結果的輸出。神經元之間相互連接，連接的權重反映了各神經元之間的連接強度，神經元之間的連接關系中蘊含著信息的表示和處理。人工神經網絡主要是在不同程度、不同層次上模擬大腦處理信息的風格，具有非程序化、較強的適應性、自組織性、并行分布式等特點，其實現主要是通過網絡的變換和動力學行為，涉及數學、生物學、人工智能、計算機科學、非線性動力學等多個學科[1]。作為一門活躍的邊緣叉學科，在處理信息方面，相比于傳統人工智能方法具有非線性適應性，成功地應用于神經專家系統、模式識別、組合優化、預測等多個領域，尤其在生物信息學領域得到了廣泛的應用。生物信息學是20世紀末發展起來的一極具發展潛力的新型學科。人類的基因中蘊含著大量有用信息，利用神經網絡可以對這些海量的信息進行識別與分類，進而進行相關的生物信息學分析。如利用神經網絡分析疾病與基因序列的關系，基于神經網絡對蛋白質結構的預測，基因表達譜數據的分析，蛋白質互作位點的預測等等，都取得了很好的效果[2]。
因此，在生物信息相關專業的本科生中開設人工神經網絡課程尤為重要。經過多年的研究發展，已經提出上百種的人工神經網絡模型，這就需要教師針對不同的專業背景，不同層次的學生，講授不同模型的核心思想、推導過程、實際應用等等。本文主要根據人工神經網絡在生物信息學相關專業的教學實踐，從以下幾個方面進行探討。
一、引導式教學，激發學生的學習積極性
神經網絡作為一門偏于理論分析的學科，傳統的教學模式，即首先講解模型的起源，接下來介紹模型的核心思想，然后就是一連串的數學公式推導，面對滿黑板的公式，學生很難提起興趣去認真學習相應的模型。所以，如何激發起學生的學習積極性，讓學生重視這門課程，更好地掌握課程內容，掌握相關的模型理論基礎、核心思想，更好地服務于本專業，是人工神經網絡教學者亟待解決的問題。
首先，在導課的時候要生動，以引起學生對將要學習的內容的好奇心，讓學生有興趣投入到課堂學習內容中去。布盧姆說過：“最大的學習動機莫過于學生對所學知識有求知的興趣?！敝挥性谶@種動機下的學習，才會提高自身的主動性與自覺性，達到提高教學質量的目的[3]。例如，在講解hopfield神經網絡的時候，通過舉例對蘋果、橘子的質地、形狀、重量等特征的描述，運用“0，1”進行量化描述，然后應用神經網絡就可以進行有效地分類；對于旅行商TSP問題，也可以通過hopfield神經網絡尋找到最優路徑。那么，這些問題是如何解決的呢？就需要大家來一起揭開hopfield神經網絡的神秘面紗。其次，由于神經網絡涉及大量的數學公式與數學方法，學生往往會有畏懼的心理，這就需要教師幫學生澄清思想誤區，現在很多用于數據分析與計算的軟件，如matlab工具箱、R軟件里面都有很成熟的人工神經網絡軟件包，所以，學生只需要理解其工作原理、核心思想，學會使用現成的人工神經網絡軟件包處理數據，在熟練應用程序包的基礎上，對相應的神經網絡模型進行優化，改進，并且與其他的人工智能算法相結合，更好地為本專業服務。第三，在講授人工神經網絡理論內容的時候，要摒棄傳統的呆板式的推導過程，以往的神經網絡教學方法注重理論分析，通常是一連串的公式推導，公式中又涉及大量的符號，計算起來復雜又煩瑣，學生會覺得索然無趣，厭學情緒嚴重。在教學過程中，教師要精心設計，創設出特定的問題環境，將所學內容與本專業相結合起來，多講應用，啟發和誘導學生選取合適的神經網絡模型來解決本專業的實驗數據分析與處理等問題。
二、理論教學與實驗教學相結合
除了在理論課堂上將基本的理論知識傳輸給學生，教師還應該安排若干實驗教學內容，讓學生以實驗為主，將理論課上所學的知識運用到解決實際問題中來，理論聯系實際，主動操作思考，觀察，分析，討論，以培養學生解決問題的能力。一旦學生自己動手處理一些問題后，很自然地就會對人工神經網絡產生一種親切感，并能強烈激發起學生繼續探究下去的興趣。對于同一問題，可以讓學生選取不同的網絡模型，設置不同的參數，甚至可以讓學生自己動手編寫相應的網絡模型程序，并且給予改進，根據得出的結果來評價模型在解決實際問題時的好壞，以及模型改進的效果。作為授課教師，需要不斷優化實驗教學內容，在生物信息學專業開設人工神經網絡課程，實驗教學主要是針對生物信息專業的海量生物數據處理與分析的實際需要，培養學生綜合運用人工神經網絡方法和生物信息學知識，進行信息的分析與處理。除了在實驗課堂上給學生最大的自由發揮空間外，課后作業也盡量以開放式問題的形式給出，比如，可以讓學生選取相應的網絡模型處理本專業的一些實際問題，例如，數據的分類、聚類等等，其中，數據來源可以不同，類型也可自由選取，最后給出相應的模型參數設置、方法的改進、實驗結果，也可以安排學生自己查詢文獻進行學習，并安排學生作報告。這樣，學生可以在世界范圍內了解神經網絡的在本專業的應用情況，又能提高英語的讀寫能力，還能鍛煉學生做科研報告的能力。
三、加強師資隊伍建設以及其他基本條件的建設
由于生物信息學是一門新興的交叉學科[4]，這就要求人工神經網絡的授課教師要熟練掌握生物信息相關專業的知識，教師的業務水平必須得到充分保證，才能給學生以全面透徹的指導。學院應該本著自主培養與重點引進的原則，優化教師隊伍的專業結構和學歷結構，提高教師的自身修養。授課教師要將課堂的理論知識聯系實際生物問題進行講授，讓學生感受到人工神經網絡在本專業的應用，提高學生的學習效率，同時也需要閱讀大量的專業文獻，提高編程技巧和數據庫應用能力，讓自己成為一名合格的復合型教師。同時，人工神經網絡課程的實驗，高度依賴于計算機網絡等設備，因此，相關的軟硬件設施的建設也必不可少，由于，基因組測序技術的發展，目前生物信息學研究所用的數據都是海量的，神經網絡訓練起來所需時間太長，不能用普通的電腦完成，需要專門的服務器來處理，學校有關部門應在條件允許的情況下，配備機房，購買服務器，以及相關的軟件，為學生創造良好的環境，讓學生完成課程內容。
最后，人工神經網絡涉及數學、計算機、人工智能和神經學等專業知識，因此，需要授課教師加強與其他相關專業教師的交流與合作，并滲透到授課過程中去，讓學生在學習人工神經網絡網絡時能將各專業聯系起來，更好地解決生物信息學中的問題，要想成為一名合格的人工神經網絡課程教師，首先要成為一名復合型的教師，不僅要具備教學和科研能力，同時也要具備計算機、生物學、信息學等多學科的知識。
參考文獻：
[1]朱大奇，史慧.人工神經網絡及其應用[M].北京：科學出版社，2006.
[2]朱偉，史定華，王翼飛.人工神經網絡在蛋白質二級結構預測中的應用[J].自然雜志，2003，（3）：167-171.
[3]趙俊，李曉紅.趣味教學法在預防醫學教學中的運用[J].現代醫藥衛生，2005，21（15）：2089-2090.
神經網絡教學范文3
關鍵詞：網絡環境；小學美術教育；德育滲透
中圖分類號：G622 文獻標識碼：B 文章編號：1002-7661（2016）17-333-01
隨著計算機技術的發展和網絡媒體的普及與日趨優化，教育教學手段也越來越現代化，但受傳統觀念和應試教育的影響，德育教育始終沒有得到足夠的重視。德育教學不僅是思想品德課的重要教學內容，更應該滲透到其他各門學科的教學中，滲透到學生的日常生活和學習中。本文主要探討在網絡環境下，如何在小學美術課中對學生進行德育滲透。
一、通過網絡媒體，積極挖掘小學美術課的德育內容
小學美術是小學教育中的一門重要學科，旨在通過繪畫、描述和基本的創作，陶冶學生的情操，鍛煉學生的意志，提高小學生的欣賞能力和空間想象能力。其最大的特點在于通過繪畫基本功的訓練，培養和提高小學生的綜合素質和能力。德育是素質教育的重要內容，因此在小學美術教學中必須滲入德育內容。但現在的小學美術教材都有自己一整套培養學生繪畫技能的體系，因此美術教師必須挖掘其中蘊含著的德育因子，特別是借助于計算機媒體和網絡對教材進行深入挖掘。比如：在對小學生進行繪畫基本功訓練時，可以通過多媒體技術展現一些名人名作，詳細介紹他們的繪畫特色，介紹這些繪畫大師的品格和繪畫成就，通過潛默移化的教育，讓小學生理解做人和繪畫之間的關系，于“潤物細無聲”中讓小學生了解到要學好美術首先要學會做人。
在學完每個單元之后，教師可以通過多媒體課件展示該單元重點作品的出處、內涵、作者的品質及創作緣由。當然也可以讓小學生自己上網去查這些內容，讓小學生自己去看、去想，想象作者的言行舉止，了解他們對社會的貢獻，以及他們是如何進行基本功訓練、如何把自己的內在情感融入到簡單的線條組合中去的。通過這些活動，激發小學生的內在情感，教會他們如可學習、如何做人，怎樣做才能成為―個真正對社會有用的人，怎樣做才算是真正的成才。
二、借助網絡媒體，實施德育教育
小學生好奇心強，容易受外界環境的干擾，如果仍然采用傳統的教師口頭說教的教學方法，很難激發學生學習興趣，更無法讓學生在繪畫創作方面有所收獲和創新。多媒體的出現為教學方法的創新帶來了生機，多媒體集精美動態的圖片、優美動人的聲音、漂亮的文字于一身，激發了小學生的學習興趣。通過網絡媒體的教學，把德育融入美術教學中，可以做到美術教學與德育教育的雙豐收，效果很好。
比如：教師可以將美術教學內容制成課件，課件簡單明了，可以放大、縮小、暫停等，小學生一看就懂，一學就會，在模仿中慢慢就能創作出作品。在關鍵的知識點上，教師還可以穿插上一些小故事，比如好人好事、名人創作典故等。總之，要在課堂教學過程中，讓學生沉浸于一種健康向上的、求善求美的創作氛圍中，逐步養成良好的道德品質和行為習慣。
另外，教師還可以直接將網絡引入小學美術課堂中。現在有很多優秀的繪畫技能講解及小學生學習教育視頻，教師可以根據具體教學內容引入，比如兒童學習的要求、繪畫基本功講座、少年兒童的習性要求等。教師可以邊進行美術教學，邊進行小學生思想品德的教育，效果很好。小學生模仿能力很強，課堂上有形的教育會發揮無形的力量，小學生回到家后就會為自己的爺爺奶奶、爸爸媽媽做力所能及的事情，讓素質教育、道德教育從理想的課堂深入到小學生的日常生活中。
三、創作美術特有素材，對學生進行綜合德育教育
隨著網絡技術的發展，網絡上出現了很多讓少年兒童學習操作技能的電教片，這是對小學生進行學科教育、德育教育的最好素材。既能很好地服務于教學，又能對小學生進行德育教學，一舉兩得。
比如在每次進行美術教學前，可以讓小學生自己先動手制作一些學習用的材料，特別是可以利用一些舊的材料，通過加工、制作、改造進行再利用，這樣既鍛煉了學生的自學和動手能力，還節約了材料。更重要的是，這雖然是一件小事，但是通過這種教育，可以讓小學生受到課堂以外的道德教育。
神經網絡教學范文4
【關鍵詞】人工神經網絡;教育資源;管理系統
【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009―8097(2009)07―0120―04
教育資源是信息化教學的基礎。隨著教育信息化的深層次推進,互聯網中的信息資源以指數方式增長,這些資源不僅在內容上多種多樣,在表現形式上更是豐富多彩。它對教育領域的沖擊與滲透使得網絡教育資源的利用受到重視,并隨之出現了新型教學模式,如:基于資源的自主探索式學習和協作學習等。然而海量的網絡教育資源既為教育帶來了強大的服務功能,也為資源的建設與管理帶來了新的挑戰。教育資源具有數據量大、形式多樣、針對性強、教育性強等諸多特點,如何將分散、無序的資源整合起來,使“用戶能方便、高效地將其利用于自己的學習和工作之中,并在大范圍內實現共享是網絡教育資源建設者必須慎重面對的問題。”[1]
一 教育資源管理面臨的問題
隨著信息資源飛速增長,對教育資源管理的要求也更加苛刻。而網絡環境的復雜給教育資源的管理帶來許多不確定性。
1 教育資源管理系統在網絡過載,受到攻擊的情況下很容易崩潰。系統一旦崩潰,所有辛辛苦苦積累起來的資料化為烏有,資源的開發利用和共享無從談起。目前“教育資源管理系統在輸入錯誤、磁盤故障、網絡過載或有意攻擊情況下,很容易死機和崩潰。”[2]而魯棒性(robustness)的大小是在異常和危險情況下系統生存的關鍵,代表了系統健壯與否。簡而言之,系統的魯棒性有待加強。
2 教育資源管理系統需要連續不斷地吸收新的教育資源。向用戶提供可靠的信息輸出。但是在發生故障時,教育資源管理系統容易停止工作,給用戶帶來較大的損失。而容錯性(Fault Tolerance)是指在故障存在的情況下管理系統不失效,仍然能夠正常工作的特性。很明顯,管理系統的容錯性較差,猶如一個經常斷電的供電站,給廣大用戶帶來不必要的煩惱與損失。
3 教育資源的擴張速度極快,對海量教育資源的分類顯得越來越困難。原先的人為分類跟不上信息傳遞的頻率,導致很難在較短的時間內找到用戶迫切需要的資料,浪費用戶的時間,也給教育資源的進一步推廣使用帶來障礙。
二 人工神經網絡的特點
人工智能(Artificial Intelligence)是探討人類智能的基本機理,研究如何利用各種自動機來模擬人的某些思維過程和智能行為,從而構造智能人工制品的科學。
人類對人工智能的研究可以分成兩種方式,對應著兩種不同的技術:基于心理角度模擬的傳統人工智能技術和基于生理角度模擬的人工神經網絡技術。從人腦的生理結構來觀察,人腦的每個神經元大約有103~4個樹突及相應的突觸,一個人的大腦總計約形成1014~15個突觸。用神經網絡的術語來說,即是人腦具有1014~15個互相連接的存儲潛力。雖然每個神經元的運算功能十分簡單,且信號傳輸速率也較低(大約100次/秒),但由于各神經元之間的極度并行互連功能,最終使得一個普通人的大腦在約1秒內就能完成現行計算機至少需要數10億次處理步驟才能完成的任務。根據人腦的生理特點,人工神經網絡(Artificial Neural Networks,ANN)是由大量并行分布的單元廣泛互連而成,通過各組成部分非同步化的變換,實現信息的整體處理任務,它的這一結構特點決定著人工神經網絡具有高速信息處理的能力。它實質上是一種模仿動物神經網絡行為特征,進行分布式并行信息處理的算法數學模型。其“工作原理是通過調整內部大量節點之間相互連接的關系,從而達到處理信息的目的?！?[3]所以它具有自學習和自適應的能力,可以通過預先提供的一批相互對應的輸入――輸出數據,分析掌握兩者之間潛在的規律,最終根據這些規律,用新的輸入數據來推算輸出結果。
人工神經網絡中神經元處理單元可表示不同的對象,例如特征、字母、概念,或者一些有意義的抽象模式。網絡中處理單元的類型分為三類:輸入單元、輸出單元和隱單元。輸入單元接受外部世界的信號與數據;輸出單元實現系統處理結果的輸出;隱單元是處在輸入和輸出單元之間,不能由系統外部觀察的單元。神經元間的連接權值反映了單元間的連接強度,“信息的表示和處理體現在網絡處理單元的連接關系中?！盵4]人工神經網絡的本質是通過網絡的變換和動力學行為得到一種并行分布式的信息處理功能,并在不同程度和層次上模仿人腦神經系統的信息處理功能。正因為這個重要特征,“人工神經網絡采用了與傳統人工智能技術完全不同的機理,克服了傳統的基于邏輯符號的人工智能在處理直覺、非結構化信息方面的缺陷,具有自適應、自組織和實時學習的特點。”[5]它與專家系統的最大區別是,專家系統屬于人類智能的功能模擬,而人工神經網絡則偏重走結構模擬的路子。與其它智能系統相比,人工神經網絡具有以下特點:
1 學習能力:學習能力是神經網絡具有智能的重要表現,即通過訓練可抽象出訓練樣本的主要特征,表現出強大的自適應能力。例如實現圖像識別時,只有先把許多不同的圖像樣板和對應的應識別的結果輸入人工神經網絡,網絡就會通過自學習功能,慢慢學會識別類似的圖像。
2 分布式結構:人工神經網絡力圖“體現大腦的分布式并行計算和非線性等特征,依此而建構的網絡是一種具有大量連接的并行分布式處理器。”[6]具有通過學習獲取知識并解決問題的能力,且知識是分布存儲在與大腦神經元突觸相類似的連接的權重中。在傳統的串行體系計算機中信息分布在獨立的存儲單元中,而在神經網絡中,信息則分散在神經元的連接上。神經網絡的信息分布特性,使之具有強大的容錯能力和記憶聯想能力。信息的分布存儲提供容錯功能。由于信息被分布存放在幾乎整個網絡中,所以,“當其中的某一個點或者某幾個點被破壞時,信息仍然可以被存取。系統在受到局部損傷時還可以正常工作?！盵5]
3 并行處理:神經網絡主要是對人腦的結構模擬。各種神經元在處理信息時是獨立完成的,不同神經元之間具有并行性,這種并行處理使得信息處理速度大大加快。信息處理方式由原來馮•諾依曼設計的串行處理變為對信息并行處理。
三 人工神經網絡應用于教育技術資源的管理之中
將網絡布線由原來的星型布線轉向神經網絡布線方式。應用神經網絡軟件,網絡采用分布式結構,信息采用統一并行處理的方式處理,從而加強了網絡的魯棒性、容錯性。同時發揮神經網絡的自學習能力,對待不同的信息資源進行模式分類。神經網絡模型考慮采用目前比較成熟的誤差反向傳播網(BP神經網絡)。教育資源分類考慮設計關鍵詞進行訓練,同時設立樣本訓練方法,用BP算法對該網絡進行訓練。訓練結束之后,神經網絡就可以作為教育資源分類器來進行使用。
BP(Back propagation反向傳播)網絡又稱誤差信號反饋網絡,是神經網絡中使用最廣泛的一類。它是一種有教師的學習網絡,能夠實現從N維到M維的非線性映射,采用梯度下降法實現快速收斂。BP神經網絡采用的是并行網格結構,包括輸入層、隱含層和輸出層,經作用函數后,再把隱節點的輸出信號傳遞到輸出節點,最后給出輸出結果。由圖1可見各層次的神經元之間形成全互連連接,各層次內的神經元之間沒有連接。
該算法的學習過程由信息的前向傳播和誤差的反向傳播組成。在前向傳播的過程中,輸入信息從輸入層經隱含層逐層處理,并傳向輸出層。第一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層得不到期望的輸出結果,則轉入反向傳播,將誤差信號(目標值與網絡輸出之差)沿原來的連接通道返回,通過修改各層神經元權值,使得誤差均方最小。神經網絡理論已經證明“BP網絡具有強大的非線性映射能力和泛化功能,任一連續函數或映射均可采用三層網絡加以實現?！盵3]
其BP神經網絡模型設計方案如下:輸入層、隱含層、輸出層。輸入層與外界的信息來源渠道緊密相連,稱之為接受信息的服務器。隱含層包含若干個存儲器,代表若干個知識單元。存儲器需要具備輸入輸出渠道,具備自學習能力,可以接受外界信息,也可以傳送信息。輸出層由傳送信息的服務器組成。輸出層接受到隱含層傳來的信息之后,根據用戶要求傳送相關信息。層間聯接根據模型設計方案來鋪設。神經網絡中的每一個節點,無論其在輸入層、隱含層、輸出層上,每臺計算機上必須有相應的神經元器件,以便網絡進行自學與聯想記憶。BP神經網絡管理系統的硬件實現。是將協處理器插入標準計算機中,通過運行神經網絡軟件包,以實現神經網絡的硬件功能,可以使神經網絡在任何計算機硬件和軟件環境中得到所需要的教育資源處理能力。其設計的模型具有如下特點:
1 教育資源并行分布方式處理:在神經網絡中教育資源是分布儲存和并行處理的,即神經網絡把教育資源分布地存儲在神經元之間的連接強度上,而且對教育資源的處理是由網絡中神經元集體完成的。在BP神經網絡中,教育資源的存儲表現為神經元之間分布式的物理聯系,它分散地表示和存儲于整個網絡內的各神經元及其連線上。每個神經元及其連線只表示一部分教育資源,而不是一個完整具體概念。只有通過各神經元的分布式綜合效果才能表達出特定的概念和知識。由于人工神經網絡中神經元個數眾多以及整個網絡存儲容量的巨大,使得它具有很強的不確定性處理能力。即使輸入教育資源不完全、不準確或模糊不清,神經網絡仍然能夠聯想思維持在于記憶中事物的完整圖像。只要輸入的模式接近于訓練樣本,系統就能給出正確的推理結論。
2 魯棒性與容錯性比較強:人工神經網絡的結構特點和其信息存儲的分布式特點,使得它相對于其它的判斷識別系統如專家系統等,具有另一個顯著的優點健壯性。當一個人的大腦因意外事故受輕微損傷之后,并不會失去原有事物的全部記憶。人工神經網絡不會因為個別神經元的損失(網絡過載、停電、突發故障)而失去對原有模式的記憶(管理功能)。另外“即使是突發事件,暫時使網絡的硬件實現還是軟件實現中的某個或某些神經元失效,整個網絡仍然能繼續工作?！盵7]BP神經網絡是一種非線性的處理系統。只有當神經元對所有的輸入信號的綜合處理結果超過某一閾值后才輸出一個信號。因此神經網絡是一種具有高度非線性的超大規模連續時間動力學系統,可以實現對教育資源不間斷、長時間的持續管理。它突破了傳統管理系統的局限,標志著教育資源管理能力的較大提升。因而神經網絡具有極強的魯棒性與容錯性,有聯想記憶抽象概括和自適應能力。
3 具有自學習和自適應能力:神經網絡抽象概括和自適應能力稱之為自學習能力,自學習是神經網絡中最重要的特征。通過學習,網絡能夠獲得教育資源的分類知識,適應環境。在訓練時,能從輸入、輸出的數據中提取出規律性的分類知識,記憶于網絡的權值中。并具有泛化能力,即將這組權值應用于一般教育資源分類的能力。另外,BP神經網絡的分類能力學習也可以在線進行。
以教育學院教育技術學資源管理為例,輸入層由兩臺高性能的服務器組成,中間設七個知識單元,輸出由兩臺輸出服務器組成。隱層的七個神經元分別為計算機軟件資源室、課堂教學資源室、“影視創作資源室、計算機教育應用資源室、網絡技術資源室、傳統教學資源室、傳統媒體使用資源室?！盵8]模型圖如圖2所示:
教育技術學資源管理系統一種可編程的動力系統,其存貯、加工和提取教育資源均是可編程的。輸入層負責對教育技術學的相關教育資源進行篩選比較,然后根據學習后的分類能力對資源予以分類,將所有的教育技術資源分布式存儲在隱層的各神經元中,需要處理時根據用戶需要,從各個神經元中取出信息并行處理,輸出到輸出服務器中,提供給用戶。用戶可以將用戶要求直接給輸出處理平臺,傳遞給輸出層后,由輸出層將用戶要求反饋給中間隱層。也可以將要求送給輸入處理平臺,傳遞給輸入層,進行篩選之后將信息傳送給中間隱層。即使系統突然面臨網絡過載問題,由于存儲是分布式的,可以很容易地將信息資源分配下去。即使突然停電,由于相關資源已經存儲完畢,損失微乎其微。系統的魯棒性大大加強。同時如果系統發生突然故障,由于輸入渠道有兩條,所以可以很輕松地用另一個服務器處理。輸出處理時也是如此。因此系統的容錯性也得到提高。至于模式分類,則需要較長時間的訓練和大量的樣本。一旦BP神經網絡模型訓練完畢,日后教育技術學資源分類就顯得十分輕松。只需將關鍵詞輸入準確,便可以進入相應的知識單元存儲起來。處理信息時,根據用戶需要,有不少不同類別的資源需要統籌規劃、聯合利用,才能得到用戶需要的結果。這兒就可以充分發揮神經網絡并行處理的特點,有條不紊地對信息加以處理。其總體示意圖如圖3所示:
四 結語
教育信息化的核心問題是教育資源的應用和管理。神經網絡式的教育資源管理系統把教育資源存儲、教育資源管理、教育資源分類、教育資源動態升級四大特色功能進行整合,全面突破了“當前基礎教育信息化過程中的應用‘瓶頸’?！?[9]其最大的特點就是突出了教育資源的管理功能,通過以一個統一管理平臺為核心的方式,對各類教育資源進行優化、整合,改善了以往教育資源管理從單一功能角度進行設計,各功能之間不能相互結合,造成資源管理困難和資源互不兼容的問題,實現了教育資源的價值最大化。值得注意的是,由于管理系統采用神經網絡的結構特點進行設計,其魯棒性、容錯性和模式分類能力較強,較之傳統教育資源管理方式比較起來,不僅提取和輸入變得十分簡單,而且對大量資源的分類式識別也大大加快,提高了管理效率。分布式存儲提高了教育資源的存儲容量,而“并行式處理又加大了教育資源的處理速度,同時系統在應付突發事件和網絡攻擊方面,應變能力大大增強,”[10]其可靠性與可用性也有突破性的提高。同時,在教育資源管理過程中,系統能抓住教育資源應用與管理過程中的關鍵問題,關注用戶的反饋,即時更新教育資源,加強了教育資源的建設,為教育信息化的持續發展提供了有力的保障。
參考文獻
[1] 余勝泉,朱凌云.教育資源建設技術規范體系結構與應用模式[J].中國電化教育,2006,(3):58-59.
[2] 穆肅.校本學科教學資源庫的設計和實現[J].中國電化教育,2004,(1):56-61.
[3] 周志華著.神經網絡及其應用(第1版)[M].北京:清華大學出版社,2004.
[4] 張廣瑩,徐麗娜,鄧正隆.“神經網絡控制”CAI課件研制中的幾個問題[J].現代教育技術,1997,(2):32-33.
[5] 韓立群著.人工神經網絡理論設計及應用(第1版)[M].北京:化學工業出版社,2002.
[6] 陶劍文.一種分布式智能推薦系統的設計[J].計算機工程,2007,(15):207-208.
[7] 王國旗,張辛亥,肖.采用前向多層神經網絡預測煤的自然發火期[J].湖南科技大學學報(自科版),2008,(2):20-22.
[8] 茹洪麗.教育技術學課程設置問題探略[J].電化教育研究,2005,(12):38-41.
神經網絡教學范文5
關鍵詞：神經網絡；上證綜合指數；Clementine；股價
中圖分類號：F830.9 文獻標識碼：A 文章編號：1001-828X（2013）05-0-01
證券市場是一個資源重新配置的市場，在我們國家經濟建設中起著非常重要的作用，和我們廣大人們群眾的生活息息相關。股價預測有著很大的應用價值，具有動態性、強非線性等特點。人工神經網絡是一種模擬人腦神經網絡結構，通過對研究對象的不斷學習、訓練，從而實現預測模型的方法。在股價預測方面，人工神經網絡方法可以通過股票歷史數據進行學習，從而找出股票價格的規律，實現對股票價格的準確預測。
一、神經網絡模型簡介
1.神經網絡基本概念
神經網絡模型是一種數學模型，它試圖模擬人類大腦的功能。它由大量的人工神經元通過適當的方式互連構成，是一個非線性的自適應系統，用于智能決策和推斷。
2.BP神經網絡
目前神經網絡有很多種，BP神經網絡模型是用的比較多的一種模型。BP神經網絡是一種基于有監督的學習、使用非線性的可導函數作為傳遞函數的前饋神經網絡，由信息的正向傳播和誤差的反向傳播兩個過程組成，包括一個輸入層、一個輸出層以及一個或者多個隱層。輸入層收到輸入信號，傳遞給中間隱層各神經元，由最后一個隱層神經元傳遞到輸出層各神經元的信息，經過進一步處理，完成一次正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不相符時，進入誤差的反向傳播過程。誤差通過輸出層，按照誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，一直進行到網絡輸出的誤差減少到可以接受的程度。BP神經網絡模型包括其輸入模型、輸出模型、作用函數模型、誤差計算模型和自學習模型。
二、神經網絡模型在股票分析預測中的應用
1.初始數據選取
本文擬以A股市場上證綜合指數為研究對象，選取2012年1月4日至2013年4月17日期間每個工作日的上證綜合指數的相關數據，利用Clementine軟件的BP神經網絡方法進行建模，對上證綜合指數的走勢進行分析和預測。在建模過程中，選取的變量為：開盤價、最高價、最低價、成交量、收盤價。
2.BP神經網絡建模
3.分析與結論
下圖為通過神經網絡模型得到的次日收盤價格與次日預測結果之間的擬合圖，從圖中可以看出，盡管預測結果與真實值之間的變化趨勢基本一致，但還是有一定的預測誤差，這是因為股票價格不僅跟成交價和成交量有關系，還受政策因素、市場供應關系、季節因素、突發事件等影響。根據價量關系，對短期預測效果比較有效，如果希望對股票進行長期有效的分析，我們還需要考慮很多因素，包括宏觀因素、上市公司財務狀況及內部其他因素等。
參考文獻：
[1]史忠植.神經網絡[M].北京：高等教育出版社，2009：48-65.
[2]薛薇，陳歡歌.基于Clementine的數據挖掘[M].北京：中國人民大學出版社，2012：1-132；275-305.
[3]元昌安.數據挖掘原理與SPSS Clementine 應用寶典[M].北京：電子工業出版社，2009：234-257；550-555.
[4]楊富勇.神經網絡模型在股票投資中的應用[J].計算技術與自動化.2010，29：108-112.
[5]范明，孟小峰，譯.Han J， Kamber M.數據挖掘：概念與技術[M].北京：機械工業出版社，2012.
[6]張嫻.數據挖掘技術及其在金融領域的應用[J].金融教學與研究，2003，6（04）：15-18.
神經網絡教學范文6
Research on Sports Achievements Predictive Based on the Grey Neural Network
常亮① CHANG Liang；孫國妹② SUN Guo-mei；劉雨辰③ LIU Yu-chen
（①滄州市職教中心，滄州 061000；②滄州市運河區南環小學，滄州 061000；③河北師范大學體育學院，石家莊 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：對體育成績的預測關系到學生身體素質和體育教學方案的制定，通過結合灰色理論和神經網絡的特點提出了灰色神經網絡體育成績預測模型。依據某大學2008-2013年體育成績統計數據，分別選用GM（1，1）模型和灰色神經網絡模型對數據進行擬合，通過2014年的體育成績作為模型驗證，來預測2015年的體育成績。結果表明，灰色神經網絡體育成績預測模型具有灰色系統貧乏數據建模和神經網絡高度非線性映射能力的優點，對提高預測精度具有一定的實用價值。
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.
關鍵詞 ：體育成績；GM（1，1）；BP神經網絡；預測模型
Key words: sports achievements；GM （1，1）；BP neural networks；predictive model
中圖分類號：TP301.6 文獻標識碼：A文章編號：1006-4311（2015）20-0191-03
0引言
學校注重學生的整體培養，學生身體素質的提高和體育課程有著不可或缺的關系[1]。體育學習的好壞的評定指標很多，分數無疑是評定的最重要的方式[2]。通過分數的把握不僅能夠反映學生對體育的興趣也能進一步預測學生未來的身體素質，因此體育成績的合理評定反映了時代的需要和國家體育投入的戰略方向，有著舉足輕重的作用[3-4]。
隨著現代數學和計算機技術的發展，灰色理論、模糊數學、神經網絡等新理論在預測中得以廣泛使用?；疑A測模型適用于分析數據量小的非線性、不確定系統的數據序列，但存在誤差較大的問題[5-6]。而人工神經網絡具有強大的自我學習功能，能夠對可預測的數據進行訓練，從而實現對某些特殊情況的出現進行預測，但要求樣本量大[7]。因此，本研究通過將灰色預測與神經網絡相結合的方法，建立了體育成績預測模型。以某大學2008-2013年體育成績為數據輸入，通過2014年的體育成績作為模型驗證，來預測2015年的體育成績，以此來把握學校體育政策的制定。
1灰色神經網絡模型
1.1 灰色預測
灰色預測是通過原始數據的處理和灰色模型所建立起來的一種新型理論，通過發現、掌握系統發展規律來對未來狀態作出科學的定量預測[8]。GM（1，1）為灰色預測模型中最為普遍的預測模型。建模前對原始數據進行預處理，設原始時間序列為X（0），并記作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）]，稱X（1）為X（0）的一階累加生成序列
灰色預測模型可在小數據量情況下對非線性、不確定系統的數據序列進行預測。但是其預測誤差往往偏高，特別是當系統中出現特殊情況時，就會出現異常數據，從而破壞預測數據的穩定性，預測誤差會大幅上升。
1.2 BP神經網絡
BP神經網絡[9]是一種按誤差逆傳播算法訓練的多層前饋網絡，其結構一般分為3層：輸入層、中間層（隱含層）和輸出層，如圖1所示，特點是：各層神經元僅與相鄰層神經元之間有連接；各層內神經元之間無任何連接；各層神經元之間無反饋連接。
BP算法的基本思想是，學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳入，經各隱含層逐層處理后，傳向輸出層。若輸出層的實際輸出與期望的輸出不符，則轉入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱含層向輸入層逐層反傳、并將誤差分攤給各層的所有神經元，從而獲得各層神經元的誤差信號，此誤差信號即作為修正各神經元權值的依據。這種信號正向傳播與誤差反向傳播的各層權值調整過程，是周而復始地進行的，權值不斷調整的過程，也就是網絡的學習訓練過程。此過程一直進行到網絡輸出誤差減少到可接受的程度，或進行到預先設定的學習次數為止。
人工神經網絡具有強大的學習功能，能夠對可預測的突變數據進行學習，從而實現對某些特殊情況的出現進行預測。但人工神經網絡需要大量樣本數據，訓練數據不僅要求數量多而且要具有廣泛的代表性。
1.3灰色神經網絡
灰色預測模型是在利用灰色預測模型對樣本數據進行預測時，由于系統中的特殊情況使數據具有波動性，預測誤差較大，而BP神經網絡可以通過實際值對GM（1，1）模型預測值進行訓練，運用BP神經網絡擬合函數的優勢，進而對模型進行修正，使預測精度得到大幅提高。
灰色神經網絡的實現步驟如下：
①選取樣本數據，對數據進行歸一化處理，建立GM（1，1）模型；
③將數據序列P作為神經網絡的輸入向量，T作為神經網絡的輸出向量，訓練BP神經網絡，得到網絡中對應于每個結點的一系列權值和閾值；
④用已建立的GM（1，1）模型進行預測，將這些預測值作為網絡的輸入進行仿真，得到相應的輸出，即為灰色神經網絡模型預測的結果。
2灰色神經網絡體育成績預測模型的應用
跑步是人們最常用的一種身體鍛煉的方式，也是最能衡量學生身體素質的一類體育項目。短跑是一種厭氧運動，可以把握學生的爆發力和缺氧環境下身體的機能；長跑是一種有氧運動，可以提高學生的耐力和不輕易服輸的精神。為此以某大學2004-2013年跑步成績（100m、200m、400m和1500m）為依據進行預測研究，樣本數據如表1所示。可知：整體成績的平均值維持在70-85分之間，具有典型的代表性。
利用MATLAB軟件實現灰色預測模型和灰色神經網絡預測模型，分別選用GM（1，1）模型和灰色神經網絡模型對2008-2013年體育項目平時成績進行灰色模糊神經網絡擬合運算。
以100m體育項目為例，表2給出了模型計算結果和相對誤差?？芍篏M（1，1）模型對于原始數據的擬合精度相對較低，且不穩定，尤其在2008年、2011年擬合精度誤差相對較大。而灰色神經網絡模型擬合精度較高，且穩定，相對誤差均在1%以下。
下面分別用2014年的實際數據檢驗GM（1，1）灰色預測模型和灰色神經網絡模型預測值。用GM（1，1）模型預測的2008-2013年的各項體育平均成績作為輸入數據P，用原始數據作為輸出數據T，設計的BP網絡中間層有30個神經元，中間層傳遞函數為S函數tansig，輸出層有一個神經元，輸出層傳遞函數為線性函數purelin，訓練函數采用traingdx，性能函數為誤差平方和函數mse。最后把灰色預測模型預測的2014年的體育平均成績輸入到已訓練好的BP神經網絡中，此時網絡的輸出值就是灰色神經網絡的預測值。
2014年各項體育平均成績的實際值和預測值如表3所示。對比兩種模型預測結果可知，灰色預測模型對體育成績的預測精度較低，2014年的各項體育項目預測結果相對誤差較大，尤其是400m項目。而灰色神經網絡的自學習性能強，對這些數列中的異常數據具有很好的容錯性，相對誤差大幅降低，2014年的預測結果相對誤差均在1以下。由此可得出，灰色神經網絡模型較GM（1，1）灰色模型預測精度高，速度快，計算簡單且穩定性好。
進一步預測了2015年的各項體育項目的平均分數，如表4所示。預測結果顯示應該加強長跑方面的耐力訓練，在制定體育課程安排和日常鍛煉的時候要有目的地提高長跑聯系的強度和力度，整體提高學生的身體水平。
3結論
①GM（1，1）灰色預測模型對于體育項目平均成績的擬合精度較低，且穩定性差，特別是當系統中出現特殊情況時，就會出現異常數據，從而破壞預測數據的穩定性，預測誤差會大幅上升，在2014年的預測中，平均相對誤差較大。
②灰色神經網絡模型具有所需數據量少、非線性預測計算速度快和精度可控等優點。經過模型對比，灰色神經網絡模型可以應用于體育成績預測，并對未來的2015年的體育成績進行了預測，得到應該加強長跑聯系的結論。
參考文獻：
[1]張波.高職院校學生體育成績評價體系的構建[J].中國成人教育，2014，24：182-183.
[2]董瓊.學生體育成績評定的探討[J].體育學刊，2003，04：95-97.
[3]趙文娟，楊學智，劉杰，李軍，王永成，孫梅.體育教育專業學生成績評價體系構建[J].價值工程，2012，01：205-206.
[4]張玉華.基于高校學生體育成績綜合評定模型及應用[J].河南師范大學學報（自然科學版），2012，04：29-31，45.
[5]李晶，吳啟勛.灰色神經網絡模型及其應用[J].計算機與應用化學，2007，24（8）：1078-1080.
[6]吳盧榮.基于模糊聚類的馬氏鏈模型在交通事故預測中的應用[J].中國安全科學學報，2007，17（12）：31-36.
[7]張宇，袁曉曦，弓小倩.基于BP神經網絡算法的體育成績預測研究[J].科技通報，2013，06：149-151.
