神经网络研究方法应用于社会科学实证研究-社会学理论论文-社会学论文
神经网络 论文
摘要神经网络是一门发展十分迅速的交叉学科，它是由大量的处理单元组成非线性的大规模自适应动力系统。
神经网络具有分布式存储、并行处理、高容错能力以及良好的自学习、自适应、联想等特点。
目前已经提出了多种训练算法和网络模型，其中应用最广泛的是前馈型神经网络。
前馈型神经网络训练中使用最多的方法是误差反向传播(BP)学习算法。
但随着使用的广泛，人们发现BP网络存在收敛速度缓慢、易陷入局部极小等缺陷。
于是我们就可以分析其产生问题的原因，从收敛速度和局部极小两个方面分别提出改进的BP网络训练方法。
关键字：神经网络，收敛速度，局部极小，BP网络，改进方法AbstractNeural network is a cross discipline which now developing very rapidly, it is the nonlinearity adaptive power system which made up by abundant of the processing units . The neural network has features such as distributed storage, parallel processing, high tolerance and good self-learning, adaptive, associate, etc. Currently various training algorithm and network model have been proposed , which the most widely used type is Feedforward neural network model. Feedforward neural network training type used in most of the method is back-propagation (BP) algorithm. But with the use of BP network, people find that the convergence speed is slow, and easy fall into the local minimum. So we can analyze the causes of problems, from the two aspects respectively we can improve the BP training methods of neural network. Keywords：neural network，convergence speed，local minimum，BP neural network improving methods目录1 神经网络概述 (3)1.1生物神经元模型............................. 错误!未定义书签。
神经网络算法的研究与应用
神经网络算法的研究与应用近年来，随着计算机技术的快速发展和数据量的不断增加，人工智能成为了研究的热点之一。
神经网络算法是人工智能领域里的一种重要算法，已经被广泛应用于语音识别、图像识别、自然语言处理等领域。
本文将从神经网络算法的基本原理、发展历程以及应用情况等方面来进行探讨。
一、神经网络算法的基本原理神经网络算法是一种通过模拟人类大脑神经元之间的相互作用来进行学习和预测的非线性模型。
在神经网络中，每个神经元都会接收来自其它神经元的输入，并经过一定的权重和非线性函数进行处理，然后把处理结果传递给下一个神经元。
神经网络可以通过多个层次来构建，其中每层的神经元数量和连接方式都可以进行调整。
神经网络算法的核心就是反向传播算法，它是一种用来调节神经网络权值的方法，在进行训练时能够不断优化预测结果。
具体来说，反向传播算法主要包括正向计算和误差反向传播两个步骤。
在正向计算中，神经网络按照输入和权值进行计算，并输出预测结果；在误差反向传播中，算法通过计算输出结果与真实结果之间的误差，来调整权值以达到更加准确的预测结果。
二、神经网络算法的发展历程神经网络算法早期的发展可以追溯到20世纪50年代，最早的神经元模型是由心理学家McCulloch和数学家Pitts提出的“McCulloch-Pitts”模型。
该模型可以对输入进行数字化的编码处理，进而实现数字逻辑的计算。
然而，在应用上却具有很大的局限性，无法实现更加复杂的学习和推理。
进入20世纪80年代，神经网络开始接受更加深入的研究。
在这个阶段，科学家们提出了“误差反向传播”算法，并逐渐发展出多层前馈网络和递归神经网络等更加复杂的神经网络模型。
在90年代，随着计算机技术的进一步提升，神经网络算法得以广泛应用于语音识别、图像处理和自然语言处理等领域，并且取得了许多成果。
近年来，随着深度学习技术的出现和不断发展，神经网络算法呈现出了一种全新的面貌，并且在人工智能领域发挥着越来越大的作用。
神经网络模型的研究毕业论文
神经网络模型的研究毕业论文简介本文旨在研究神经网络模型在机器研究中的应用。
神经网络是一种模仿人类神经系统工作的数学模型，能够研究输入和输出之间的复杂关系，并通过调整模型参数来提高预测准确度。
本文将探讨神经网络的基本原理、常见的网络结构和训练方法。
神经网络的基本原理神经网络由许多神经元组成，每个神经元接收来自其他神经元的输入，并通过激活函数进行处理，最终产生输出。
神经网络通过不断调整神经元之间的连接权重来研究输入和输出之间的关系。
常见的神经网络结构本文将介绍几种常见的神经网络结构，包括前馈神经网络、卷积神经网络和循环神经网络。
前馈神经网络是最基本的神经网络结构，信息只在一个方向传递。
卷积神经网络在图像处理中有广泛应用，能够从原始像素中提取特征。
循环神经网络则可以处理具有时序关系的数据，如文本和语音。
神经网络的训练方法神经网络的训练是通过优化算法来调整网络参数以减小预测误差。
本文将介绍几种常用的优化算法，包括梯度下降法和反向传播算法。
梯度下降法通过计算损失函数的梯度来更新网络参数，以使预测结果与实际输出更接近。
反向传播算法则是一种高效计算梯度的方法。
实验与结果分析本文将设计并实施几个实验来验证神经网络模型的性能。
通过使用公开的数据集和适当的评估指标，我们将对不同网络结构和训练方法进行比较，并对实验结果进行分析和讨论。
结论神经网络模型在机器研究中有着广泛的应用前景。
本文通过对神经网络的基本原理、常见的网络结构和训练方法的介绍，以及实验结果的分析，为研究和应用神经网络模型提供了有效的参考。
以上为《神经网络模型的研究毕业论文》的大纲。
神经网络的应用论文
神经网络的原理及应用摘要：通过阅读相关文献，总结了神经网络方面的基本原理和应用。
首先介绍了Hopfield神经网络中的离散型网络，并介绍其实现交通标志的步骤。
随着神经网络的发展，其局限性日益凸显。
为此，科学家们提出了与其它方法结合的神经网络。
本文介绍了遗传算法优化BP神经网络的原理及在在坝基岩体渗透系数识别中的应用，还介绍了模糊神经网络的原理及在预测地基沉降量中的应用，最后介绍了小波神经网络的原理及在电力负荷预测中的应用。
关键字：神经网络、Hopfield、遗传算法、模糊神经网络、小波神经网络绪论Hopfield网络及学习算法最初是由美国物理学家J.J Hopfield于1982年首先提出的，曾经为人工神经网络的发展进程开辟了新的研究途径。
它利用与阶层型神经网络不同的结构特征和学习方法，模拟生物神经网络的记忆机理，获得了令人满意的结果。
Hopfield最早提出的网络是二值神经网络，神经元的输出只取1和0，所以，也称离散Hopfield神经网络（Discrete Hopfield Neural Network，DHNN）。
在离散Hopfield网络中，所采用的神经元是二值神经元，因此，所输出的离散值1和0分别表示神经元处于激活和抑制状态。
Hopfield神经网络是递归神经网络的一种，在函数优化和联想记忆等方面有大量的应用。
其运行机理与反馈神经网络有本质的区别，运行规律更加复杂。
神经网络由于高度复杂的非线性结构导致其内部存在大量的局部极值点，而传统的梯度下降法训练神经网络有可能收敛于局部极值点，造成神经网络性能变差，甚至无法使用。
随着现代非线性优化方法异军突起，特别是赫赫有名的遗传算法，具有极强的全局搜索能力，其收敛的有效性得到了理论和实践的充分检验。
因此，遗传神经网络是解决高复杂性情况下全局收敛问题的有效途径。
系统的复杂性与所要求的精确性之间存在着尖锐矛盾，模糊逻辑、神经网络和专家控制等智能系统为缓解这种矛盾提供了有效途径，但是这些系统单个运用时常常存在多种问题，因此人们便根据它们的优缺点提出了融合使用的新思路，如本文的模糊神经网络。
神经网络经典论文
神经网络经典论文神经网络经典论文神经网络可以指向两种，一个是生物神经网络，一个是人工神经网络。
那么关于人工的神经网络的论文应该怎么写呢？下面就和小编一起来看看吧。
摘要：软件需求分析不仅仅是为了让开发者满足用户要求，而且还可以帮助用户了解软件的性能和功能，具有一举两得的效果，但是如果软件需求不符合实际需求，就会出现风险，导致返工。
在BP神经网络的基础上，我们建立了软件需求分析风险评估模型，以减少软件开发的失败率，规避因软件需求分析失误而带来的实际存在的或潜在的风险。
关键词：风险；软件需求；BP神经网络；研究；分析软件开发过程中，需求分析是一个关键性的阶段。
导致它失败的原因有很多，例如开发者和用户之间的沟通障碍、软件本身的隐含性、需求信息的不对称等等。
这些问题导致的返工，增加了开发的成本，也损坏了企业形象，更可能流失掉部分用户。
因此，我们必须对软件需求分析进行风险评估管理，把负面影响降到最低。
现代商业发展中，各企业和企业之间的竞争日趋激烈,掌握最新的技术，对技术进行创新，才是企业在行业内立足脚跟，获得更加长远发展的方法，因此要想牢牢地把握企业的运命就需要我们保持对技术创新的热情，并在这条道路上乐此不疲。
21世纪，只有掌握了最新和最具有创造性的技术，才能赢的最后的胜利，本文把BP网络与软件需求分析风险评估模型相结合，具有十分重要的意义。
1BP神经网络BP神经网络是开发者使用最多的神经网络之一，它具有算法简单、极强的鲁棒性、收敛速度极快等优点。
最重要的一点是能够最大限度的接近其真实系统，非常适合于线性的、不确定的、模糊的软件风险数据。
BP算法是一种用于前向多层神经网络的的反传学习算法。
采用BP算法的数层感知器神经网络模型，它的基本思想是，学习过程由信号的正向传播和误差的反向传播两个过程组成。
模糊理论采用模糊数学的方法，通过抽象思维，对处于多种因素作用下的事物做出总体评价。
它的两大主要特征是：第一，结果清晰；第二，系统性强，这非常适合于各种非确定性问题的解决。
神经网络的构建及其在科学研究中的应用
神经网络的构建及其在科学研究中的应用随着计算机技术的发展，人工智能逐渐成为了研究的热门领域。
而神经网络则是人工智能领域中的一种重要技术，它通过模拟人类大脑的神经系统来实现人工智能的目的。
本文将着重介绍神经网络的构建以及其在科学研究中的应用。
一、神经网络的构建1.1 概述神经网络是一种模拟人脑神经元之间相互作用的非线性数学模型，由多个神经元以及相应的连接和权重构成。
它通过学习从大量的输入数据中提取特征并建立预测模型，从而实现对数据的分类、识别、预测等操作。
1.2 神经元的构建神经元是神经网络的基本单元，类似于人类大脑中的神经细胞。
神经元主要由三部分组成：细胞体、轴突和树突。
其中，细胞体负责信号的处理和产生；轴突用于将信号传输到其他神经元；树突用于接收来自其他神经元的信号。
1.3 神经网络的层次结构神经网络一般分为输入层、隐藏层和输出层三层，其中隐藏层可以有多层。
输入层对应着模型的输入数据，输出层则是神经网络的输出结果。
中间的隐藏层则通过不同的神经元连接和权重建立输入层和输出层之间的关系，实现数据处理的功能。
二、神经网络在科学研究中的应用2.1 数据分类神经网络在科学研究中可以被应用于对数据的分类。
例如，在医学领域中，可以使用神经网络来判断一个患者的病情。
通过输入患者的临床数据，神经网络可以对病情进行分类，从而为医生提供辅助诊断的参考。
2.2 语音识别神经网络还可以被应用于语音识别领域。
例如，百度公司就开发了一种基于神经网络的语音识别系统。
该系统通过模拟语音信号的变化过程，从而识别出对应的文字内容。
这种技术已经可以广泛地应用于语音助手、智能家居等领域。
2.3 图像处理神经网络还可以被应用于图像处理领域。
例如，在电影后期制作中，可以使用神经网络来进行图像处理，包括但不限于光线效果、色彩调整等。
此外，神经网络还可以被用于实现图像识别等任务。
2.4 预测模型神经网络还可以被应用于预测模型的建立。
例如，在金融领域中，可以使用神经网络来制定股票价格预测模型，实现股票市场走势的分析和预测，为投资者提供参考。
神经网络算法在信息科学中的应用与研究
神经网络算法在信息科学中的应用与研究神经网络算法是一种受到生物神经系统启发的计算模型，它模仿了人类大脑中神经元之间的连接和信息传递方式。
近年来，随着人工智能技术的快速发展，神经网络算法在信息科学领域中的应用越来越广泛，不仅在机器学习、图像识别、自然语言处理等领域有重要应用，还在更多领域展现出巨大潜力。
一、神经网络算法在数据分析中的应用在数据分析领域，神经网络算法可以帮助处理大规模的数据，从中提取有价值的信息。
通过深度学习技术，神经网络可以自动学习数据的特征，进行分类、回归等任务。
例如，在金融领域，神经网络算法可以用来预测股市走势，帮助投资者做出更明智的决策；在医学领域，神经网络算法可以用来诊断疾病、辅助医生制定治疗方案。
二、神经网络算法在图像处理中的应用神经网络算法在图像处理领域有着独特的优势，可以帮助识别图像中的对象、进行图像分类、目标检测等任务。
例如，卷积神经网络（CNN）可以有效处理图像数据，使得图像识别的准确率大幅提升。
在自动驾驶、安防监控、医学影像等领域，神经网络算法的应用无疑带来了巨大的便利。
三、神经网络算法在自然语言处理中的应用在自然语言处理领域，神经网络算法可以帮助理解和生成自然语言文本。
通过循环神经网络（RNN）和长短期记忆网络（LSTM）等模型，可以实现机器翻译、语音识别、情感分析等任务。
神经网络算法的发展为语言处理技术带来了革命性的改变，使得人机交互更加便捷高效。
四、神经网络算法在智能系统中的应用随着智能系统的发展，神经网络算法也被广泛应用在智能驾驶、智能家居、智能机器人等领域。
通过深度强化学习技术，神经网络可以不断优化策略，实现智能决策和自主学习。
未来，随着神经网络算法的进一步完善，智能系统将会更加智能化、自主化，为人类生活带来更多便利。
五、神经网络算法在信息科学研究中的前景在信息科学研究领域，神经网络算法的应用前景广阔。
通过神经网络算法，研究者可以模拟和探究大脑中复杂的信息处理机制，研究认知科学、神经生理学等领域。
神经网络研究及其应用
神经网络研究及其应用神经网络是一种仿生学的计算模型，它能够对输入信息进行分类、识别等操作，并且能够学习和适应新的数据集。
神经网络的研究和应用已经逐渐成为计算机科学、人工智能和机器学习领域的热点。
本文将探讨神经网络在不同领域中的应用，并且简单介绍神经网络的原理。
一、神经网络原理神经网络的工作原理是受到人类神经系统的启发。
神经网络包含了若干层神经元和连接这些神经元的权重。
在神经网络的输入层，数据经过一系列的加权运算，然后将得到的结果传递给下一层神经元，直到输出层产生输出结果。
在这个过程中，神经网络会不断地对输入数据进行调整，直到得到期望输出结果。
二、神经网络在图像识别中的应用神经网络在图像识别中的应用非常广泛。
在深度学习领域，卷积神经网络（CNN）被广泛应用于图像识别任务和人脸识别任务。
CNN通过卷积操作可以提取输入图片的特征，然后通过全连接神经元层来实现图片的分类。
例如，对于人脸识别任务，可以使用神经网络提取人脸图像中的关键特征，比如眼睛、鼻子、嘴巴等区域，然后通过与存储在数据库中的人脸图像进行比对，就可以完成识别任务。
通过不断地输入新数据进行训练，神经网络可以不断优化模型的准确率。
三、神经网络在自然语言处理中的应用在自然语言处理领域，神经网络被广泛用于机器翻译、文本分类、情感分析等任务。
机器翻译是神经网络最初的应用之一。
现在，Seq2Seq模型被广泛使用来实现翻译，它主要由编码器和解码器组成。
编码器将输入翻译语句编码为一个向量，并且将这个向量传递给解码器用于翻译。
解码器不断地生成目标语言中的新单词，直到生成完成翻译任务。
情感分析是神经网络在自然语言处理中的另一种重要应用。
通过使用递归神经网络（RNN）和长短时记忆网络（LSTM），可以预测某个句子中的情感极性（如正面、负面）。
这种技术可以用于产品评论、社交媒体分析、客户服务等场景。
四、神经网络在推荐系统中的应用推荐系统是一种通过分析用户行为和偏好进行个性化推荐的系统。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
神经网络研究方法应用于社会科学实证研究-社会学理论论文-社会学论文——文章均为WORD文档，下载后可直接编辑使用亦可打印——一、引言在社会学定量研究中经常遇到多个自变量与因变量之间复杂关系的分析。
通常使用的方法是多元回归分析或路径分析。
但是，多元回归分析或路径分析模型都是基于线性关系假设建构的。
而现实生活中变量之间往往是非线性关系，因此线性分析难于真实反应变量之间的关系，甚至会将具有很强非线性关系的变量视为无关，且在多元回归分析或路径分析中由于多重共线性的原因难以纳入更多的变量。
在多变量之间因果关系的分析中如何在方法上有所突破是社会学定量研究中面临的一项难题。
本研究尝试计算机神经网络分析的方法，以毕业生的成就性水平为输出变量，以众多影响因素为输入变量，通过训练神经网络模型对大学毕业生的成就性水平及其影响因素的关系结构进行计算机模拟，希望能够对影响个人社会地位实现的复杂、多变量之间的关系做出更有效的解释。
自1943 年McCulloch 和Pitts 根据生物神经元的一些基本生理特征提出简单的人工神经元数学模型与构造方法至今，神经网络分析方法得到了很大的发展。
90 年代以来，随着自身局限性的问题得到解决，神经网络研究方法在自然科学领域、工程技术、医学、商业、心理学等众多领域中已经得到了广泛的应用，解决了很多传统科学技术解决不了的难题。
它为人类认识世界、开拓未知领域、提高现代科学技术研究水平起到了很好的促进作用。
随着神经网络技术的发展，近几年在经济管理领域有了较多的应用。
沈国琪等构建了BP 神经网络预测模型，对失业状况进行预测,并与多元回归预测模型的预测结论进行比较,结果发现BP 神经网络预测模型的预测性能高于多元回归预测模型。
金代志等构建了基于BP 神经网络的顾客价值识别模型并进行了仿真实验，证明构建的BP 神经网络模型适合对企业的顾客价值进行识别。
陈敏等利用重构相空间的嵌入维数建构了算法与设计相对简单的将混沌理论和神经网络相结合的居民消费价格指数预测模型。
秦迎林等针对当前第三方物流企业资源整合风险预警定量方法的匮乏，探讨了一种基于BP 神经网络的评价模型。
并通过对样本的训练验证了所建立的BP 神经网络模型在物流资源整合风险预警中具有较高的实用价值。
神经网络分析的应用范围极为广泛，如D.Lowe 和M.Tipping 将前向神经网络分析方法运用于地质学，充分显示出了神经网络分析在处理高维数据中的优势。
W.Z. Lu 等人将粒子群优化模型引入了对香港污染级别及趋势的预测，显示出这种新的神经网络分析模型在分析实际空气污染问题时的可行性和有效性。
Hokky Situngkir 试图运用神经网络方法弥合社会学的二元对立问题。
M. Girvan等人提出了一种新的计算网络结构的方法，利用边中介性计算社区网络结构，他们特别关注由网络节点紧密结合成群体而群体之间松散联系的社区。
通过与传统方法的比较，验证了这种方法构建的计算机图具有很强的敏感性和可靠性。
在我国，虽然在经济管理领域神经网络的应用已经取得了不少成就，但在其它人文与社会科学领域中，神经网络研究方法的成功应用仍然属空白。
在社会学实证研究中，由于社会统计方法的限制，某些情况下变量之间的相关性并不能得到很好的解释，因此将神经网络研究方法应用于社会科学实证研究，在方法的创新上是一个有益的尝试。
二、数据来源与变量的选取1. 数据来源本研究所使用的数据来源于哈尔滨工业大学2004 年至2005 年期间进行的毕业生状况调查的数据。
本研究截取1977 年恢复高考以后的20 届毕业生为研究对象，入学年限跨度为1977 年到1996年。
由于分析涉及的变量较多，而且要求分析的个案在任何变量上都不能有缺失值，因此满足本研究的个案数为501 个。
由于1977 年至1996 年是我国从计划经济向市场经济转型的变迁时期，而在这一时期哈尔滨工业大学是一个在我国名列前茅的理工科大学。
因此本文的研究结论只对于国家重点的理工科大学毕业生具有参考价值。
2. 大学毕业生成就性水平指标体系的建构（1）指标的选择及赋值。
成就性水平是指个人在社会体系中所拥有的地位、权势、财富或声望的总和。
本文中成就性水平的指标由下述变量构成：社会地位指数、收入在单位中的相对水平、目前住房的使用面积、2004 年总收入、岗位在单位中的重要性、获奖指数六个变量构成。
（2）基于主成份分析的指标合并。
由于上述表示个人成就性水平的指标不仅多，而且包括了不同测度层次的变量。
本文应用主成份分析的方法对上述指标降维处理。
主成份分析需要变量之间具有较强的相关关系，因此需要对变量是否适合于作主成份分析进行检验。
采用KMO 方法进行检验的结果是KMO 值为0.724，显着性水平为0，这说明变量之间有较强相关，适合做主成份分析。
在主成份分析中按照变量的数量提取主成份的个数，即提取 6 个主成份。
这6 个主成份特征值及方差贡献率的分布见表1。
以每个主成份的方差贡献率为权数，计算主成份得分的加权平均值，这样可以将不同测量水平，不同单位的变量综合成为一个主成份得分，该主成份得分称为成就性水平得分，分数的大小可以反应个体成就性水平的高低，其计算公式为：成就性水平=F10.356+F20.17+F30.149+F40.126+F50.112+F60.087【表1】3. 影响因素的变量选择本研究根据经验判断从先赋因素和致获因素两方面共选择了对毕业生的成就性水平可能产生影响的22 个变量，外加时间变量。
时间变量为：本科入学至调查时的年限；先赋因素为：读本科时家庭经济状况（当时的社会平均水平）、父亲的职务级别、父亲的职称、父亲的面貌、父亲的文化程度、母亲的职务级别、母亲的职称、母亲的面貌、母亲的文化程度、上大学前主要居住地区类型；致获因素为：最后学历、面貌、高考成绩与重点分数线的差、本科时的学习成绩在班级的排名、本科时学习刻苦程度、本科时担任学生干部的级别、本科时担任学生干部的时间长度、本科时获得奖励的级别、本科时所在班级获得奖励的级别、本科时参加课外活动情况、读本科时的人际交往情况、读本科时的人际关系情况。
由于人际交往和人际关系的测量比较困难，本研究采用读本科时您愿意和寝室的多少人交往作为人际交往的指标，读本科时您寝室有多少人愿意和您交往作为人际关系的指标。
三、BP 神经网络分析的原理1. BP 神经网络模型的结构BP（Back Propagation）神经网络模型是模仿人的大脑建构的仿真模型，由神经元和神经元的连接构成神经网络。
每个神经元都可以接受来自其它神经元的输入，并计算出输出，这些输出也可以成为其它神经元的输入。
一般具有输入层、隐含层、输出层三个部分,网络结构如图1 所示。
输入层的每一个神经元都对应着一个输入变量xi，这些变量的值也称为网络输入。
隐含层中可能包含一层也可能包含多层神经元。
输出层因应用目的不同可以有多个输出神经元，也可以只有一个输出神经元。
图中的w、v 是权值。
每个神经元在接受输入信息时将输入数据与权值相乘以后进行计算，然后向下一层神经元输出。
【图1】本研究中，输入层神经元的个数与影响因素变量数相同，共为23 个。
输出层神经元个数与因变量数相同，本研究只有一个因变量，因此输出神经元为 1 个。
隐含层包含的层数和神经元个数由研究者来确定。
由于隐含层层数和隐含层神经元个数的不同将会影响到神经网络模型拟合优度。
因此为得到最优的神经网络模型必须首先确定隐含层的层数和隐含层神经元个数。
根据经验，初步设定第一层隐含层的神经元个数为输入层神经元个数的二分之一，第二层隐含层的神经元个数可以为第一层的二分之一，以此类推。
每次训练以后软件可以提供拟合优度和每个神经元对输出结果的贡献率。
如果存在贡献率特别小的神经元，就减少神经元的个数。
隐含层层数和隐含层神经元个数确定的方法是在设定同样的迭代次数（本研究中的迭代次数为50000 次）的情况下选择拟合优度的模型。
本研究采用Qnet 神经网络分析软件，经过多次训练不断调整，最终确定的神经网络模型为：输入层包含23 个神经元，第一隐含层包含12 个神经元，第二隐含层包含6 个神经元，输出层为1 个神经元。
网络结构如图2 所示。
【图2】2. BP 神经网络模型的训练过程使用神经网络来分析因变量与自变量之间关系时，将因变量的观测值视为网络的期望输出，也称为目标变量。
自变量的观测值即是网络输入。
神经网络模型根据网络输入计算出的结果称为网络输出。
网络输出与期望输出的差即为误差。
神经网络模型依据误差反向传播算法来消除误差。
在正向传播阶段,输入层神经元将输入数据计算后传递给隐含层神经元，隐含层神经元接收到这些数据后经过计算再传递给输出层神经元，每一层神经元的状态只影响到下一层神经元的状态。
输出层会将网络输出结果与因变量的观察值进行比较。
当差值超过误差允许范围时,进入误差反向传播阶段,误差信号按原来的连接通路返回,同时对各层之间的连接权值进行调整,直到系统误差可以接受为止,此后权值不再改变。
这个过程也称为神经网络模型的训练过程。
在这里我们要特别说明神经网络模型的拟合优度问题，由于初始化时网络的权值是系统随机赋予的。
所以，即使用同一个网络结构，同一组数据训练出的神经网络是不唯一的。
但差异不会太大。
为了更好的判定神经网络模型的拟合优度，应进行多次重复训练。
本研究进行了33 次重复训练，拟合优度时为0.82，最差的也达到0.71。
33 次训练的平均拟合优度为0.76。
四、神经网络分析结果神经网络模型训练结束以后，系统会给出每个输入神经元对输出变量的贡献率。
系统将全部输入变量对输出变量的贡献率视为100%。
通过比较每个输入神经元对输出的贡献率来确定输入变量对输出变量影响作用的大小。
本研究中有23 个输入变量，平均每个输入变量对输出变量的贡献率为4.35%。
如果某个输入变量的贡献率大于该值就可以认为该输入变量对输出变量有较大影响。
由于输入神经元对网络输出的贡献率受到每次训练时输入神经元权值的初始赋值影响，每次训练得到的贡献率并不相同。
为了更好的判定每个影响因素变量对成就性水平影响程度的大小，用每个输入神经元在33 次训练中的平均贡献率作为其对输出变量影响的指标。
为清晰展现不同影响因素对大学毕业生成就性水平的作用，利用23 个影响因变量的平均贡献率绘制了图3。
【图3】从图3 中可以看出，引入模型中的影响因素作用可以分为四个层次。
处于第 1 个层次的是前三个变量，它们对输出变量的贡献率明显大于其它变量，这三个变量的作用依次递减，差异也很大。
处于第2 个层次的变量是第4 到第10 的变量，它们对输出变量的贡献率虽然依次递减但相互差异不大。
处于第 3 个层次的变量是第11 到第19 的变量，这些变量的作用几乎处在一个水平线上。