BP神经网络评价
基于BP神经网络的教学评价模型构建
基于 Ｂ Ｐ神 经 网络 的教 学评 价 模 型构 建
王 超 （ 沈阳体 育学 院 体 育信息技 术 系 辽宁沈 阳 １ １ ０ １ Ｏ ２ ） 摘 要： 通过对Ｂ Ｐ 神经 网络 模型的掏建 和算法进行 详细 阐述 ， 系统地介 绍 了Ｂ Ｐ 神 经网络理论 在教 学评价 中的应 用现状 ， 并给 出基 于Ｂ Ｐ 神 经 网络 的教 学评价 模 型的 构建方 法 。 关键词 ： Ｂ Ｐ 神 经 网络 教 学 评 价 模 型 构 建 评 价 方 法 中 图分 类 号 ： Ｔ Ｐ Ｉ ８ ３ 文献 标 识 码 ： Ａ 文 章编 号 ： １ ６ ７ ２ —３ ７ ９ １ （ ２ ０ １ ３ ） ０ ６ （ ｃ ） 一 ０ ２ ０ ０ — ０ ｌ
相当平缓 。 因 此为 使 得 进 入 不 灵敏 区 的 误
数据 为期望输 出值 ， 采 用 上 述 算 法 在
１ Ｂ Ｐ 神经 网络模 型
与样本直 接相关的 。 根 据 沈 阳 工 业 大 学 教
差 函数 有 所 改 变 ， 迅速退出不灵敏区， 保 证 Ｍａ ｔ ｌ ａ ｂ 下 设 计 仿 真 程 序 对Ｂ Ｐ模 型 进 行 辨
（ １ ） 输 入／ 输 出节 点 。 输入／ 输 出节 点是 训 练 网络 的快 速 性 ， 尽 可 能 使 所 有 输 入 值 识 ， 输入层、 隐含 层和 输 出层 的结 点数 分 别 都 在 灵敏 变化 段 中 ， 一 般 需 在 该 公 式 中 引 为 １ ６ Ｘ ４ Ｘ １， 激 活 函 数 采 用 变化 的Ｓ型 ， 学 学质量评 估指标体 系， 将 二级 评 价 指 标 作 进 参 数 。 本 文 的神 经 网 络 算 法 即在 此部 分 习率 叩＝ ０ ． ９ ９ 。 为模型的输 入神经 元， 因 此 系 统 的 输 入 层 进 行 改 进 。 通过 沈 阳某 大 学 教 务 处 所 提 供 的 数 据 神经元 的个数为二级指标 的个数 。 将 评 价 结果作 网络的输 出， 输 出层 神 经 元 个 数 为 ２ 基 于 Ｂ Ｐ 神经网络 的教学评价模型构建 １。 本 文 由 公 式２． １ 计 算 得 出 隐 含 层 节 点 （ ２ ） 层数 。 由于 Ｂ Ｐ网络 的 功 能 实 际 上是 数 为４ （ 这 里 考虑 了下 述 １ ６ ４ － 指 标 可 以 分 为 通 过 网 络 输 入 到 网 络 输 出 的 计 算 来 完 成 ４ 组） 。 （ 见表 １ ） 的， 因 此 隐含 层数 越 多 ， 神 经 网络单 向多 层 前 馈 人工 数 与 问题 的 要 求 以及 输 入 输 出单 元 个数 有 Ｂ Ｐ 算法 的激 活 函数一 般 为ｓ ｉ ｇ ｍｏ ｉ ｄ 型 函数 ， 神 经 网络 模 型 ， 可 以 实现 任 何 复 杂 的 、 多因 直 接的关系。 隐 层 单 元 过 多 将 会 导 致 神 经 即 ｆ （ ｘ ） ＝ １ ／ （ １ ＋ｅ ） 。 素、 不 确 定 和 非 线 性 的映 射 关 系 ， 是 目前 应 网 络 训 练 时 间 过 长 、 误 差 不 易 控 制 及 容 错 改进的Ｂ Ｐ 算法是对标准的ｓ 型 函数 引 用 最 广 泛 的 人 工 神 经 网络 模 型 之 一 。 通 过 性 差等 问题 。 本 文 采 用 公式 ２ ． １ 计算 得 出 隐 入 新 的参 数 ， 则 函数 变 为 ＿ 厂 （ ） ＝ １ ／ （ ｉ ＋ Ａ ｅ ） ， 这种 梯 度 下 降算 法 不 断地 修 正 网络 各 层 之 含 层 神 经 元 个 数 。 其 中 系数 决 定 着Ｓ 型 函数 的压 缩 程 度 。 该 间的连接权值 和阎值 ， 从 而 实 现 期 望 输 出 Ｓ ＝、 ／ ０ ． ４ ３ ｉ ｒ ｍ ＋０ ． １ ２ ｍ ＋２． ５ ４ ｎ＋０． ７ ７ ｍ＋０ ． ３ ５＋０ ． ５ １ 非 线 性 函数 满 足 如 下 两 个 条 件 ： 一 是 连 续 值 与实 际输 出值 之 间的误 差 达 到最 小 或 者 （ １ ） 光 滑 且 具 有 单 调 性 ；二 是 定 义 域 为 小 于某 一 个 闽 值 【 － 一 。 ４ ） 激 活 函数 Ｂ Ｐ网络 的非 线 性逼近 能 力 （ 一 ∞， ＋ ∞） ， 值域为 （ ０ ， １ ） ， 故符合激活函数要 本 文 的 研 究 目标 是 通 过 对 现 有 评 价 指 是 通过 Ｓ型 的激 活 函数 来 体 现 出 来 的 ， 而且 它 使 得 激 活 函数 曲线 变得 平 坦 ， 方 所 以 求 。 标、 评价方法的分析 ， 建立 有 效 的 教 学评 价 隐 含 层 中一 般 采用 ｓ 型的激活函数， 输 出 层 便 在 Ｙ ， ０ 或Ｉ — Ｙ ， ０ 时， 避开局部极 小， 模型 ， 并 实 现 相 应 的 网上 教 学 评价 系 统 设 的激 活 函数 可 以采 用 线 性或 ｓ 型［ ３ 】 。 Ｓ 型激 活 因 此该 函数具 有 更好 的 函数 逼 近 能 力 以 及 计。 结 合Ｂ Ｐ 神经网络， 给 出了 一种 非 线性 的 函 数 为 容错能力。 教 学评 价 模 型 ， 训 练好 的 ＢＰ网络 模 型 根 据 厂 （ ） ＝ １ ／ （ １ ＋ Ｐ ） （ ２ ） 测评数据 ， 就 可 得 到 对 评 价 对 象 的 评 价 结 该 函数 值 在［ 一１ ， １ 】 范 围 内变 化 很剧 烈 ， ４ 仿真计 算与分析 果， 实现 定 性 与 定 量 的 有 效 结 合 。 而 超 出 这 个范 围 即 处 于 不 灵 敏 区 ， 变 化 则 以学 生 评 教 数 据 为输 入 值 ， 专 家 评 教
应用BP神经网络的教学评价模型及仿真
量 评 价 的 方法 可操 作 性 强 ， 以克 服 传 统 评 价方 法 主 观 性 过强 的缺 点 ， 时避 免 了传 统教 学 质 量 评 价 的 复 杂 过 程 ， 有 较 广 可 同 具 泛 的 实 用 性 ， 为 教 学 质 量提 供 了依 据 。 并 关 键 词 ： 经 网络 ； 糊 综合 评 判 ； 学 质 量评 价 神 模 教
ａ ｏｄ ｃ ｍｐ ｅ ｒｃ ｓ ｆ ｒｄ ｔ ｎ ｌ ｅ ｃ ｉ ｇｑ ａｉ ｖ ｌ ａｉｎ ａ ｄ ａｓ ａ ｅ ｂ ｏ ｄ ａ ｐｉ ａ ｉ ｔ ．Ｍｏ ｅ ｖ ｒ ｈ ｐ ｒ ｖ ｉ ｏ ｌｘｐ ｏ ｅ ｓｏ ａ ｉ ｏ ａ ａ ｈ ｎ ｕ ｔ ｅ ａｕ ｔ ｎ ｌｏｈ ｖ ｒ ａ ｐ ｌ ｂｌ ｙ ｔ ｉ ｔ ｌ ｙ ｏ ｃ ｉ ｒ ｏ ｅ ，ｔ ｅｏ ｅ —
Ｂ ｅ ｒ ｅ ｏｋｔ ｔａｈｎ ｕ ｌｙｅａ ａ ｏ ａ ｖ ｒ ｍ ｕ ｊｃ ｖ ｃ ｒ ｉ ｅｐ ｏｅ ｓ ｆ ｘ ｅ ｓ ｓｍ ｎ ， Ｐ ｎ ｕ ａ ｎ ｔ ｒ ｃ ｉｇｑ ａ ｔ ｖ ｌ ｔ ｎｃ ｎｏ ｅｃ ｅｓｂｅｔ ｅｆ ｔ ｓ ｎｔ ｒ ｓ ｏ ｅ ｐ ｒ ａｓ ｓ ｅ ｔ ｌ ｗ ｏｅ ｉ ｕ ｉ ｏ ｉ ａｏ ｈ ｃ ｔ ｅ
ｌ ｅ ｒｃ ｎｉ ｕ ｕ ｕ ｃｉｎ，ｔ ｅ ｍｏ ｅ ａ ａｃ ｌｔ ｄ ｑ ａ ｔ ｅ ｖ ｌａ ｉｎ ａ ｄ ｈ ｓ ｈ ｇ ｅ ｆ ｃｅ ｃ ｈ ｎ ｔ ａ ｆｅ — ｉ ａ ｏ ｔ ｏ ｓｆｎ ｔ ｎ ｎ ｏ ｈ ｄ ｌｈ ｓｃ ｌ ｕ ａｅ ｕ ｎ ｉ ｄ ｅ ａｕ ｔ ｎ ａ ？ ｉ ｈ ｒｅ ｉ ｎ ｙ ｔａ ｈ ｔ ｘ ｉ ｆ ｏ ｉ ｏ ｉｔ ｇ ｅ ａ ｕ ｔ ｎ ｓ ｓｅ ｓｉ ｖ ａｉ ｙ ｔ ｍ．Ｔ ｅ ｎ ｕ ａ ｅ ｗ ｒ ｄ ｌｕ ｅ ｏ ｅ ａｕ ｔ ｎ ｃ ｎ ｂ ｂａ ｎ ｄ ｂ ｔ ｉｉｇ ｔ ｅ ｄ ｔ ｒ ｖｄ ｄ ｎ ｌ ｏ ｈ ｅ ｒ ｌ ｔ ｏ ｋ ｍｏ ｅ ｓ ｄ ｔ ｖ ｌａ ｉ ａ ｅ ｏ ｔｉ ｅ ｙ ｕ ｉ ｚｎ ｈ ａａ ｐ ｏ ｉｅ ｎ ｏ ｌ
BP神经网络在安全评价中的应用
（ ｈ ａＵ ｉｒｔ Ｃ／ ｎｖｓｙｏ ｎ ｇａｄＴｃｎｌ ｇ Ｘ ｚｏ ，Ｊ ￣ｓ ２ １６ ｎ ｅ ｉ ｆＭｉｎ ｅ ｏ ｙ ｕｈｕ ｉ ｇｕ２ １１） ｉ ｎ ｈ ｏ ａ
Ａｂ ｔ ａ ｔ Ｔ ｏ ｖ ｈ ｉ ｉｕ ｔ ｓｏ ｒｉ ｃａ ａ ｔｒ ｎ ｕａ ｔ ｌ ｇｗ ｅ ｒ ｄｔ ｎ ｌ ｘ ｅ ｉｎ ｅ—ｂ ｓ ｄ ｍｅ ｏ ｒ ｓ ｄ ｉ ｓ ｓ ｅ ｓ ｎ ・ ｓ ｒ ｃ ｏ ｓ ｌｅ ｔ ｅ ｄｆ ｃ ｌ ｅ ｆ ｔ ｉ ｆｃｏ ｓａ ｄ ｑ ｎｉ ｎ ｈ ｎ ｔ ｉ ｏ ａ ｐ ｒｅ ｃ ｉ ａ ｆ ｌ ｉ ｚ ａ ｉ ｅ ａ ｅ ｔ ｄ ａ ｅｕ ｅ ｎｒ ｋａ ｓ ｓ ｍｅ ｔ ｈ ｉ ｎ ｕ ａ ｅｗｏｋ ｓｉ ｔ ｄ ｃ ｄ，ｗ ｉｈ ｒ ｄ ｃ ｓｔ ｅｅ ｅ ｔ ｆ ｒｉ ｃａ ａ ｔｒ ｎ ｋ ｅｑ ａ ｔｚｔ ｎ ｔ ｅｐ ｓ ｉｌ ｅ ｒ ｌｎ ｔ ｒ ｓｉ ｎ ｒ ｕ ｅ ｏ ｈ ｃ ｅ ｕ ｅ ｆ ｃｓｏ ｔ ｉ ｆｃｏ ｓａ ｄ ｍａ ｅ ｔ ｕ ｎ ｉ ｉ ｏｂ ｏ ｓ ｅ．Ｂ ｔｄ ｉｇ ｔｅ ｏｉｉ ａ ｈ ａ ｆ ｌ ｉ ｓｈ ａｏ ｂ ｙ ｓ ｙｎ ｒ ｎ ｕ ｈ ｇ ｌ
ｓ ｔ ｏｉｉ ｓ ｄｅｙ ｐ ｌ ｅ ． ｃ
Ｋｅ ｗｏ ｄ ｎ ｕ ａ ｅ ｏ ｓ ｓ ｆ ｔ ｓｓ ｍｅ ｔ ｑ ａ ｔ ｉｇ ａ ａｙ ｉ ｙ ｒｓ ｅ ｒ ｌｎ ｔ ｒ ａｅ ｙ ａ ｅ ｓ ｎ ｕ ｎ ｉ ｎ ｎ ｌｓｓ ｗ ｋ ｓ ｚ
安全 性 评 价 是 促 进 生 产 一 线 班 组 安 全 生 产 的一 种 有 效
性 。Ｂ Ｐ网 络 是 一 种 多 层 前 向 反 馈 神 经 网 络 ， 网 络 拓 卜结 其
网络 来 评 价 企 业 的安 全 状 况 。 ２ Ｂ Ｐ网 络在 安 全 评 价 中 应 用
BP神经网络在教学质量评价中的应用
值
，
使误差信 号变小 。
表 １ 评 估指 标 表 一来自级指标 二级指标
对应输入
Ｘ１
备课充分， 上课认真 ， 精心组织教学 ， 耐心辅导答疑
教学
态 度
为人师表 ， 教书育人 ， 严格 要求学 生 ， 意与 注 学生的沟通和交流， 认真批改作业
无迟 到
Ｘ２ Ｘ３ Ｘ ４ Ｘ５
习， 一直到 输 出值 和期 待值 的误差减 小到 规定 范围 内， 统 系 便 停止学 习。此 时将新样 本输入到 已经训练好 的网络 ， 可 就
如下方 式学 习： 首先 ， 把输入 模式 从输 入层传 输到 隐含层 单
元， 经隐含 层单元逐 层处理 后 ， 生一个 输入模 式传 送到输 产 出层 ， 这一过 程称 为 正 向传 播 ； 然后 ， 将输 出结果 和期 待值
Ｘｌ ５
对待学生公正 、 客观 ， 学责任 心强 教
学生对课程基础知识掌握得较好
Ｘ１ ６
Ｘ１ ７
学生分析 问题和解决 问题 的能力有显 著提 高 重视学生创新能力的培养和素质的提 高 拓宽了学生的知识面 ， 阔了学生 的思路 开
Ｘ１ ８ Ｘｌ ９ Ｘ２ ０
典 型 的 Ｂ （ ａｋＰｏ ａａｉｎ 神 经 网络 是 一 个 由 输 入 Ｐ Ｂ ｃ ｒｐ ｇｔ ） ｏ
说 明模 型 具 有 良好 的容 错 性 和 泛 化 能 力 。
～
—
—
～
～
， 、
— ～
图 ２ 测 试 样本 的 误 差 曲线
指标作为模 型 的输 入神经 元 ，即输入层 神经 元个数 ｎ＝ ０ ２。
根 据 Ｋｏ ｇｏ ｌ ｒｖ理 论 已 经 证 明 ： 任 意 给 定 的 连 续 函数 （ ｍｏ ｐ：
基于BP神经网络的计算机实验室管理评价指标分析
基于BP神经网络的计算机实验室管理评价指标分析摘要：基于bp神经网络的计算机实验室管理评价指标体系与模型，通过bp网络，采用确定的数据，量化评价指标，大大提升了实验室管理水平。
关键词：bp神经网络；计算机实验室管理；评价指标分析中图分类号：tp183 文献标识码：a 文章编号：1674-7712 （2013）04-0088-01一、bp神经网络从本质上讲，bp神经网络算法是以网络误差平方和为目标函数，运用梯度法求目标函数达到最小值的算法。
纠错原则是bp算法最为基本的一个原理，将网络输出的误差进行反向传播，运用梯度下降法，对网络的连接权值进行调整和修改，使其误差最小。
在学习过程中，bp算法可以划分为两个阶段，一是前向计算，一是误差反向传播。
在这里我们主要通过具体的来分析，假设一个两层的 bp 神经网络，其输入为p，输入神经元有r个，隐含层内神经元有s1个，激活函数为f1，输出层内有神经元s2个，对应的激活函数为f2，输出为a，目标矢量为t，那么信息在进行正向传递时，具体的情况如下：二、模型设计其次是模型设计。
bp神经网络的建立，在确定了相关指标体系以后，就需要将确定相关的结点数，如输入结点数、隐含结点数、输出结点数、每一层的结点数等，在起初建立时，需要根据初始网络参数，适当地调整网络结构，通过网络训练，使得整个学习过程更加稳定，与此同时，对于指定的误差进行调整，并且规定最大值，并且利用相关的测试数据来进行bp神经网络的优化处理，确定其达到设计的准确性与规范性，那么一个bp神经网络模型就建立起来了。
第三是模型确立。
对于模型的确立主要体现在三个方面，这里作简单分析，一是输入输出神经元个数确立，通常情况下，实验室管理指标主要有13个二级指标和4个一级指标，其中，这13个指标就是输入神经元的个数，同时将输出的神经元作业评价的结果，由于评价的结果只有一个，那么输出神经元的个数也只有1个。
二是隐含神经元个数确立。
BP神经网络在教学评价中的应用研究——以学生电子档案袋为例
相应 的分值分 别 为 ５４３ ２ １ 、 、、 、。
表 １ 学 生 电子 档 案 袋评 价 量 规
我指导， 达到最佳学习效果， 笔者设计了一种具有 自 学
习、 自适 应 能力 的人 工神 经 网络 模 型， 现 学生 电子 以实 档案 袋环 境下对 学 生学 习行 为 的评 价 。
第 １ ８卷 第 ６期
电
脑 与
信 息 技 术
Ｖ０ ．８ Ｎｏ６ １１ ． Ｄｅ ．２ ０ ｃ ０１
＝ ： ＝ ＝＝ ＝＝ ＝ ＝＝ ＝ ＝ ＝ ＝ ＝＝ ：＝ ＝＝＝ ＝；＝ ＝＝ ； ； ＝＝ ＝ ＝＝ ＝＝＝＝ ＝ ＝ ＝＝ ： ＝一： ：＝ ＝；； ＝＝ ： ＝ ； ；＝ ＝ ＝＝ ＝＝ ： ＝ ＝ ＝ ＝＝ ：！呈 ＝ ＝＝ ＝；： ＝＝ ； ＝ ＝＝ ＝＝ ： ＝ ＝＝一 ： ＝ ：＝ ＝：＝ ＝ ＝； ＝ ＝一 ＝ ＝
情况， 而用实际数据结果研 究了人工神经 学生电子档案袋的应用特点。 进
关 键 词 ： 生 电子 档 案 ； Ｐ神 经 网络 ； 学评 价 学 Ｂ 教 中 图分 类 号 ： ４ ４ Ｇ ３ 文 献 标 识 码 ： Ｂ
Ｂａ ｅ ｎ ＢＰ ｕ ａ ｔ ｒ ｓｄｏ Ｎｅ ｒ ｌＮｅ ｗｏ ｋ Ｅｄｕ ａ ｉ ｎ Ａｓ ｅ ｓ ｅ ｃ ｔｏ ｓ ｓ ｍ ｎｔＡｐｐ ｉａ ｉ ｎ ｓ ａｒ ｈ ｌｃ ｔｏ Ｒｅ ｅ ｃ
１ 学生电子档案袋评价量规的确定
美 国学 者 Ｂ ｒ ｔ， ｌｎ２０ ） ａ ｅ Ｈｅ （０ ０ 将学 生 电子 档 案袋 ｒｔ ｅ
（—ｅｒｉｇ ｏｔ ｌ ）定 义 为基 于 多媒 体 和 网络 技 术 ， ｅ ｌａ ｎ ｒｏｉ ｎ ｐ ｆ ｏ
学 习者有 目的 、有 意识 地收集 和展 示 学 习成 果 和其它 材料 ， 对学 习过程 和结果 进 行反思 的数 字化 档案 。 并 目 前学 生 电子档 案袋 没有 规定 的 内容 和格 式 。笔者 在参 考 国 内外 有 关研 究 ， 合本 校 教育 技术 学 专业 数字 结 电子 技术 Ｅ （ ｌｃｏ ｉ ｒｂｎｈ 实 验 课 设 计 了 ＷＢ Ｅｅｔ ｎｃ Ｗｏｋｅｃ ） ｒ ｓ 学生 电子 档案袋 评 价量规 ， 见表 １ 。因素集 ｕ的评 判矩 阵 ｕ ｛１１， Ｉ）评价 指标 ｘ （ｌ ２ ｘ， ｘ，７ ＝ｕ，２…Ｉ７， １ ２ ＝ ｘ， ， ４ ｘ ６ｘ表 ） 示对 每个 学生 的学 习行 为评 价 的 ７ 指标 ， 个 权重集 ｗ： ｛ ｍ： ｍ ， ，…ｍ ） ，指标 评 价 等 级 与标 准 Ｖ ｆＩ 。 ， ＝ｖ， ｖ， Ｖ ｖ， 等级 划分 为 “ ” “ 、 中”“ ” “ ” ｝ 优 、 良” “ 、及 、差 ５种标 准 ，
基于BP神经网络的教学质量评价模型研究
客观上需要构建一套阵作为神经网络的输入量时在训练样本数并未减少既在实践上行得通又能在理论上得到论证的既使用的基础上消除了网络输入间的相关性同时减少了网于定量指标评价又适合于定性指标评价的科学评价络的输入数简化了网络结构从整体上提高了网络方法引
２ 化 Ｊ Ｉ Ｓ Ｕ Ａ Ｎ Ｊ Ｉ Ｙ Ｕ Ｘ Ｉ Ａ Ｎ Ｄ Ａ １ Ｈ Ｕ Ａ
既在 实践 上行得 通 又能在 理论 上得 到论证 的 ， 既 使用 于定 量指标 评 价又 适 合 于定 性 指 标 评 价 的科 学评 价 方法 ¨ 。由于学 生评 教 和专 家 、 同行 评 教 的 方式 具
神经 网络模 型 的输入 分量 ， 必然 会导致 网络 的规 模 过 大， 影 响神 经 网络 的收敛 速度 ， 降低预 报 的准确 率 ， 甚 至 出现无法 收敛 的情 况 。 因此 ， 应对 此类样 本 和众 多
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｆ ｉ ｒ ｓ ｔ ，ｔ ｈ ｅ ｉ ｎ ｄ ｉ ｃ ａ ｔ ｏ ｒ ｓ ｏ ｆ ｔ ｈ ｅ ｃ ｕ ｒ ｒ ｅ ｎ ｔ ｔ ｅ ａ ｃ ｈ ｉ ｎ ｇ ｅ ｖ ａ ｌ ｕ ａ ｔ ｉ ｎ ｇ ｓ ｙ ｓ ｔ ｅ ｍ ｉ ｓ ｓ ｉ ｍｐ ｌ ｉ ｉ ｆ ｅ ｄ ｂ ｙ ｔ ｈ ｅ ｍｅ ａ ｎ ｓ ｏ ｆ ｑ ｕ ｅ ｓ ｔ ｉ ｏ ｎ ｎ ａ ｉ ｒ ｅ ｓ ｕ ｒ ｖ ｅ ｙ ａ ｎ ｄ
BP神经网络的优缺点
BP神经网络的优缺点介绍人工神经网络（Artificial Neural Network）又称连接机模型，是在现代神经学、生物学、心理学等学科研究的基础上产生的，它反映了生物神经系统处理外界事物的基本过程，是在模拟人脑神经组织的基础上发展起来的计算系统，是由大量处理单元通过广泛互联而构成的网络体系，它具有生物神经系统的基本特征，在一定程度上反映了人脑功能的若干反映，是对生物系统的某种模拟，具有大规模并行、分布式处理、自组织、自学习等优点，被广泛应用于语音分析、图像识别、数字水印、计算机视觉等很多领域，取得了许多突出的成果。
最近由于人工神经网络的快速发展，它已经成为模式识别的强有力的工具。
神经网络的运用展开了新的领域，解决其它模式识别不能解决的问题，其分类功能特别适合于模式识别与分类的应用。
多层前向BP网络是目前应用最多的一种神经网络形式, 它具备神经网络的普遍优点，但它也不是非常完美的, 为了更好的理解应用神经网络进行问题求解, 这里对它的优缺点展开一些讨论。
首先BP神经网络具有以下优点：1) 非线性映射能力：BP神经网络实质上实现了一个从输入到输出的映射功能，数学理论证明三层的神经网络就能够以任意精度逼近任何非线性连续函数。
这使得其特别适合于求解内部机制复杂的问题，即BP神经网络具有较强的非线性映射能力。
2) 自学习和自适应能力：BP神经网络在训练时，能够通过学习自动提取输出、输出数据间的“合理规则”，并自适应的将学习内容记忆于网络的权值中。
即BP神经网络具有高度自学习和自适应的能力。
3) 泛化能力：所谓泛化能力是指在设计模式分类器时，即要考虑网络在保证对所需分类对象进行正确分类，还要关心网络在经过训练后，能否对未见过的模式或有噪声污染的模式，进行正确的分类。
也即BP神经网络具有将学习成果应用于新知识的能力。
4) 容错能力：BP神经网络在其局部的或者部分的神经元受到破坏后对全局的训练结果不会造成很大的影响，也就是说即使系统在受到局部损伤时还是可以正常工作的。
- 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)。
BP 神经网络评价
本模型建立3层的bp 神经网络模型，即输入层、隐含层、输出层各一个。
确定BP 神经网络中的节点数：
根据研究评价体系及相关城市病等级评价的BP 神经网络模型的输入层为10个节点，对应10个评价指标；输出层为5个节点，对应五个城市病的等级识别结果。
在BP 神经网络中，确定隐含层节点数目对神经网络至关重要，它是导致样本训练过程中出现“过拟合”现象的重要原因[4]。
本文采用经验公式法计算隐藏节点数。
21J m =+ （1）
其中，J 为最佳隐含层节点数目，m 为输入层节点数目。
（3）构造网络函数
newff 函数的功能为构建一个BP 神经网络，在本文中的构建形式如下：
(1,2,)net newff PR PR S = （2）
其中，1PR 为输入样本数据，2PR 为输出样本数据，S 为隐含层节点数。
（4）网络训练
根据不同等级城市病的标准，采用等差序列的方法生成25组训练样本，组数满足大于输入节点数的两倍。
确定网络学习速率：BP 算法的收敛速度在很大程度上取决于学习速率，本文采用动量法来调整学习速率，在该权值基础上加上前一次权值调节量的值。
(1)()E
w x m w x w
ξ∂∆+=+∆∂ （3）
式（3）中，m 为动量系数，一般取值（0，0.9)。
动量的作用是缓冲和平滑，改善网络收敛的过程，调节网络收敛速度，从而使模型更稳定
······
输入层
隐含层
输出层
%结果看横排那个数最大对应的位置就是那个级别
将数据录入相应的矩阵中，全选中保存为num表格
训练样本（采用等差序列构造，最好每个等级设置5组以上的训练样本组）
测试样本：。