基于BP神经网络的高校教师科研能力评价模型

第一篇：基于BP神经网络的高校教师科研能力评价模型

基于BP神经网络的高校教师科研能力评价模型

摘要：通过对高校教师科研能力分析，构建了高校教师科研能力评估指标体系，提出了运用BP神经网进行评估的方法，利用MATLAB对该模型进行了仿真，得到了与专家评定一致的结果。该方法克服了传统评价方法孤立地考虑各项评价指标的缺点 增加了指标之间的关联性，使评价结果更符合实际情况。

关键词：科研能力 BP神经网络 评价模型

中图分类号：G420 文献标识码：A 文章编号：1007-9416（2014）01-0056-02

一所高校的科研水平取决于教师的科研能力，目前，有关高校教师科研能力的评估有很多评估方法，如层次分析法，贝叶斯网络聚类方法[1]等。本文运用BP神经网络来建立高校教师科研能力评价模型，为高校教师科研能力评价提供了一定的参考。高校教师科研能力评价指标体系

1.1 构建评价指标体系的基本原则[2]

为了科学、客观地反映高校教师科研能力的高低，应该考虑建立与之相适应的科研能力评价方法，并确定相应的科研能力评价指标体系。为了建立能有效评价高校教师科研能力的评价指标体系，其设计的原则应遵循如下：科学规范性、系统优化性、简洁明确性和全面实用性。

1.2 科研能力评价指标体系

本文从教师基本素质、学术影响、学术成果、科研项目四个方面来反映教师科研能力，根据构建指标体系的四个基本原则，构建三个层次结构模型评价指标体系，如图1 基于BP神经网络的高校教师科研能力评价模型

本文采用典型的三层BP神经网络对教师科研能力进行评价，如图2所示。

2.1 初始参数的确定 高校教师科研能力评价模型的评估

在某高校中，组织25名专家对20名教师科研能力进行行评价，随机抽取6组评价数据进行归一化处理得表1。

利用已编好的BP算法的程序[5]，在把学习样本的输入参数输入计算机后，即可让网络模型对学习样本进行反复学习，直到网络模型的识别精度满足要求。可以看出，当网络训练达到161步时，网络模型识别精度为0.000982536，网络性能达标，可知输出结果与专家判断是吻合的，说明BP神经网络已具备了模式识别的能力，可以对教师科研能力进行评价。结语

通过构建教师科研能力评价体系的BP神经网络模型，为评价教师科研能力提供了一种量化方式。BP神经网络克服了评价中主观因素的影响，使评价结果全面准确的反映实际情况，为教师科研能力评价提供了新的工具。

参考文献

[1]李兰春，王双成，王婧.高校教师科研能力评估的贝叶斯网络聚类方法[J].科技管理研究，2011（12）：114-116.[2]高英.高校教师创新能力分析与评价[D].东北大学工商管理学院，2006：21-22.[3]董长虹.MATLAB神经网络与应用[M].北京：国防工业出版社，2005：64-71.[4]岳付昌，闫群章，徐廷学，等.基于BP神经网络的导弹武器系统生存能力评估[J].舰船电子工程，2010，（10）：104-107.[5]闻新，周露.MATLAB神经网络应用与设计[M].北京：科学出版社，2001：97-109.

第二篇：BP神经网络实验报告

BP神经网络实验报告

一、实验目的1、熟悉MATLAB中神经网络工具箱的使用方法；

2、通过在MATLAB下面编程实现BP网络逼近标准正弦函数，来加深对BP网络的了解和认识，理解信号的正向传播和误差的反向传递过程。

二、实验原理

由于传统的感知器和线性神经网络有自身无法克服的缺陷，它们都不能解决线性不可分问题，因此在实际应用过程中受到了限制。而BP网络却拥有良好的繁泛化能力、容错能力以及非线性映射能力。因此成为应用最为广泛的一种神经网络。

BP算法的基本思想是把学习过程分为两个阶段：第一阶段是信号的正向传播过程；输入信息通过输入层、隐层逐层处理并计算每个单元的实际输出值；第二阶段是误差的反向传递过程；若在输入层未能得到期望的输出值，则逐层递归的计算实际输出和期望输出的差值（即误差），以便根据此差值调节权值。这种过程不断迭代，最后使得信号误差达到允许或规定的范围之内。

基于BP算法的多层前馈型网络模型的拓扑结构如上图所示。

BP算法的数学描述：三层BP前馈网络的数学模型如上图所示。三层前馈网中，输入向量为：；隐层输入向量为：；输出层输出向量为：；期望输出向量为：。输入层到隐层之间的权值矩阵用V表示，其中列向量为隐层第j个神经元对应的权向量；隐层到输出层之间的权值矩阵用W表示，其中列向量为输出层第k个神经元对应的权向量。

下面分析各层信号之间的数学关系。

对于输出层，有

对于隐层，有

以上两式中，转移函数f(x)均为单极性Sigmoid函数：

f(x)具有连续、可导的特点，且有

以上共同构成了三层前馈网了的数学模型。

当网络输出和期望输出不相等时，存在输出误差E如下：

将以上误差定义式展开至隐层，有

进一步展开至输入层，有

由上式可以看出，网络输入误差是两层权值W和V的函数，因此调整权值可以改变误差E。

显然，调整权值的原则是使误差不断的减小，因此应使权值的调整量与误差的负梯度成正比，即：

式中负号表示梯度下降，常数表示比例系数，在训练中反映了学习速率。

容易看出，BP学习算法中，各层权值调整公式形式上都是一样的，均有3个因素决定，即：学习速率、本层误差信号和本层输入信号X/Y。其中输出层误差信号同网络的期望输出与实际输出之差有关，直接反映了输出误差，而各隐层的误差信号与前面各层的误差信号都有关，是从输出层开始逐层反传过来的。

三、程序

clc

clear

all

k=1;

n=10;

P=[-1:0.05:1];

T=sin(k*pi*P);

plot(P,T,＇-＇);

title(＇要逼近的非线性函数＇);

xlabel(＇输入向量＇);

ylabel(＇非线性函数目标输出向量＇);

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(＇训练前后的网络仿真结果对比＇);

xlabel(＇输入向量＇);

ylabel(＇输出向量＇);

legend(＇目标函数输出向量＇,＇未训练BP网络输出＇,＇已训练BP网络输出＇);

仿真结果如下图：

由仿真结果图可以看出，未经训练的BP网络输出与目标函数差距很大，逼近效果不理想，而对BP网络训练之后的输出可以较精确的逼近目标函数，并且BP网络的训练迭代次数仅约1.2次，网络的输出目标误差就达到了精度要求，收敛速度很快。函数逼近效果、网络训练的收敛速度与原始非线性函数的频率、BP网络隐含层单元神经元的数目以及BP网络训练函数有关。

四、实验结论

通过编程实现使用BP网络对函数进行逼近，对BP网络的信号和误差传递的原理以及隐层、输出层权值调整的规则有了充分的理解和认识。

BP网络是一个强大的工具，它是应用最为广泛的网络。用于文字识别、模式分类、文字到声音的转换、图像压缩、决策支持等。

但是，通过实验看出，它还是存在一定的不足。由于本实验中采用的学习率是固定不变的，从而使得在函数逼近的时候在有些地方出现了偏离，如果能自适应的调整学习率，使网络在学习初期具有较大的学习率，以快速逼近函数，当已经逼近理想输出时再使用较小的学习率，来更加精准的去逼近函数，这样会得到更好的逼近效果和更小的错误率。

另外，BP网络还具有收敛速度慢、容易陷入局部极小值的问题。这些问题通过对标准BP算法的改进能得到一定程度的解决。

第三篇：BP神经网络优缺点

多层前向BP网络是目前应用最多的一种神经网络形式, 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讨论: 多层前向BP网络的优点：

①网络实质上实现了一个从输入到输出的映射功能，而数学理论已证明它具有实现任何复杂非线性映射的功能。这使得它特别适合于求解内部机制复杂的问题；

②网络能通过学习带正确答案的实例集自动提取“合理的”求解规则，即具有自学习能力； ③网络具有一定的推广、概括能力。多层前向BP网络的问题：

①BP算法的学习速度很慢，其原因主要有：

a 由于BP算法本质上为梯度下降法，而它所要优化的目标函数又非常复杂，因此，必然会出现“锯齿形现象”，这使得BP算法低效；

b 存在麻痹现象，由于优化的目标函数很复杂，它必然会在神经元输出接近0或1的情况下，出现一些平坦区，在这些区域内，权值误差改变很小，使训练过程几乎停顿；

c 为了使网络执行BP算法，不能用传统的一维搜索法求每次迭代的步长，而必须把步长的更新规则预先赋予网络，这种方法将引起算法低效。

②网络训练失败的可能性较大，其原因有：

a 从数学角度看，BP算法为一种局部搜索的优化方法，但它要解决的问题为求解复杂非线性函数的全局极值，因此，算法很有可能陷入局部极值，使训练失败；

b 网络的逼近、推广能力同学习样本的典型性密切相关，而从问题中选取典型样本实例组成训练集是一个很困难的问题。

③难以解决应用问题的实例规模和网络规模间的矛盾。这涉及到网络容量的可能性与可行性的关系问题，即学习复杂性问题；

④网络结构的选择尚无一种统一而完整的理论指导，一般只能由经验选定。为此，有人称神经网络的结构选择为一种艺术。而网络的结构直接影响网络的逼近能力及推广性质。因此，应用中如何选择合适的网络结构是一个重要的问题；

⑤新加入的样本要影响已学习成功的网络，而且刻画每个输入样本的特征的数目也必须相同； ⑥网络的预测能力（也称泛化能力、推广能力）与训练能力（也称逼近能力、学习能力）的矛盾。一般情况下，训练能力差时，预测能力也差，并且一定程度上，随训练能力地提高，预测能力也提高。但这种趋势有一个极限，当达到此极限时，随训练能力的提高，预测能力反而下降，即出现所谓“过拟合”现象。此时，网络学习了过多的样本细节，而不能反映样本内含的规律。优点——

神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现。具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此有很大的应用市场。

缺点——

（1）最严重的问题是没能力来解释自己的推理过程和推理依据。

（2）不能向用户提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作。

（3）把一切问题的特征都变为数字，把一切推理都变为数值计算，其结果势必是丢失信息。

（4）理论和学习算法还有待于进一步完善和提高。

第四篇：离散Hopfield神经网络的分类--高校科研能力评价

代码：

离散Hopfield的分类——高校科研能力评价

clear all clc

%% 导入数据

load class.mat

%% 目标向量

T=[class_1 class_2 class_3 class_4 class_5];%% 创建网络

net=newhop(T);%% 导入待分类样本 load sim.mat

A={[sim_1 sim_2 sim_3 sim_4 sim_5]};%% 网络仿真

Y=sim(net,{25 20},{},A);%% 结果显示

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)%% 绘图

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}

%% %% 清空环境变量 clear all clc

%% 导入记忆模式

T = [-1-1 1;1-1 1]';%% 权值和阈值学习[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;%% 导入待记忆的模式

Ai =[-0.7;-0.6;0.6];y0=Ai;%% 迭代计算 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：科研能力评价

关于研究生科研能力评语大全

篇一：研究生科研能力评价

我是xx大学xx系研究生，如今面临毕业之际，回首这三年的研究生生涯，现做自我鉴定如下：

本人在思想觉悟上始终对自己有较高的要求，能用来认识世界认识社会，能清醒的意识到自己所担负的社会责任，对个人的人生理想和发展目标，有了相对成熟的认识和定位。

在专业课程的学习上，根据自身研究方向的要求，有针对性的认真研读了有关核心课程，为自己的科研工作打下扎实基础;并涉猎了一部分其他课程，开阔视野，对本研究方向的应用背景以及整个学科的结构有了宏观的认识。学习成绩也比较理想。在外语方面，研究生阶段着重加强了书面写作的训练，并取得了一定效果。

在科研工作上，根据导师的指导，研读了大量论著，逐步明确了研究方向，通过自身不断的努力，以及与师长同学间的探讨交流，取得了一些比较满意的成果。在这期间，查阅资料，综合分析等基本素质不断提高，书面表达的能力也得到了锤炼，尤其是独立思考判断和研究的能力，有了很大进步，这些对于未来的工作也都是大有裨益的。

平时生活中，为人处世和善热情，和同学关系融洽。根据自身爱好和能力，业余参与了一些社会活动，为个人综合素质的全面发展打下基础。毕业在即，在工作实践中，除了提升适应工作要求的具体业务能力，还提高了和同事沟通交流的能力，团队协作的素质也得以培养，为走出校园融入社会做好了准备。

研究生阶段使我所获颇丰，从学业、科研工作，到个人素质，都得到了充分的培养和锻炼，是充实且有意义的三年。相信这些经历和积累都将成为我人生道路上的宝贵财富。

篇二：研究生科研工作的自我鉴定

体育学硕士研究生是从事体育活动以及体育科学研究的高层次体育人才，随着高校招生规模的不断扩大，学位类别和教育模式的逐渐优化，学术型和应用型硕士研究生在课程安排和培养模式方面都各有侧重，而科研能力对于学术型硕士研究生的自身发展更是起着重要的作用。很多用人单位不仅要求研究生有扎实的专业技能，还要求具有较强的科研能力。因此，提高学术型体育硕士研究生的科研能力成为了时代的需求。评价体系应根据不同专业特点而制定，使其更具有针对性，而目前关于体育学科缺乏科学、合理的科研能力评价体系。大多数研究对于研究生科研能力的内涵有一定探讨，但对其进行明确界定的较少;对于研究生科研能力结构要素以及培养模式的研究较多，而对其进行准确评价的较少;对于培养研究生科研能力的某个环节探讨的较多，而从整体上去把握的较少。本研究通过大量研读相关的学术论文和书籍，了解以往的研究成果，以河南省三所高校的研究生导师、科研工作者以及研究生管理者等为调查对象，在对学术型体育硕士研究生科研能力评价现状进行分析的基础上，对教育评价的相关理论进行了仔细地研究，明确科研能力的内涵，并且结合我国硕士研究生的培养目标以及体育学科特点，将众多专家的意见进行总结、归纳和分析，以知识储备、分析问题能力、学位论文质量以及其他科研成果4个方面为一级指标，又将其分解为专业知识、交叉知识、逻辑推理能力、信息处理能力、独立决策能力等13个二级指标，从不同角度对硕士研究生的科研能力进行考核评估，并针对具体的评价内容、应遵循的原则、评价标准以及适用的评价方法等方面进行了详细地阐述，运用秩和运算法确定各级指标的权重，构建出一套质性和量化有机结合的科研能力评价体系，不仅对提高学术型体育硕士研究生的科研能力起到一定的激励作用，也为河南省高等教育管理提供有效的参考依据。