一种改进的SOM网络算法及其在实践教学评价中的应用_严太山.pdf

本期推荐本栏目责任编辑：张薇Computer Knowledge and Technology电脑知识与技术第19卷第3期(2023年1月）一种改进的SOM网络算法及其在实践教学评价中的应用严太山，王欣，杨勃，程望斌，刘立志（湖南理工学院 信息科学与工程学院，湖南 岳阳 414006)摘要：传统SOM网络算法通常用最大迭代次数作为终止条件，针对最大迭代次数最佳值难以确定的问题，提出一种以聚类中心变化量作为终止条件的SOM网络算法，该算法能根据聚类中心变化情况自适应控制算法训练进程。将该算法应用于电子信息类专业实践教学评价之中，建立了电子信息类专业实践教学评价SOM神经网络模型。实验结果表明，这种基于SOM神经网络的教学评价方法能够实现对电子信息类专业实践教学质量的准确评价，对构建智能化教学质量评价系统具有重要的参考价值。关键词：SOM神经网络；实践教学评价；自学习；自适应中图分类号：G642文献标识码：A文章编号：1009-3044(2023)03-0009-03开放科学（资源服务）标识码(OSID)：1 引言实践教学是对学生进行技能训练，培养学生操作能力和创新能力的教学活动，是培养工程应用型人才的必备环节。电子信息类专业是工科院校中的一个极其重要的专业，在信息产业飞速发展的今天，电子信息类专业人才的市场需求量越来越大，要求也越来越高，电子信息类专业必须加强实践教学，同时还要对实践教学质量进行及时的、客观的评价，以做到以评促教，切实提高实践教学质量。所以，实践教学评价已成为当今电子信息类专业和其他专业的一项常规性工作。但在目前高校的实践类课程教学评价过程中，仍然存在诸多有待解决的问题1-5，为此，我们通过构建完整的电子信息类专业实践教学评价体系，设计一种改进的 SOM 神经网络算法，建立基于改进SOM神经网络的电子信息类专业实践教学评价方法，为提高实践教学质量评价的有效性、客观性和公正性提供有益参考。2 SOM神经网络算法及改进SOM神经网络是由芬兰的Kohonen教授提出一种前馈神经网络6-8，网络结构是由一个输入层和一个输出层（也叫竞争层）构成的，如图1所示。SOM神经网络学习算法步骤如下：Step1：对初始化权重w1(0),w2(0),wk(0)；初始邻域宽度参数(0)；初始学习率(0)；最大迭代次数Tmax；迭代次数=1。Step2：从训练样本集中任选一个输入向量x，计算x与所有权重向量的距离：dj=i=1n(xi-wij)2(1)然后按照“胜者为王”的规则选择距离最小的神经元作为获胜神经元，记为j*。Step3：对竞争层获胜神经元j*邻域内的全部神经元进行权值更新：wji(+1)=wji()+()h(j,j*)xi-wji(2)其中，j ()。Step4：返回Step2重复执行，直到全部学习模式训收稿日期：2022-08-03基金项目：湖南省自然科学基金项目(2019JJ40105)；湖南省普通高等学校教学改革研究项目(HNJG-2021-0778)；教育部产学合作协同育人项目(202102211055)；湖南理工学院教学改革研究项目(2021A26)作者简介：严太山(1968)，男，湖南祁东人，副教授，博士，主要研究方向为智能信息处理、配电网故障诊断；王欣(1998)，女，山东临沂人，硕士研究生，主要研究方向为智能信息处理；杨勃(1974)，男，湖南岳阳人，教授，博士，主要研究方向为机器学习、模式识别；程望斌(1979)，男，湖北咸宁人，副教授，硕士，主要研究方向为应用电子技术；刘立志(1994)，男，湖南岳阳人，讲师，博士，主要研究方向为智能控制、智能信息处理。图1 SOM神经网络拓扑结构E-mail：http：/Tel：[phone] 65690964ISSN 1009-3044Computer Knowledge and Technology电脑知识与技术Vol.19,No.3,January20239DOI:10.14004/ki.ckt.2023.0155本栏目责任编辑：张薇本期推荐Computer Knowledge and Technology电脑知识与技术第19卷第3期(2023年1月）练完毕；Step5：更新学习率()和邻域()：()=(0)()1-Tmax(3)()=INT (0)(1-Tmax)(4)Step6：判断迭代次数是否达到最大迭代次数Tmax，如果 Tmax，则令=+1，转向Step2；如果 Tmax，则训练结束。上述SOM神经网络算法的终止条件为训练次数达到预先设定的最大迭代次数Tmax，这样会存在如下问题：如果Tmax值设置过小，会使得训练不充分；如果Tmax值设置过大，则会使训练过度，训练时间过长。为此，我们在算法中引入权值增量的一范数，结合这个一范数的变化和最大迭代次数Tmax来自适应判断算法是否终止，具体方法如下：SOM神经网络的聚类中心，即输出层的一个神经元是用该神经元的权值向量Wj=Wj1,Wj2,WjiT(j=1,2,M*N)来表征的，一次训练后权值增量可表示为：W=W()-W(-1)(5)W的一范数就是列模，也就是变化最大的聚类中心变化量，可以表示为：W1=max1 j mnk=1i|wjk(6)算法运行时，预先设置一个足够小的正数，当最大的类中心变化值W1小于时，即可判定算法收敛。所以，算法的收敛条件为：W1 或 =Tmax(7)3 基于SOM神经网络的电子信息类专业实践教学评价3.1 电子信息类专业实践教学评价指标体系构建对电子信息类专业实践教学质量进行评价时，评价主体的评价工作要从教学环境、教学保障、教学过程和教学效果四个方面展开，这是四个一级指标。然后根据实践教学实际，同时遵循教学评价指标体系的导向性原则、科学性原则、全面性原则、稳定性与动态性兼顾的原则1-5,9，以学生评教为例，为评价主体设计了20个二级评价指标，构建了电子信息类专业实践教学评价指标体系，如图2所示，各个指标xi(i=1,2,20)的含义如表3所示。3.2 SOM神经网络结构确定在电子信息类专业实践教学评价指标体系中，每个评价主体的评价指标有20个，所以输入特征向量为20维向量：X=x1，x2，x20，SOM神经网络的输入层需要20个神经元。每个指标的评价等级有优秀、良好、中等、合格、不合格五个，评价目标的评价等级同样也有这五个等级，所以SOM神经网络的输出特征向量为5维向量：Y=y1,y2,y3,y4,y5，SOM神经网络的输出层（竞争层）会有5个获胜神经元，设计输出层（竞争层）的二维结构时，我们选择55=25个神经元。3.3 数据预处理利用神经网络实现教学评价，需要对各个评价等级进行数值化，具体方法如表1所示。表1 评价等级数值化等 级数 值优秀y15良好y24中等y33合格y42不合格y51数据在输入神经网络之前，一般要进行预处理。因为数值过大，容易导致神经元饱和，所以通常会把幅值限制在01之间，这就是数据的归一化，实现方法如图3所示。图3 数据归一化方法3.4 SOM神经网络学习与评价为完成神经网络的学习过程，我们从已有的学生评教数据集里选择70个样本，它们覆盖了全部评价等级，对所有样本进行编号。我们用前60个样本作为SOM神经网络的学习样本，后10个样本作为SOM神经网络的测试样本。SOM神经网络利用前60个样本进行训练后，成功地将样本数据进行了聚类，聚类结果如表2所示。表2 SOM神经网络训练结果类 别y1y2y3y4y5样本编号1,6,10,16,23,31,32,36,38,42,58,594,5,9,19,33,35,40,44,45,473,7,11,15,17,28,34,37,48,51,53,548,12,13,20,21,24,27,41,46,49,50,52,56,57,602,14,18,22,25,26,29,30,39,43,55SOM神经网络训练结束之后，我们对表2每一类中的原始数据进行平均处理，得到每个指标的期望输图2 电子信息类专业实践教学评价指标体系结构10本期推荐本栏目责任编辑：张薇Computer Knowledge and Technology电脑知识与技术第19卷第3期(2023年1月）出值，由此得出电子信息类专业实践教学质量评价5个等级的标准样本，如表3所示。对这5个等级的标准样本进行标准化处理之后，与测试样本一同提供给SOM神经网络，测试样本经SOM神经网络分类之后得到的测试结果如表4所示。表3 电子信息类专业实践教学质量评价标准样本评价指标教学环境教学保障教学过程教学效果实验室建设是否完善x1场地大小是否合适x2设备是否实用x3实验室的利用率x4生师比例是否合理x5实践学分占比是否恰当x6常规管理体制是否健全x7实验室安全保障情况x8教师教学设计是否得当x9教师教学态度是否端正x10教师教学方法是否有效x11教学内容与理论衔接度x12教学内容的实用性x13教学内容的前沿性x14兴趣是否得到增强x15创新意识是否得到增强x16实践能力是否得到培养x17是否促进理论知识掌握x18实践报告完成情况x19考核结果是否满意x20y155555555555555555555y255545554554544445445y355434444444433334434y444434433343422223324y544324233322221112213表4 SOM神经网络测试结果样本编号61626364656667686970同类标准样本y4y2y3y5y1y1y5y3y2y4实际等级合 格良 好中 等不合格优 秀优 秀不合格中 等良 好合 格3.5 实验结果分析SOM神经网络通过对学习样本进行训练，将电子信息类专业实践教学质量评价样本数据进行聚类，通过计算得到了各个类别的标准样本。在此基础上，利用SOM神经网络对新的电子信息类专业实践教学质量评价数据进行识别，从表4的测试结果可以看出，10个测试样本涵盖了各个等级，SOM神经网络对所有测试样本的分类结果与实际等级完全一致，取得了满意的效果。4 结束语为使SOM 神经网络得到合理训练，提出了一种改进的SOM 神经网络算法，该算法能根据权值变化情况自适应控制算法训练进程，利用这一改进算法实现了电子信息类专业实践教学质量的有效评价。基于SOM神经网络的电子信息类专业实践教学评价方法，其优越性表现在两个方面，首先是评价过程不用考虑指标权重，从而可以避免人为设置权重而带来的主观影响；其次是评价方法的自适应性强，当环境条件发生变化时，网络通过对样本的重新自学习就能正常工作。所以，这种实践教学质量评价方法对实现教学评价的智能化具有重要参考价值。参考文献：1 张馨月,李志平.应用型本科高校实践教学质量评价体系的有效构建J.当代教育实践与教学研究,2020(7):127-128.2 郑谦,汪伟忠,赵伟峰,等.应用型高校实践教学质量评价指标体系研究J.高教探索,2016(12):36-40.3 柯美红,练国富.基于序关系分析法的实践教学质量评价方法J.教育教学论坛,2017(46):73-76.4 唐吉深,莫燚.应用型高校实践教学质量评价指标体系构建探析J.教育现代化,2020,7(8):16-18.5 严太山,文怡婷,黄红霞,等.地方高校实践教学评价体系的设计研究J.教育现代化,2018,5(23):125-127,154.6 袁曾任.人工神经元网络及其应用M.北京:清华大学出版社,1999.7 马锐.人工神经网络原理M.北京:机械工业出版社,2010.8 邢红杰,哈明虎.前馈神经网络及其应用M.北京:科学出版社,2013.9 严太山,郭观七,张舸,等.高校双语教学质量评价指标体系的构建及评价方法研究J.中国电力教育,2013(35):55-57.【通联编辑：王力】11