前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經(jīng)網(wǎng)絡(luò)經(jīng)濟學(xué)范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

神經(jīng)網(wǎng)絡(luò)經(jīng)濟學(xué)范文第1篇

關(guān)鍵詞：數(shù)據(jù)挖掘；神經(jīng)網(wǎng)絡(luò)；極速學(xué)習(xí)機

中圖分類號：TP18文獻標(biāo)識碼：A文章編號：1009-3044(2011)10-2368-04

Survey of Extreme Learning of Neural Networks

YANG Feng-zhi1, PI Hui1, SU Jia-wei2

(1.School of Information, Yunnan Normal University, Kunming 650031, China; 2.School of Physics and Electronic Information, Yunnan Normal University, Kunming 650031, China)

Abstract: Neural Network have been widely applied in many fields including pattern recognition, automatic control, data mining etc. However, the traditional learning methods can not meet the actual needs. The traditional method is mainly based on gradient descent and it needs multiple iterations; all of the network parameters need to be determined by iteration. Therefore, the computational complexity and searching space will increase dramatically. ELM is one-time learning idea, this method is faster algorithm and voids a number of iterations and the local minimum, it has better generalization, robustness and controllability. But for different data sets and different applications, it is used for both data classification or regression. ELM algorithm has some problems. So this paper follow a comprehensive comparison and analysis of existing methods, future research directions are highlighted.

Key words: data mining; neural networks; extreme learning machine

隨著計算機硬件設(shè)備技術(shù)的穩(wěn)定進步為人類提供了大量的數(shù)據(jù)收集設(shè)備和存儲介質(zhì)；數(shù)據(jù)庫技術(shù)的成熟和普及已使人類積累的數(shù)據(jù)量正以指數(shù)方式增長；Internet技術(shù)的出現(xiàn)和發(fā)展已將整個世界連接成一個地球村，人們可以穿越時空在網(wǎng)上交換信息和協(xié)同工作。在這個信息爆炸的時代，面對著浩瀚無垠的信息，人類正被信息淹沒，卻饑渴于知識。人類怎樣從數(shù)據(jù)中獲取知識，就是在這個背景下，數(shù)據(jù)挖掘應(yīng)運而生。

但面對海量的不同類型的數(shù)據(jù)集，參考文獻[1]中提出了數(shù)據(jù)挖掘遇到了的三個困難：首先，巨量數(shù)據(jù)集的性質(zhì)往往非常復(fù)雜，非線性、時序性與噪音普遍存在；其次，數(shù)據(jù)分析的目標(biāo)具有多樣性，而復(fù)雜目標(biāo)無論在表述上還是處理上均與領(lǐng)域知識有關(guān)；第三，在復(fù)雜目標(biāo)下，對巨量數(shù)據(jù)集的分析，目前還沒有現(xiàn)成的滿足可計算條件的一般性理論與方法。由于真實世界的數(shù)據(jù)關(guān)系是很復(fù)雜的，非線性程度相當(dāng)高，而且普遍存在著噪音。如果把神經(jīng)計算技術(shù)用于數(shù)據(jù)挖掘中，借助神經(jīng)網(wǎng)絡(luò)的非線性處理能力和容噪能力，能夠較好的解決數(shù)據(jù)挖掘中存在的問題。但將神經(jīng)計算技術(shù)用于數(shù)據(jù)挖掘主要存在兩大障礙：第一是神經(jīng)網(wǎng)絡(luò)學(xué)到的知識難于理解；第二是學(xué)習(xí)時間太長，不適合于大型數(shù)據(jù)集。把這兩個問題解決基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘?qū)⒕哂袕V泛的應(yīng)用前景。針對上述存在的問題，基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘主要有兩方面的研究內(nèi)容，即增強神經(jīng)網(wǎng)絡(luò)的可理解性以及提高網(wǎng)絡(luò)學(xué)習(xí)速度。對于前者，主要是從神經(jīng)網(wǎng)絡(luò)中抽取易于理解的規(guī)則，后者的解決方法是設(shè)計快速學(xué)習(xí)算法。本文針對基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘存在的第二個問題，即設(shè)計快速學(xué)習(xí)算法，對目前所有的神經(jīng)網(wǎng)絡(luò)極速學(xué)習(xí)算法進行綜述。

神經(jīng)網(wǎng)絡(luò)極速學(xué)習(xí)方法主要是用于分類和回歸。分類在數(shù)據(jù)挖掘中是一項非常重要的任務(wù)，分類的目的是學(xué)會一個分類函數(shù)或分類模型（分類器），該模型能把數(shù)據(jù)集中的數(shù)據(jù)項映射到給定類別中的某一個類別，分類也可以用來預(yù)測。分類器的構(gòu)造方法有統(tǒng)計方法、機器學(xué)習(xí)方法、神經(jīng)網(wǎng)絡(luò)方法等等。另外許多技術(shù)也可以用于分類器的構(gòu)造，如粗糙集、模糊數(shù)學(xué)等。主要代表的算法有：決策分類方法代表算法有ID3算法和C4.5算法；貝葉斯分類方法代表算法有樸素貝葉斯分類方法和EM算法；規(guī)則歸納方法代表算法有AQ算法和FOIL算法；神經(jīng)網(wǎng)絡(luò)方法主要是BP算法。以上這些算法都是比較經(jīng)典且有代表性的算法。不同于傳統(tǒng)的學(xué)習(xí)方法，Huang為單隱層前饋神經(jīng)網(wǎng)絡(luò)（Single-hidden Layer Feedforward Neural Network, SLFN）提出了一種稱為極速學(xué)習(xí)機(Extreme Learning Machine, ELM)的學(xué)習(xí)方法,該方法整個過程一次完成，無需迭代，與BP相比速度顯著提高（通常10倍以上）。

1 單隱層前饋神經(jīng)網(wǎng)絡(luò)(SLFN)模型

神經(jīng)網(wǎng)絡(luò)逐步的應(yīng)用于各個領(lǐng)域，尤其是單隱層前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力強，且不同的激勵函數(shù)可以用于不同的應(yīng)用領(lǐng)域。對于N個不同的樣本(xi,ti)，其中一個隱藏層節(jié)點數(shù)目為N'激勵函數(shù)g(x)的SLFN的統(tǒng)一模型為

其中αi=[αi1, αi2,…, αin]T是連接第i個隱藏層結(jié)點的輸入權(quán)值，bi是i個隱藏層結(jié)點的偏差(bias)；βi=[βi1, βi2,…, βim]T是連接第i個隱藏層結(jié)點的輸出權(quán)值； αi.xj表示αi與xj的內(nèi)積。激勵函數(shù)g(x)可以是”Sigmoid”、”Sine”或”RBF”等。

上述N個方程的矩陣形式可寫成為： Hβ=T其中

E(W)表示期望值與實際值之間的誤差平方和，問題求解就是尋找最優(yōu)的權(quán)值W=(a,b, β)使得E(W)最小，其數(shù)學(xué)模型可表示為

其中εj=[εj1, εj2,…, εjm]是第j個樣本的誤差。

SFLN自身具有很多優(yōu)點[9-13]，所以在數(shù)據(jù)挖掘、自動控制及模式識別等領(lǐng)域取得了廣泛的應(yīng)用，它具有如下的優(yōu)點：具有很強的學(xué)習(xí)能力，能夠逼近復(fù)雜非線性函數(shù)；能夠解決傳統(tǒng)參數(shù)方法無法解決的問題。但是由于缺乏快速學(xué)習(xí)方法，傳統(tǒng)的反向誤差傳播方法主要是基于梯度下降的思想，需要多次迭代，網(wǎng)絡(luò)的所有參數(shù)都需要在訓(xùn)練過程中迭代確定。因此算法的計算量和搜索空間很大。

2 BP (Back Propagation)

由Rumelhart和 McCelland提出的BP神經(jīng)網(wǎng)絡(luò)模型是目前應(yīng)用最廣泛的模型之一[2]，BP訓(xùn)練方法是通過反向誤差傳播原理不斷調(diào)整網(wǎng)絡(luò)權(quán)值使得實際輸出與期望輸出之間的誤差平方和達(dá)到最小或小于某個閾值。當(dāng)H未知時，通常采用梯度下降法迭代調(diào)整W：

其中η代表學(xué)習(xí)速率。

基于梯度下降法BP存在以下缺點：

1) 訓(xùn)練速度慢。因為需要多次的迭代，所以時間消耗很長；

2) 參數(shù)選擇很敏感，必須選取合適的η與w初值，才能取得理想的結(jié)果。若η太小，算法收斂很慢，而η太大，算法不太穩(wěn)定甚至不再收斂；

3) 局部最小值。由于E(w)非凸，因此在下降過程中可能會陷入局部最小點，無法達(dá)到全局最小[3]；

4) 過渡擬合。在有限樣本上訓(xùn)練時，僅以訓(xùn)練誤差最小為目標(biāo)的訓(xùn)練可能導(dǎo)致過渡擬合。

3 極速學(xué)習(xí)機(ELM)

一個具有N個隱藏結(jié)點的SFLN， 即使輸入權(quán)值是隨機取值，它也能夠準(zhǔn)確擬合N個不同的實例，更明確的講， SFLN的學(xué)習(xí)能力只與隱藏層結(jié)點的數(shù)目有關(guān)，而和輸入層的權(quán)值無關(guān)。基于這一思想，為了改進SFLN的學(xué)習(xí)效率，Huang基于SFLN模型提出了一種稱為極速學(xué)習(xí)方法[5]，其基本思想是：設(shè)置合適的隱藏層結(jié)點數(shù)，為輸入權(quán)值和隱藏層偏差進行隨機賦值，然后輸出層權(quán)值通過最小二乘法計算得到。整個過程一次計算完成，不需要迭代計算，與BP相比速度提升10倍以上。

ELM算法思想及具體步驟如下:

給定一個訓(xùn)練集 激勵函數(shù)g(x)以及隱藏層結(jié)點數(shù)N’。

1) 隨機指定輸入權(quán)值和偏差(ai,bi)i=1,2,…,N。

2) 計算隱藏層輸出矩陣：

3) 計算輸出權(quán)值。

雖然使用ELM訓(xùn)練樣本與其它算法相比是更快且有較好的泛化性能[14-15]。但有兩個問題仍然沒有得到解決：一是在隱藏層中，ELM的隱藏結(jié)點數(shù)目需要被確定，在前面的研究中，隱藏結(jié)點的數(shù)目是通過實驗和誤差方法得到，但這不是最優(yōu)的，對于不同的應(yīng)用怎樣選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)仍然是未知的；二是ELM有時需要很大的網(wǎng)絡(luò)結(jié)構(gòu)(隱藏結(jié)點的數(shù)目很多)，由于初始階段是一個隨機過程，網(wǎng)絡(luò)的復(fù)雜性會影響到算法的泛化性能。

4 啟發(fā)式方法

基于以上研究，參考文獻[8]中提出了兩種啟發(fā)式的方法對ELM算法進行改進：剪枝方法和增長方法，就是移除隱藏結(jié)點和增加隱藏結(jié)點。

4.1 剪枝方法

為了解決以上存在的兩個問題，Rong在參考文獻[6]中提出了一種剪枝算法P-ELM(Pruned ELM)應(yīng)用于模式分類中，其基本思想是：首先隨機生成一個大的網(wǎng)絡(luò)，然后使用?字2和信息增益方法來移除隱藏結(jié)點來降低類間的相關(guān)性。

同樣基于以上的兩個問題，在解決分類和回歸兩大類問題時，還有另外一種剪枝算法OP-ELM(Optimally pruned extreme learning machine)在參考文獻[7]中被提出。此算法的基本思想是：首先基于原始的ELM算法構(gòu)建MLP(Multilayer Perceptron)；使用MRSR(Multiresponse sparse regression)算法對隱藏結(jié)點進行排序[15]；使用LOO(Leave-One-Out)選擇隱藏結(jié)點。

雖然提出了P-ELM 和OP-ELM兩種剪枝方法，但在參考文獻[8]中作者提出剪枝方法面臨著這樣的兩個困難：在開始移除隱藏結(jié)點之前，要確定網(wǎng)絡(luò)最終的規(guī)模是很難的；在很多時候，剪枝方法要處理網(wǎng)絡(luò)規(guī)模(應(yīng)該移除隱藏節(jié)點的選擇)，這樣會增加計算復(fù)雜性和需要更多的訓(xùn)練時間。這樣雖然降低了網(wǎng)絡(luò)的復(fù)雜性，但是以計算時間為代價。

4.2 增長方法

雖然剪枝方法很容易被理解，它花費了大量時間來處理移除的隱藏結(jié)點，如果訓(xùn)練樣本很大，此算法的效率會變得更差。研究者們又提出了新的啟發(fā)式方法，增加隱藏節(jié)點到隱藏層。

4.2.1 I-ELM(Incremental extreme learning machine)

在參考文獻[16-17]中提出了I-ELM(Incremental extreme learning machine)。I-ELM學(xué)習(xí)方法的基本思想：在學(xué)習(xí)訓(xùn)練的過程中，一個一個的隨機生成隱藏結(jié)點增加到隱藏層，當(dāng)新的隱藏結(jié)點增加到網(wǎng)絡(luò)中時，輸出權(quán)值不會被重計算，既輸出權(quán)值不會被更新，添加隱藏結(jié)點以后重新調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)。此種方法被證明是滿足實際需求的方法。但是這種方法得不到最佳的網(wǎng)絡(luò)結(jié)構(gòu)，它增加隱藏結(jié)點的停止標(biāo)準(zhǔn)是隱藏節(jié)點達(dá)到最大值或是訓(xùn)練率小于期望值，最大隱藏節(jié)點的數(shù)目和訓(xùn)練率是由用戶規(guī)定的。用戶沒有標(biāo)準(zhǔn)判斷最大隱藏結(jié)點的數(shù)目和訓(xùn)練精度應(yīng)該是多大，所以這種方法得到的網(wǎng)絡(luò)結(jié)構(gòu)不是最優(yōu)的。

為了改進I-ELM的性能，Huang 和Chen在參考文獻[16]中提出了EI-ELM(Enhanced random search based incremental extreme learning machine)方法，此算法比I-ELM有更好的泛化性能。

4.2.2 EM-ELM(Error minimized extreme learning machine)

其思想不同于I-ELM的思想，Huang 和Feng在參考文獻[18]中提出了EM-ELM(Error minimized extreme learning machine)方法其基本思想是：隨機生成多個隱藏結(jié)點并將它們及時添加于隱藏層，輸出權(quán)值同時被更新，更新后重新調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，直到達(dá)到訓(xùn)練精確度或最大隱藏結(jié)點數(shù)目。訓(xùn)練精確度和最大隱藏結(jié)點數(shù)目是由用戶自己規(guī)定的。

I-ELM和 EM-ELM這兩種增長方法，它們的思想都是添加隱藏結(jié)點到隱藏層，然后重新調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)。但是他們停止增加隱藏結(jié)點的條件都是達(dá)到最大隱藏結(jié)點的數(shù)目或達(dá)到訓(xùn)練精確度，而這兩個參數(shù)是由用戶規(guī)定的，對于不同的應(yīng)用，用戶應(yīng)該如何設(shè)置這樣的參數(shù)也沒有標(biāo)準(zhǔn)。所以通過這兩種方法得到的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)也不是最優(yōu)的。

4.2.3 CS-ELM(A Constructive hidden nodes selection method for ELM)

在I-ELM和 EM-ELM算法中，用戶如何確定隱藏結(jié)點最大數(shù)目和訓(xùn)練精確度，還是一個未知的問題，這樣會導(dǎo)致所產(chǎn)生的網(wǎng)絡(luò)結(jié)構(gòu)不是最佳的。所以在參考文獻[19]中提出一種新的方法即CS-ELM(A Constructive hidden nodes selection method for ELM)，此方法的基本思想是：隨機生成一個隱藏結(jié)點作為候選庫，從候選庫中選擇最重要的結(jié)點來調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，在訓(xùn)練的過程中，主要是要選擇最佳隱藏結(jié)點的數(shù)目。當(dāng)隱藏結(jié)點的選擇標(biāo)準(zhǔn)是：當(dāng)無偏風(fēng)險估計標(biāo)準(zhǔn)CP達(dá)到最小時，隱藏結(jié)點的數(shù)目達(dá)到最佳。此方法主要有3個步驟：初始化階段，將訓(xùn)練數(shù)據(jù)集分成不相交的兩部分；選擇階段，選擇最佳的隱藏結(jié)點數(shù)P*；訓(xùn)練和測試階段，根據(jù)選擇的P*重新構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)，對數(shù)據(jù)集進行訓(xùn)練和測試。

CS-ELM算法的基本思想及步驟如下：

給定一個訓(xùn)練數(shù)據(jù)集{(xi,ti)}2n i=1、激勵函數(shù)g(x)以及隱藏結(jié)點的最大數(shù)目Lmax。

第一階段：把訓(xùn)練數(shù)據(jù)集分成不相交的兩個子集，使用ELM模型隨機生成隱藏結(jié)點{(ai,bi)}Lmax i=1，經(jīng)訓(xùn)練得到矩陣t=Hβ+e,H=[h1,h2,…,hL]（ 注：矩陣e是殘差矩陣）。

第二階段：當(dāng)k=0設(shè)置L0=0,y(0)=0, β(0)=0,p=?準(zhǔn)和Hp=0。將矩陣H和t零均值化。

不斷迭代計算殘差，使無偏風(fēng)險估計標(biāo)準(zhǔn)CP達(dá)到最小時，隱藏結(jié)點的數(shù)目達(dá)到最佳。

第三階段：第二階段得到最佳的隱藏結(jié)點數(shù)目以后重構(gòu)網(wǎng)絡(luò)，對分組的數(shù)據(jù)進行訓(xùn)練和測試。

CS-ELM與I-ELM和 EM-ELM相比，能夠重構(gòu)最佳的網(wǎng)絡(luò)結(jié)構(gòu)，但是CS-ELM算法是一種貪心方法，當(dāng)隱藏結(jié)點數(shù)P*被確定時，可能會影響后面隱藏結(jié)點的選擇，當(dāng)一個新的隱藏結(jié)點增加于隱藏層時，之前確定的P*就變得不重要。

4.2.4 TS-ELM(Two-stage extreme learning machine for regression)

除了上面這些方法外，在參考文獻[20-23]中提出的OLS(Orthogonalleastsquares)也是一種比較流行的算法。但OLS算法也不是一種很好的算法，它也只是一種貪心的算法，只能達(dá)到局部最優(yōu)?；贠LS算法的思想，Li在參考文獻[24]中提出FCA(fast construction algorithm)，此算法先基于SFLN模型隨機生成隱藏結(jié)點，選擇重要的隱藏結(jié)點一個一個的添加于隱藏層中，整個過程依賴于矩陣分解，選擇隱藏結(jié)點的停止標(biāo)準(zhǔn)是隱藏結(jié)點的數(shù)目達(dá)到默認(rèn)值。添加隱藏結(jié)點以后重新調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，對數(shù)據(jù)集進行訓(xùn)練和測試。FCA算法與ELM和OLS相比是更快的和更好的。

基于FCA和CS-ELM算法思想，Yuan等人在參考文獻[8]中提出了TS-ELM(Two-stage extreme learning machine for regression)，此算法分成兩個步驟：第一階段，隨機生成隱藏結(jié)點于網(wǎng)絡(luò)模型中，作為隱藏結(jié)點候選庫，使用前向回歸算法選擇隱藏結(jié)點添加于網(wǎng)絡(luò)中，直到無偏風(fēng)險估計標(biāo)準(zhǔn)CP達(dá)到最小值，通過隱藏結(jié)點的網(wǎng)絡(luò)貢獻度來衡量隱藏結(jié)點的重要性。第二階段，選擇的隱藏結(jié)點被修正，一些不重要的隱藏結(jié)點被移除，降低網(wǎng)絡(luò)的復(fù)雜性。該算法通過計算隱藏結(jié)點的網(wǎng)絡(luò)貢獻度，作為衡量隱藏結(jié)點重要程度的度量標(biāo)準(zhǔn)，選擇重要的隱藏結(jié)點添加網(wǎng)絡(luò)并重構(gòu)網(wǎng)絡(luò)，移除不重要的結(jié)點來降低網(wǎng)絡(luò)復(fù)雜性，此算法的泛化性能和學(xué)習(xí)能力得到均衡，重構(gòu)的網(wǎng)絡(luò)也是最佳的。

5 極速學(xué)習(xí)方法（ELM）的應(yīng)用

神經(jīng)網(wǎng)絡(luò)的應(yīng)用十分廣泛，尤其是單隱層前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力強，不同的激勵函數(shù)可以用于不同的應(yīng)用領(lǐng)域。為了提高單隱層前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和泛化性能，提出了極速學(xué)習(xí)方法，該方法整個過程一次完成，無需迭代，與BP相比速度顯著提高（通常10倍以上）。比較常見的應(yīng)用領(lǐng)域有：傳感器信息處理、信號處理、自動控制、知識處理、市場分析、運輸及通信、電子學(xué)、神經(jīng)科學(xué)等幾個方面，除了以上這些，神經(jīng)網(wǎng)絡(luò)在下面這些領(lǐng)域也有著廣泛的應(yīng)用前景：娛樂、零售分析、信用分析、航空與航天和醫(yī)療診斷系統(tǒng)等[25]。極速學(xué)習(xí)方法是基于BP的改進學(xué)習(xí)方法，在以上這些領(lǐng)域，它也將有著廣泛的應(yīng)用前景。

6 總結(jié)

學(xué)習(xí)性能和泛化性能是神經(jīng)網(wǎng)絡(luò)研究中的最重要的兩個問題,當(dāng)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力較強時,會導(dǎo)致過度擬合問題，使得神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)果很好，但用來預(yù)測未知數(shù)據(jù)時表現(xiàn)很差，即泛化性能差，所以神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性能和泛化性能是一對矛盾。為了使兩者均衡，選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)（如隱藏神經(jīng)元的數(shù)目）、選擇合適的樣本尺寸和選擇合適的模型以及樣本特征集的選擇等這幾方面是很重要。在目前的研究中，為了使神經(jīng)網(wǎng)絡(luò)的泛化性能和學(xué)習(xí)能力得到均衡，研究者們主要是隱藏結(jié)點的選擇對網(wǎng)絡(luò)結(jié)構(gòu)進行調(diào)整，以提升學(xué)習(xí)能力和泛化性能。而在網(wǎng)絡(luò)模型中的輸入權(quán)值和偏差并沒有單獨考慮，只是配合隱藏結(jié)點的選擇而選擇，但網(wǎng)絡(luò)的學(xué)習(xí)性能和泛化性能也必和這兩個參數(shù)有關(guān)系，所以這兩個參數(shù)應(yīng)該被考慮。對于不同的數(shù)據(jù)集，不同的應(yīng)用領(lǐng)域，應(yīng)該如何調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)也是一個未知的問題，如果要將神經(jīng)網(wǎng)絡(luò)極速學(xué)習(xí)方法真正用于不同的領(lǐng)域，這些都是必需要考慮的。在未來的研究中，將在線學(xué)習(xí)與遺傳算法、ELM及SVM結(jié)合起來將是一個值得研究的問題。在應(yīng)用方面，可以用于任何分類問題和回歸問題中，如何將神經(jīng)網(wǎng)絡(luò)極速學(xué)習(xí)方法用于具體的應(yīng)用領(lǐng)域是一個值得研究的課題。

參考文獻：

[1] 陳兆乾,周志華,陳世福.神經(jīng)計算研究現(xiàn)狀及發(fā)展趨勢[J].計算機應(yīng)用研究,2000(2):34-37.

[2] Rumelhart D E,McClelland J L. Paraller Distributed Processing[J].Cambridge:MIT Press,1986,1(2):125-187.

[3] Cristianini N, Shawe-Taylor J. An Introduction to Support Vector Machimes[J].Cambridge: Cambridge University Press,2000.

[4] Huang G-B.Learning capability and storage capacity of two hidden-layer feedforward networks[J]. IEEE Transactions on Neural Networks.2003.14(2):274-281

[5] Huang G-B, Zhu Q-Y, Siew C-K. Extreme learning machine: theory and application[J].Neurocomputing,2006,70(1-3):489-501.

[6] H-J Rong, Y-S.Ong, A-H.Tan,Z. A fast pruned-extreme learning machine for classication problem[J], Neurocomputing 72(2008) 359-366.

[7] Miche Y,Sorjama A, Lendasse A,OP-ELM:theory, experiments and a toolbox, in:V,Kurkov,R.Neruda,J.Koutnk(Eds.)ICANN.(1).ofLectureNotesinComputerScience,vol.5163,2008:145-154.

[8] YuanLan, YengChai Soh,Huang G-B. Two-stage extreme learning machine for regression[J].Neurocomputing73(2010)3028-3038.

[9] Park J, Sandberg I W, Universal approximation using radial basis function networks[J].Neural computation3(1991)246¨C257.

[10] Huang G B, Babri H A, Up perbounds on the number of hidden neurons in feedforward networks with arbitrary bounded non linear activation functions[J], IEEE Transaction son Neural Networks9(1)(1998)224¨C229.

[11] Huang G B, Chen Y Q, Babri H A.Classication ability of single hidden layer feedforward neural networks[J].IEEE Transaction son Neural Networks11(3)(2000)799¨C801.

[12] Mao K Z,G.-B.Huang,Neuron selection for RBF neural network classier Based on data structure preserving criterion[J].IEEE Transactions on Neural Networks16(6)(2005)1531¨C1540.

[13] Ferrari S, Stengel R F, Smooth function approximation using neural networks[J]. IEEE Transaction son Neural Networks16(1)(2005)24¨C38.

[14] Huang G B, Zhu Q Y, Siew C K, Extreme learning machine: a new learning scheme of feedforward neural networks[J]. in: Proceeding soInternational Joint Conference on Neural Networks,vol.2,Budapest,Hungary,25¨C29July2004 pp.985¨C990.

[15] Simila T, Tikka J. Multiresponse sparse regression with application to multidimensional scaling[J].in:Proceeding soft the 15th International Conference on Articial Neural Networks, ICANN2005,vol.3697,pp.97¨C102 2005.

[16] Huang G B, Chen L. Enhanced random search based incremental extreme Learningmachine[J].Neurocomputing71(2008)3060¨C3068

[17] Huang G B, Chen L. Convexin cremental extreme learning machine[J], Neurocomputing 70(2007)3056¨C3062

[18] Feng G, Huang G B, Q.Lin,R.Gay, Error minimized extreme learning Machine with growth of hidden nodes and incremental learning[J].IEEETransactionson Neural Networks 20(8)(2009)1352¨C1357.

[19] Lan Y, Soh Y C, Huang G B. Constructive hidden nodes selection of extreme Learning machine for regression[J].Neurocomputing(2010).doi:10.1016/j.neucom.2010.05.022.

[20] Chen S, Billings S A, Luo W. Orthogonal least squares methods and their Application to non-linear system midentication[J].International Journal of Control50(5)(1989)1873¨C1896.

[21] Chen S, Cowan C F N, Grant P M.Orthogonal least squares learning Algorithm for radial basis function networks[J].IEEE TransactionsonNeuralNetworks2(2)(1991)302¨C309.

[22] Chen S, Wigger J. Fast orthogonal least squares algorithm for efficient subset Modelselection[J],IEEETransactionsonSignalProcessing43(7)(1995)1713¨C1715.

[23] Zhu Q M, Billings S A.Fast orthogonal identication of nonlinear stochastic Models and radial basis function neural networks[J],International Journal of Control64(5)(1996)871¨C886.

神經(jīng)網(wǎng)絡(luò)經(jīng)濟學(xué)范文第2篇

關(guān)鍵詞: 神經(jīng)網(wǎng)絡(luò);模擬項目;三部曲式

一、引言

我國高職院校以服務(wù)為宗旨,以就業(yè)為導(dǎo)向,以技能為本位,以培養(yǎng)新型生產(chǎn)技術(shù)、管理一線需要的緊缺型技能人才為目標(biāo),為推進我國加快社會主義現(xiàn)代化建設(shè)進程中具有不可替代的作用.而模擬項目教學(xué)是高職、中職教育的核心組成部分.在教育部明確規(guī)定:高職教育人才培養(yǎng)模式的重點是教學(xué)過程的實踐性、項目性、職業(yè)性和進程性,而項目、挖掘、融合、進程是四個關(guān)鍵技術(shù)環(huán)節(jié).最近我國高職教育蓬勃發(fā)展、競爭日趨激烈,如何提高高職教學(xué)質(zhì)量、增強學(xué)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(xué)質(zhì)量的評估是提高高職教學(xué)質(zhì)量的有效模式,必將對高職院校提高教學(xué)質(zhì)量、增強學(xué)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(xué)“模擬項目嵌入式融合、校企合作”的辦學(xué)特點,從高職院校模擬項目教學(xué)質(zhì)量“三部曲式”環(huán)節(jié)人手,搭建高職院校模擬項目教學(xué)質(zhì)量評估指標(biāo)體系,以高職院校模擬項目教學(xué)質(zhì)量評估提供一種科學(xué)進程性的方法.

二、基于神經(jīng)網(wǎng)絡(luò)的高職模擬項目教學(xué)質(zhì)量“三部曲式”模式

2.1神經(jīng)網(wǎng)絡(luò)原理

神經(jīng)網(wǎng)絡(luò)的全稱是人工神經(jīng)網(wǎng)絡(luò),它是在神經(jīng)科學(xué)研究的基礎(chǔ)上模仿人類大腦的結(jié)構(gòu)和功能而構(gòu)成的一種信息采集處理系統(tǒng).神經(jīng)網(wǎng)絡(luò)由大量的神經(jīng)元互相連接而成,它的信息處理通過神經(jīng)元的相互作用來實現(xiàn),知識與信息的存儲表現(xiàn)為物聯(lián)網(wǎng)技術(shù)接點互聯(lián)嵌入式的物理關(guān)系.因此,它為模式識別、非線性分類等研究開辟了新的術(shù)語.

2.2基于神經(jīng)網(wǎng)絡(luò)評估原理

神經(jīng)網(wǎng)絡(luò)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(wǎng)絡(luò)結(jié)構(gòu),它的上下層之間實現(xiàn)全神經(jīng)元連接.神經(jīng)網(wǎng)絡(luò)是利用非線性可微積分函數(shù)進行權(quán)值訓(xùn)練的多層網(wǎng)絡(luò).為了加快網(wǎng)絡(luò)訓(xùn)練的收斂速度,采用變化的學(xué)習(xí)速率或自適應(yīng)的學(xué)習(xí)速率對BP算法加以改進優(yōu)化.神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)通過對簡單的非線性函數(shù)進行數(shù)次復(fù)合,可得出近似復(fù)雜的函數(shù).

我將高職模擬項目教學(xué)質(zhì)量評估的各指標(biāo)屬性值進行歸一化處理后作為BP神經(jīng)網(wǎng)絡(luò)模式的輸入向量,將評估結(jié)果作為神經(jīng)網(wǎng)絡(luò)模式的輸出,用足夠多的樣本訓(xùn)練這個網(wǎng)絡(luò),使其獲取評估專家的經(jīng)驗、知識、主觀判斷及其對指標(biāo)重要性的傾向,這樣神經(jīng)網(wǎng)絡(luò)模式所具有的那組權(quán)系數(shù)值便是網(wǎng)絡(luò)經(jīng)過自適應(yīng)學(xué)習(xí)所得到的正確知識內(nèi)部表示,訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模式根據(jù)待評估各指標(biāo)的歸屬值,就可得到對高職模擬項目教學(xué)質(zhì)量評估的評估結(jié)果.

2.3基于高職項模擬目教學(xué)質(zhì)量“三部曲式”指標(biāo)體系的建設(shè)

“三部曲式”指標(biāo)體系的搭建是高職院校模擬項目教學(xué)質(zhì)量評估的核心內(nèi)容.“三部曲式”指標(biāo)體系設(shè)計的科學(xué)與否,是高職院校模擬項目教學(xué)質(zhì)量評估成敗的關(guān)鍵所在.為了突出高職院校模擬項目教學(xué)的特色,體現(xiàn)高職院校模擬項目教學(xué)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(fā),確立模擬項目教學(xué)質(zhì)量“三部曲式”指標(biāo)體系如表1所示.

2.4基于高職模擬項目教學(xué)質(zhì)量評估模式建立

神經(jīng)網(wǎng)絡(luò)的輸入和輸出層的神經(jīng)元數(shù)目,是由輸入和輸出向量的維數(shù)確定的,輸入向量的維數(shù)也是影響元素的個數(shù),這里綜合考慮影響模擬項目教學(xué)質(zhì)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(xué)質(zhì)量“三部曲式”指標(biāo)體現(xiàn)中的29個元素,所以輸入層的神經(jīng)元個數(shù)為29.輸出層作為模擬項目教學(xué)質(zhì)量評估結(jié)果的網(wǎng)絡(luò)輸出,神經(jīng)元個數(shù)確定為1,目標(biāo)輸出模式為(O,1)間的一個數(shù),評估集設(shè)為(優(yōu)秀、良好、合格、不合格),對應(yīng)的指數(shù)區(qū)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(shù),因此,輸出層神經(jīng)元的傳遞函數(shù)可選用S型對數(shù)函數(shù)了logsig型.實踐證明,隱含層數(shù)目的增加可以提高神經(jīng)網(wǎng)絡(luò)的非線性映射能力,但是隱含層數(shù)目超過一定值,網(wǎng)絡(luò)性能反而會降低.在合理的結(jié)構(gòu)和恰當(dāng)?shù)臋?quán)值條件下,3層BP神經(jīng)網(wǎng)絡(luò)可以逼近任意的連續(xù)函數(shù).因此這里采用結(jié)構(gòu)相對簡單的3層BP網(wǎng)絡(luò).隱含層的神經(jīng)元個數(shù)直接影響著網(wǎng)絡(luò)的非線性預(yù)測性能.根據(jù)Kolmogorov定理,設(shè)定網(wǎng)絡(luò)的隱含層神經(jīng)元個數(shù)為27.

表一高職院校模擬項目教學(xué)質(zhì)量“三部曲式”指標(biāo)體系

三、神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與算法

神經(jīng)網(wǎng)絡(luò)對模擬項目教學(xué)質(zhì)量評估系統(tǒng)進行辯識模擬.主要進行非線性系統(tǒng)的輸出輸入映射關(guān)系建模.其主要結(jié)構(gòu)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(jīng)元(節(jié)點)構(gòu)成,每一個節(jié)點的輸出值由輸入值、作用函數(shù)和閾值決定.(圖一)

該模型由三層神經(jīng)元組成:輸入層、隱含層和輸出層,不同層之間的神經(jīng)元采用全互聯(lián)方式,同一層的神經(jīng)元之間不存在互相連接。輸入層為經(jīng)過標(biāo)準(zhǔn)化處理的各評價指標(biāo)值,輸出層只有一個神經(jīng)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(shù),以期使網(wǎng)絡(luò)的實際輸出值與期望輸出值的誤差均方值最小,網(wǎng)絡(luò)的學(xué)習(xí)過程是誤差一邊向后傳播一邊修正加權(quán)系數(shù)的過程,故可用其對模擬教學(xué)質(zhì)量評估體系進行識別.

設(shè)網(wǎng)絡(luò)的輸入向量其中X是模擬教學(xué)質(zhì)量評估系統(tǒng)各個指標(biāo)體系.由于輸入樣本為29維的輸入向量,因此這里n=29.網(wǎng)絡(luò)的隱含層為:;其中,{}為權(quán)系數(shù);a()為系統(tǒng)的傳遞函數(shù)或激勵函數(shù).網(wǎng)絡(luò)的輸出層為: 其中,是神經(jīng)往來系統(tǒng)的輸出變量;{}為權(quán)系數(shù).設(shè)準(zhǔn)則函數(shù)為:BP算法可使性能指標(biāo)最小化,為了保證系統(tǒng)的全局穩(wěn)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(jīng)網(wǎng)絡(luò)辨識模擬器的輸出比較,使,其中為一個很小的數(shù),如果不滿足要求,則不斷調(diào)整權(quán)系數(shù),以達(dá)到期望要求.根據(jù)反向傳播計算公式,可得如下權(quán)系數(shù)學(xué)習(xí)規(guī)律.其中為學(xué)習(xí)修正率0≤1.

四、高職模擬項目教學(xué)質(zhì)量“三部曲式”模式的實現(xiàn)

網(wǎng)絡(luò)結(jié)構(gòu)及算法確定以后,需要利用樣本數(shù)據(jù)通過一定的學(xué)習(xí)規(guī)則訓(xùn)練,以提高網(wǎng)絡(luò)的適應(yīng)能力.由1分析此模式的實現(xiàn)采用BP三層網(wǎng)絡(luò)結(jié)構(gòu),利用軟件MATLAB建模型,輸入層29個神經(jīng)元,隱含層27個神經(jīng)元,輸出層1個神經(jīng)元,訓(xùn)練步數(shù)50,目標(biāo)誤差為0.001,網(wǎng)絡(luò)訓(xùn)練次數(shù)100次.

五、結(jié)束語

通過BP神經(jīng)網(wǎng)絡(luò)測試結(jié)果進行分析,證明模擬項目教學(xué)質(zhì)量“三部曲式”指標(biāo)體系及神經(jīng)網(wǎng)絡(luò)評估模式是科學(xué)、合理的,可操作的,它克服了以往教學(xué)評估中的主觀性較強的缺點.而這種模式的應(yīng)用為高職院校模擬項目教學(xué)質(zhì)量評估提供一種新的思路和新的評估方法.

參考文獻:

神經(jīng)網(wǎng)絡(luò)經(jīng)濟學(xué)范文第3篇

由于人體與疾病的復(fù)雜性，不可預(yù)測性，非常適合人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用。目前的研究幾乎涉及從基礎(chǔ)醫(yī)學(xué)到臨床醫(yī)學(xué)的所有方面，主要應(yīng)用于生物信號的檢測與自動分析，醫(yī)學(xué)專家系統(tǒng)等。

在麻醉與危重醫(yī)學(xué)相關(guān)領(lǐng)域的研究涉及到多生理變量的分析與預(yù)測，從臨床數(shù)據(jù)中發(fā)現(xiàn)一些尚未發(fā)現(xiàn)或尚無確切證據(jù)的關(guān)系與現(xiàn)象，信號處理，干擾信號的自動區(qū)分檢測，各種臨床狀況的預(yù)測，單獨或結(jié)合其他人工智能技術(shù)進行麻醉閉環(huán)控制等。

在圍術(shù)期和重癥監(jiān)護與治療階段，需要獲取大量的信息，將可能在信號處理、基于動態(tài)數(shù)據(jù)驅(qū)動的輔助決策專家系統(tǒng)、數(shù)據(jù)挖掘、各種臨床狀況的預(yù)測、智能化床旁監(jiān)護、遠(yuǎn)程醫(yī)療與教學(xué)、醫(yī)療機器人等各方面廣泛運用到人工神經(jīng)網(wǎng)絡(luò)技術(shù)和其他人工智能技術(shù)。

一、概述

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN）是人工智能(Artificial Intelligence， AI)學(xué)科的重要分支。經(jīng)過50多年的發(fā)展，已成為一門應(yīng)用廣泛，涉及神經(jīng)生理學(xué)、認(rèn)識科學(xué)、數(shù)理科學(xué)、心理學(xué)、信息科學(xué)、計算機科學(xué)、微電子學(xué)等多學(xué)科交叉、綜合的前沿學(xué)科。

現(xiàn)代計算機的計算構(gòu)成單元的速度為納秒級，人腦中單個神經(jīng)細(xì)胞的反應(yīng)時間為毫秒級，計算機的運算能力為人腦的幾百萬倍?？墒牵駷橹?，計算機在解決一些人可以輕而易舉完成的簡單任務(wù)時，例如視覺、聽覺、嗅覺，或如人臉識別、騎自行車、打球等涉及聯(lián)想或經(jīng)驗的問題時卻十分遲鈍。也不具備人腦的記憶與聯(lián)想能力，學(xué)習(xí)與認(rèn)知能力，信息的邏輯和非邏輯加工能力，信息綜合判斷能力，快速的高度復(fù)雜信息處理速度等。

造成這種問題的根本原因在于，計算機與人腦采取的信息處理機制完全不同。迄今為止的各代計算機都是基于馮*紐曼工作原理：其信息存儲與處理是分開的；處理的信息必須是形式化信息，即用二進制編碼定義；而信息處理的方式必須是串行的。這就決定了它只擅長于數(shù)值和邏輯運算。而構(gòu)成腦組織的基本單元是神經(jīng)元，每個神經(jīng)元有數(shù)以千計的通道同其他神經(jīng)元廣泛相互連接，形成復(fù)雜的生物神經(jīng)網(wǎng)絡(luò)。生物神經(jīng)網(wǎng)絡(luò)以神經(jīng)元為基本信息處理單元， 對信息進行分布式存儲與加工， 這種信息加工與存儲相結(jié)合的群體協(xié)同工作方式使得人腦呈現(xiàn)出目前計算機無法模擬的神奇智能。

人工神經(jīng)網(wǎng)絡(luò)就是在對人腦神經(jīng)網(wǎng)絡(luò)的基本研究的基礎(chǔ)上，采用數(shù)理方法和信息處理的角度對人腦神經(jīng)網(wǎng)絡(luò)進行抽象，并建立的某種簡化模型。一個人工神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元節(jié)點互連而成的復(fù)雜網(wǎng)絡(luò)，用以模擬人類進行知識的表示與存儲以及利用知識進行推理的行為。一個基于人工神經(jīng)網(wǎng)絡(luò)的智能系統(tǒng)是通過學(xué)習(xí)獲取知識后建立的，它通過對大量實例的反復(fù)學(xué)習(xí)，由內(nèi)部自適應(yīng)機制使神經(jīng)網(wǎng)絡(luò)的互連結(jié)構(gòu)及各連接權(quán)值穩(wěn)定分布，這就表示了經(jīng)過學(xué)習(xí)獲得的知識。

人工神經(jīng)網(wǎng)絡(luò)是一種非線性的處理單元。只有當(dāng)神經(jīng)元對所有的輸入信號的綜合處理結(jié)果超過某一門限值后才輸出一個信號。因此神經(jīng)網(wǎng)絡(luò)是一種具有高度非線性的超大規(guī)模連續(xù)時間動力學(xué)系統(tǒng)。它突破了傳統(tǒng)的以線性處理為基礎(chǔ)的數(shù)字電子計算機的局限，標(biāo)志著人們智能信息處理能力和模擬人腦智能行為能力的一大飛躍。

近20年來，神經(jīng)網(wǎng)絡(luò)的軟件模擬得到了廣泛研究和應(yīng)用，發(fā)展速度驚人。1987年在圣地亞哥召開了首屆國際神經(jīng)網(wǎng)絡(luò)大會，國際神經(jīng)網(wǎng)絡(luò)聯(lián)合會(INNS)宣告成立。這標(biāo)志著世界范圍內(nèi)掀起神經(jīng)網(wǎng)絡(luò)開發(fā)研究熱潮的開始。

二、醫(yī)學(xué)領(lǐng)域應(yīng)用現(xiàn)狀與前景

由于人體與疾病的復(fù)雜性，不可預(yù)測性，在生物信號與信息的表現(xiàn)形式、變化規(guī)律（自身變化與醫(yī)學(xué)干預(yù)后變化），對其檢測與信號表達(dá)，獲取的數(shù)據(jù)及信息的分析、決策等諸多方面均存在大量復(fù)雜的非線性關(guān)系，非常適合人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用。目前的研究幾乎涉及從基礎(chǔ)醫(yī)學(xué)到臨床醫(yī)學(xué)的所有方面，主要應(yīng)用于生物信號的檢測與自動分析，醫(yī)學(xué)專家系統(tǒng)等。

1、信號處理：

在生物醫(yī)學(xué)信號的檢測和分析處理中主要集中對心電、腦電、肌電、胃腸電等信號的識別，腦電信號的分析，聽覺誘發(fā)電位信號的提取，醫(yī)學(xué)圖像的識別和數(shù)據(jù)壓縮處理等。

2、醫(yī)學(xué)專家系統(tǒng)

醫(yī)學(xué)專家系統(tǒng)就是運用專家系統(tǒng)的設(shè)計原理與方法， 模擬醫(yī)學(xué)專家診斷、治療疾病的思維過程編制的計算機程序， 它可以幫助醫(yī)生解決復(fù)雜的醫(yī)學(xué)問題， 作為醫(yī)生診斷、治療的輔助工具。 “傳統(tǒng)”的專家系統(tǒng)，通過把專家的經(jīng)驗和知識以規(guī)則的形式存入計算機中，建立知識庫，用邏輯推理的方式進行醫(yī)療診斷。但一些疑難病癥的復(fù)雜形式使其很難用一些規(guī)則來描述，甚至難以用簡單的語言來表達(dá)；專家們常常難以精確分析自己的智能診斷過程。另一方面，基于規(guī)則的專家系統(tǒng)，隨著數(shù)據(jù)庫規(guī)模的增大，可能導(dǎo)致組合爆炸，推理效率很低。由于人工神經(jīng)網(wǎng)絡(luò)能夠解決知識獲取途徑中出現(xiàn)的“瓶頸”現(xiàn)象、知識“組合爆炸”問題以及提高知識的推理能力和自組織、自學(xué)習(xí)能力等等， 從而加速了神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)專家系統(tǒng)中的應(yīng)用和發(fā)展。

Sordo比較了采用不同網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)算法的神經(jīng)網(wǎng)絡(luò)在診斷胎兒唐氏綜合征(Down’s Syndrome) 上的成績。正確分類率為84 %， 超過了現(xiàn)今所用的統(tǒng)計方法的60 %～70 % 的分類率。

臺灣DEU科技（德亞科技）開發(fā)的計算機輔助檢測系統(tǒng)Rapid ScreenTM RS-2000為全世界最先通過美國FDA認(rèn)證的早期肺癌輔助診測系統(tǒng)。該產(chǎn)品采用人工智能神經(jīng)網(wǎng)絡(luò)ANN，自動標(biāo)識數(shù)字胸片中可疑結(jié)節(jié)區(qū)。經(jīng)臺灣和美國的臨床實驗，可使放射專家檢測T1期肺癌的能力明顯提高(潛在提升約15 %以上)。

DeGroff等使用電子聽診器和人工神經(jīng)網(wǎng)絡(luò)制造了一種儀器，它可正確地區(qū)分兒童生理性和病理性雜音。用電子聽診器記錄的兒童心音，輸入能識別復(fù)雜參數(shù)的ANN，分析的敏感性和特異性均達(dá)100%。

3、其他：

生物信息學(xué)中的研究中可應(yīng)用于基因組序列分析、蛋白質(zhì)的結(jié)構(gòu)預(yù)測和分類、網(wǎng)絡(luò)智能查詢等方面。

藥學(xué)領(lǐng)域廣泛應(yīng)用于定量藥物設(shè)計、藥物分析、藥動/藥效學(xué)等方面。例如：用于預(yù)測藥物效應(yīng)。Veng-Pederson用神經(jīng)網(wǎng)絡(luò)預(yù)測阿芬太尼對兔心率的影響，對用藥后180-300分鐘的藥物效應(yīng)取得了較好的預(yù)測結(jié)果（平均相對預(yù)測準(zhǔn)確度達(dá)78%）。分析群體藥動學(xué)數(shù)據(jù)，以獲知群體藥動學(xué)特征和不同人口統(tǒng)計因子對藥物行為的影響，對臨床用藥具有指導(dǎo)意義。

4、麻醉與危重醫(yī)學(xué)相關(guān)領(lǐng)域的研究

手術(shù)室和ICU內(nèi)是病人信息富集的地方，而且大量的信息處在動態(tài)變化中，隨著醫(yī)學(xué)技術(shù)的飛速進步，所能獲取的信息越來越多，醫(yī)護人員面臨著“信息轟炸”。神經(jīng)網(wǎng)絡(luò)技術(shù)可以很好地幫助我們應(yīng)對這些問題。例如：

1）可以用于分析多個生理變量之間的關(guān)系，幫助研究其內(nèi)在的關(guān)系，或預(yù)測一些變量之間的關(guān)系：Perchiazzi在肺損傷和正常的豬容量控制機械通氣中，用ANN估計肺順應(yīng)性的變化，不需要中斷呼吸，與標(biāo)準(zhǔn)方法相比誤差很小。

2）結(jié)合數(shù)據(jù)挖掘技術(shù)，可能從海量數(shù)據(jù)庫例如電子病歷系統(tǒng)中，發(fā)現(xiàn)一些尚未發(fā)現(xiàn)或尚無確切證據(jù)的關(guān)系與現(xiàn)象：Buchman 研究了神經(jīng)網(wǎng)絡(luò)和多元線形回歸兩種方法，用病人的基本資料、藥物治療差異和生理指標(biāo)的變化預(yù)測在ICU延遲（>7天）。

3）信號處理：Ortolani等利用EEG的13個參數(shù)輸入ANN，自行設(shè)計的麻醉深度指數(shù)NED0-100作為輸出，比較NED與BIS之間有很好的相關(guān)性；

4）干擾信號的自動區(qū)分檢測：Jeleazcov C等利用BP神經(jīng)網(wǎng)絡(luò)區(qū)分麻醉中和后檢測到的EEG信號中的假信號，是傳統(tǒng)EEG噪音檢測方法的1.39-1.89倍。

5）各種臨床狀況的預(yù)測：Laffey用ANN預(yù)測肌肉松弛藥的殘留，發(fā)現(xiàn)明顯優(yōu)于醫(yī)生的評估，還有用于預(yù)測propfol劑量個體差異的，預(yù)測術(shù)后惡心、嘔吐，預(yù)測全麻后PACU停留時間，預(yù)測ICU死亡率等較多的研究。

神經(jīng)網(wǎng)絡(luò)經(jīng)濟學(xué)范文第4篇

關(guān)鍵詞:學(xué)生綜合素質(zhì)評價;BP神經(jīng)網(wǎng)絡(luò);算法設(shè)計

中圖分類號:TP311文獻標(biāo)識碼:A文章編號:1009-3044(2009)24-6786-03

BP neural Network Based on the Overall Quality of the Student Evaluation of Algorithm Design

ZHANG Wen-sheng

(Xiamen Gongshang Lvyou Xuexiao, Xiamen 3610012,China)

Abstract: In this paper, the overall quality of the students a variety of evaluation methods carried out in-depth analysis to explore the use of BP neural network theory to evaluate the feasibility of the overall quality, and BP neural network based on the overall quality of the student evaluation of algorithm design.

Key words: evaluation of the overall quality of students; BP neural network; algorithm design

學(xué)校德育教育是提高學(xué)生綜合素質(zhì)的重要一環(huán),在學(xué)校工作中占有舉足輕重的地位。德育涉及大量定性和定量的數(shù)據(jù)處理,為了體現(xiàn)其科學(xué)性和公平性,采用先進的計算機技術(shù)進行學(xué)生綜合素質(zhì)量化評估勢在必行。

1 問題的提出

據(jù)調(diào)查,目前在學(xué)校里對學(xué)生素質(zhì)評價的方法,主要有以下幾種:

1) 定性描述法

在學(xué)期或?qū)W年結(jié)束時,班主任根據(jù)學(xué)生在班級、學(xué)校和社會活動中的行為表現(xiàn),運用文字對學(xué)生的綜合素質(zhì)進行描述,作為對學(xué)生的評價。這種方法在評價學(xué)生綜合素質(zhì)時起過一定的作用,但是,由于教師對學(xué)生綜合素質(zhì)評價的內(nèi)容不明確,要求不統(tǒng)一,帶有一定的主觀片面性和模糊性。

2) 等級劃分法

班主任根據(jù)平時對學(xué)生的觀察和了解,對學(xué)生的綜合素質(zhì)行為劃分出優(yōu)、良、中、差四個等級。它只能說明每個學(xué)生綜合素質(zhì)發(fā)展的程度,在班集體中所處的地位,但缺乏具體內(nèi)容,學(xué)生對于自己或他人的優(yōu)點和缺點、以及個人今后的努力方向都不明確。

3) 自我總結(jié)法

這種方法是以學(xué)生為主,在教師的指導(dǎo)下總結(jié)自己的收獲,存在的問題、以及今后的努力方向,并寫成書面材料,然后寫在操行表的自我總結(jié)欄內(nèi)。這種方法是以學(xué)生的自我評價為主,它對于提高學(xué)生的自我評價能力,具有一定的促進作用。但是,由于沒有老師和同學(xué)們參加評價,其評價結(jié)果缺乏客觀性。

4) 小組評議法

是以班級小組評議為主。通過開評議會的形式,對全組成員分別進行評議,肯定成績,提出缺點,最后把大家的意見集中起來,作為對學(xué)生的評價結(jié)果。它具有一定的客觀性,可是,沒有教師參加評議,影響了評價結(jié)果的可信度。

上述各種方法的都有一定的長處,也有一定的缺點。例如,對學(xué)生的綜合素質(zhì)的結(jié)構(gòu),沒有明確統(tǒng)一的規(guī)定和具體要求;不能同時吸收各方面的意見參加評價;沒有制定較為符合需要的綜合素質(zhì)量表和采用科學(xué)的測量手段等等。所以,評價的結(jié)果往往帶有主觀片面性,評語內(nèi)容的不確定性,以及處在同一等級的同學(xué)之間存在差異的模糊性。于是最近又提出了對學(xué)生綜合素質(zhì)定量進行測量和評價。

5) 定量分?jǐn)?shù)法

將構(gòu)成學(xué)生綜合素質(zhì)的各種因素數(shù)量化,并制定出綜合素質(zhì)量表。在具體的進行測量和評價時,把學(xué)生綜合素質(zhì)所含每種因素的發(fā)展程度分為優(yōu)、良、中、差四個等級,每個等級分別對應(yīng)一定的標(biāo)準(zhǔn)值。對不同因素確定不同的權(quán)重大小,再綜合學(xué)生每個因素所取得的標(biāo)準(zhǔn)值,最后得出學(xué)生的綜合素質(zhì)分。

用定量的方法對學(xué)生的綜合素質(zhì)發(fā)展程度進行評價時,不同因素需要確定不同的權(quán)重大小。權(quán)重的大小對評估結(jié)果十分重要,它反映了各指標(biāo)的相對重要性。由于對不同的因素的權(quán)重是人為給定的,而學(xué)生綜合素質(zhì)的各項因素對學(xué)生的整體素質(zhì)存在不可確定的影響程度,因些在對學(xué)生的測量和評定過程中必然受到主觀因素及模糊隨機性的影響。并且這種方法需要消耗大量的人力和時間。

為了探討這個問題,我們根據(jù)BP神經(jīng)網(wǎng)絡(luò)的基本概念和原理,用神經(jīng)網(wǎng)絡(luò)自我學(xué)習(xí)的方法,對中學(xué)生綜合素質(zhì)進行測量和評價。BP神經(jīng)網(wǎng)絡(luò)能利用經(jīng)驗樣本對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,達(dá)到神經(jīng)網(wǎng)絡(luò)的自我學(xué)習(xí),在網(wǎng)絡(luò)中自動建立一個多輸入變量與輸出變量間的非線性映射過程,無需建立具體的數(shù)學(xué)模型和規(guī)則,可以處理那些難以用模型或規(guī)則描述的過程或系統(tǒng)。神經(jīng)網(wǎng)絡(luò)具有自組織、自學(xué)習(xí)、自適應(yīng)的特點,能通過連接權(quán)重的不斷調(diào)整,克服權(quán)重確定的困難,弱化人為因素,自動適應(yīng)信息、學(xué)習(xí)新知識,最終通過學(xué)習(xí)訓(xùn)練對實際學(xué)習(xí)樣本提出合理的求解規(guī)則,對學(xué)生的綜合素質(zhì)的整體評定具有十分重要的意義。首先我們來了解BP神經(jīng)網(wǎng)絡(luò)的基本原理。

2BP神經(jīng)網(wǎng)絡(luò)的基本原理

1) 神經(jīng)元網(wǎng)絡(luò)基本概念

神經(jīng)網(wǎng)絡(luò)是單個并行處理元素的集合,從生物學(xué)神經(jīng)系統(tǒng)得到啟發(fā)。在自然界,網(wǎng)絡(luò)功能主要由神經(jīng)節(jié)決定,可以通過改變連接點的權(quán)重來訓(xùn)練神經(jīng)網(wǎng)絡(luò)完成特定的功能。如圖1所示。這里,網(wǎng)絡(luò)將根據(jù)輸出和目標(biāo)的比較而進行調(diào)整,直到網(wǎng)絡(luò)輸出和目標(biāo)匹配。

2) 神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)

圖2所示為一個單標(biāo)量輸入且無偏置的神經(jīng)元。

神經(jīng)元輸出計算公式為:a=f(wp+b)。神經(jīng)元中的w和b都是可調(diào)整的標(biāo)量參數(shù)?？梢赃x擇特定的傳輸函數(shù),通過調(diào)整權(quán)重 和偏置參量 訓(xùn)練神經(jīng)網(wǎng)絡(luò)做一定的工作,或者神經(jīng)網(wǎng)絡(luò)自己調(diào)整參數(shù)以得到想要的結(jié)果。

3) BP結(jié)構(gòu)及算法描述

在實際應(yīng)用中,神經(jīng)網(wǎng)絡(luò)用得最廣泛的是反向傳播網(wǎng)絡(luò)(BP網(wǎng)絡(luò)),典型的BP網(wǎng)絡(luò)是三層網(wǎng)絡(luò),包括輸入層、隱含層和輸出層,各層之間實行全連接。

BP網(wǎng)絡(luò)是采用Widrow-Hoff學(xué)習(xí)算法和非線性可微傳輸函數(shù)的多層網(wǎng)絡(luò)。網(wǎng)絡(luò)的學(xué)習(xí)過程由正向和反向傳播兩部分組成。在正向傳播過程中,每一層神經(jīng)元的狀態(tài)只影響到下一層神經(jīng)元網(wǎng)絡(luò),如果輸出層不能得到期望輸出,就是實際輸出值與期望輸出值之間有誤差,那么轉(zhuǎn)入反向傳播過程,將誤差信號沿原來的連接通路返回,通過修改各層神經(jīng)元的權(quán)值,逐次地向輸入層傳播去進行計算,再經(jīng)過正向傳播過程,這兩個過程的反復(fù)運用,使得誤差信號最小。實際上,誤差達(dá)到人們所希望的要求時,網(wǎng)絡(luò)的學(xué)習(xí)過程就結(jié)束了。

4) 反向傳播算法

反向傳播學(xué)習(xí)算法最簡單的應(yīng)用是沿著性能函數(shù)最速增加的方向一梯度的負(fù)方向更新權(quán)重和偏置。這種遞歸算法可以寫成:

xk+1=xk-ak*gk

這里xk是當(dāng)前權(quán)重和偏置向量,gk是當(dāng)前梯度,ak是學(xué)習(xí)速率。在神經(jīng)元中,學(xué)習(xí)速度又稱為“學(xué)習(xí)速率”,它決定每一次循環(huán)訓(xùn)練中所產(chǎn)生的權(quán)值變化量(即該值的存在是神經(jīng)元網(wǎng)絡(luò)的一個必須的參數(shù))。大的學(xué)習(xí)速度可能導(dǎo)致系統(tǒng)的不穩(wěn)定,但小的學(xué)習(xí)速度將會導(dǎo)致訓(xùn)練較長,收斂速度很慢,通常情況下取值在0-01～0,8之間。

3 基于BP神經(jīng)網(wǎng)絡(luò)的學(xué)生綜合素質(zhì)量化評估模型

從上述對神經(jīng)元網(wǎng)絡(luò)基本概念的研究,我們可以看出BP神經(jīng)網(wǎng)絡(luò)主要根據(jù)所提供的數(shù)據(jù),通過學(xué)習(xí)和訓(xùn)練,找出輸入與輸出之間的內(nèi)在聯(lián)系,從而求取問題的解,而不是完全依據(jù)對問題的經(jīng)驗知識和規(guī)則,因而具有自適應(yīng)功能,這對于弱化權(quán)重確定中的人為因素是十分有益的;其次能夠處理那些有噪聲或不完全的數(shù)據(jù),具有泛化功能和很強的容錯能力;由于實際對學(xué)生量化評估往往是非常復(fù)雜的,各個因素之間相互影響,呈現(xiàn)出復(fù)雜的非線性關(guān)系,人工神經(jīng)網(wǎng)絡(luò)為處理這類非線性問題提供了強有力的工具。因此與其它評定方法相比,基于神經(jīng)網(wǎng)絡(luò)的評價方法越來越顯示出它的優(yōu)越性。結(jié)合學(xué)校對學(xué)生進行綜合素質(zhì)評估考核的具體問題,我們提出以下設(shè)計。

3.1量化評估內(nèi)容的確定

1) 確定學(xué)生的綜合素質(zhì)結(jié)構(gòu)

學(xué)生的綜合素質(zhì)結(jié)構(gòu),主要是根據(jù)一定歷史階段的社會要求、學(xué)校對學(xué)生的傳統(tǒng)要求,以及各個不同年齡階段學(xué)生心理和生理發(fā)展的特征來確定的,它具有一定的社會性、科學(xué)性、可行性。以教育部提出的職業(yè)學(xué)校學(xué)生發(fā)展目標(biāo)為依據(jù),評定內(nèi)容包括:道德品質(zhì)與公民素養(yǎng)、學(xué)習(xí)能力、交流與合作能力、運動與健康、審美與表現(xiàn)、職業(yè)技能等6個層次。每個層次又包括各種因素,各層次和因素之間又是相互聯(lián)系和相互促進的,它既反映了社會的、學(xué)校的具體要求,又符合學(xué)生綜合素質(zhì)發(fā)展和形成的規(guī)律。當(dāng)然,在實際評價學(xué)生中,可以根據(jù)學(xué)校的實際特點進一步確定各要素,進一步構(gòu)成學(xué)生綜合素質(zhì)評價的綜合評價指標(biāo)體系。

2) 學(xué)生綜合素質(zhì)評價的結(jié)構(gòu)設(shè)計

用BP神經(jīng)網(wǎng)絡(luò)進行學(xué)生綜合素質(zhì)評價結(jié)構(gòu)的設(shè)計如圖3所示。對學(xué)生的綜合素質(zhì)進行量化評估時,從輸入層輸入評價學(xué)生綜合素質(zhì)的n個評價指標(biāo)因素信息,經(jīng)隱含層處理后傳入輸入層,其輸出值y即為學(xué)生評估結(jié)果。這n個評價指標(biāo)因素的設(shè)置,要考慮到能符合學(xué)生綜合素質(zhì)發(fā)展和形成的規(guī)律,能全面評價學(xué)生的綜合素質(zhì)狀況。

網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)選擇十分重要,由于輸入層與隱含層神經(jīng)元個數(shù)的增加會增加網(wǎng)絡(luò)的表達(dá)能力,不僅會降低系統(tǒng)的性能,同時也會影響其收斂速度和增加噪聲干擾。所以首先必須確定輸入層神經(jīng)元的數(shù)目。為使模型即有理論價值又有可操作性,本例對應(yīng)于對學(xué)生綜合素質(zhì)考核結(jié)構(gòu)的六個因素,本文采用6個輸入神經(jīng)元,分別為道德品質(zhì)與公民素養(yǎng)、學(xué)習(xí)能力、交流與合作能力、運動與健康、審美與表現(xiàn)、職業(yè)技能等評價指標(biāo)。由于目前隱單元數(shù)尚無一般的指導(dǎo)原則,為了兼顧網(wǎng)絡(luò)的學(xué)習(xí)能力和學(xué)習(xí)速度,隱含層神經(jīng)元的個數(shù)選擇采用試算法,在網(wǎng)絡(luò)訓(xùn)練過程中進行調(diào)整。筆者首先選定15,用訓(xùn)練樣本來學(xué)習(xí),然后減少隱含層單元數(shù)后再進行學(xué)習(xí),通過觀察訓(xùn)練誤差變化的大小來調(diào)整隱單元數(shù)。其原則是:若在減少隱單元數(shù)進行訓(xùn)練時過程平衡(即逐步收斂并達(dá)到較小的誤差)且誤差無顯著增加,則說明減少隱單元數(shù)是合適的;否則表明隱單元數(shù)不宜減少,而應(yīng)增加隱單元數(shù)直到滿意為止。選擇一個輸入神經(jīng)元為學(xué)生綜合素質(zhì)最終評價結(jié)果,分別以0、0,5、1對應(yīng)于學(xué)生評議等級的優(yōu)、良、中三種不同的評價結(jié)果。經(jīng)過多次實驗,最后得到適宜的網(wǎng)絡(luò)模型為6-4-1網(wǎng)絡(luò)模式。

3.2 量化評估模型

1) 指標(biāo)體系的規(guī)范化處理

根據(jù)神經(jīng)網(wǎng)絡(luò)計算規(guī)則,為了保證輸出在線性部分,不到兩端去,應(yīng)保證輸入輸出在0-1之間,反傳達(dá)時也一樣,輸出應(yīng)在0~1之間。因此要將原始數(shù)據(jù)歸一預(yù)處理,變換為[0,1]區(qū)間的數(shù)值,得到規(guī)范化數(shù)據(jù),作為輸入輸出節(jié)點的樣本數(shù)據(jù)。原始數(shù)據(jù)采用我校高一年一個班級的50名學(xué)生的學(xué)生綜合素質(zhì)各項指標(biāo)因素樣本數(shù)據(jù),將實際數(shù)據(jù)分為兩組:前40名學(xué)生的各項指標(biāo)因素成績樣本數(shù)據(jù)作為學(xué)習(xí)樣本,后10名學(xué)生的成績數(shù)據(jù)作為測試樣本。

2) 學(xué)習(xí)算法

本模型采用6-4-1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),其中輸入層為6個指標(biāo)值和一個閾值。模型初始化時對所有的連接權(quán)賦予(0,1)上分布的隨機數(shù),閾值取1。權(quán)值的修正依據(jù)帶慣性因子的delta規(guī)則。根據(jù)多次試驗的結(jié)果,其中,慣性因子α=0.075,學(xué)習(xí)率η=0.85,將樣本數(shù)據(jù)40組為一次循環(huán),每次循環(huán)記錄40組樣本中最大的學(xué)習(xí)誤差。經(jīng)過多次的學(xué)習(xí),最后觀察網(wǎng)絡(luò)輸入與期望輸出的相對誤差,當(dāng)誤差小于0.005時,學(xué)習(xí)結(jié)束。可以得到如果增大樣本的個數(shù),精度還會進一步提高。

本文探討了神經(jīng)網(wǎng)絡(luò)在學(xué)生綜合素質(zhì)評價上的應(yīng)用方法,可取得較為理想的結(jié)果,它可以解決用傳統(tǒng)統(tǒng)計方法不能或不易解決的問題。但是由于它是一種黑盒方法,無法表達(dá)和分析評估系統(tǒng)的輸入與輸出間的關(guān)系,因此也難于對所得結(jié)果作任何解釋,對求得的結(jié)果作統(tǒng)計檢驗;再者,采用神經(jīng)網(wǎng)絡(luò)作評價系統(tǒng)時,由沒有一個便于選定最合適的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的標(biāo)準(zhǔn)方法,只能花大量時間采用湊試法,從許多次實驗中找出“最合適”的一種;還有樣本數(shù)據(jù)需要足夠的多,才能得到較為理想的結(jié)果。

參考文獻:

[1] 高長梅,趙承志,白昆榮.學(xué)校德育工作全書(上)[M].北京:人民日報出版社,2005.

[2] 聞新,周露,李翔,張寶偉.MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M].北京:科學(xué)出版社,2008.

[3] J.P.Marques de sa,Pattern Recognition―Concepts,Methods and Applications[M].北京:清華大學(xué)出版社,2006.

神經(jīng)網(wǎng)絡(luò)經(jīng)濟學(xué)范文第5篇

（遼寧工業(yè)大學(xué)學(xué)生工作處，遼寧錦州121001）

摘要：在當(dāng)今網(wǎng)絡(luò)飛速發(fā)展的社會環(huán)境下，大學(xué)生的生活方式、價值觀念等都受到來自各方面的影響，相對傳統(tǒng)的學(xué)生談話工作就有了一定的局限性，因此，如何充分利用網(wǎng)絡(luò)加強與學(xué)生的交流，深化學(xué)生談話工作的效果越來越受到輔導(dǎo)員的重視。本文論述了學(xué)生談話工作的作用及重要意義，并在對網(wǎng)絡(luò)環(huán)境的特點進行分析的基礎(chǔ)上，對利用網(wǎng)絡(luò)環(huán)境深化學(xué)生談話工作的必要性和可行性進行了探討。

關(guān)鍵詞 ：網(wǎng)絡(luò)環(huán)境；大學(xué)生；談話工作；現(xiàn)實需要；可行性

中圖分類號：G641文獻標(biāo)識碼：A文章編號：1671—1580（2014）12—0025—02

收稿日期：2014—06—12

作者簡介：朱長旭（1983— ），男，遼寧錦州人。遼寧工業(yè)大學(xué)學(xué)生工作處，講師，碩士，研究方向：思想政治教育。

輔導(dǎo)員工作的重中之重莫過于對學(xué)生進行思想教育工作。長久以來，輔導(dǎo)員在日常工作中面對不同的學(xué)生，通過交流了解學(xué)生的思想動態(tài)，解決學(xué)生學(xué)習(xí)和生活中存在的問題，以達(dá)到或鼓勵、或教育、或安慰、或幫助等目的。隨著網(wǎng)絡(luò)平臺的飛速發(fā)展，大學(xué)生的學(xué)習(xí)、生活、溝通方式等在不斷地發(fā)生變化，因此，網(wǎng)絡(luò)環(huán)境中的交流也逐漸成為學(xué)生談話工作的主要方式。

一、輔導(dǎo)員談話工作的作用及重要意義

面對面談話是一種最常見的交流方式，也是高校輔導(dǎo)員的一項基本功，對學(xué)生進行思想工作的效果與輔導(dǎo)員的談話水平有著密切的關(guān)系。輔導(dǎo)員工作的實效性、長效性也正是在大量談心工作的基礎(chǔ)之上實現(xiàn)的。談心是師生交流思想、相互了解、相互影響的過程，輔導(dǎo)員則是這個過程的主導(dǎo)者，其談心的方式、方法是影響談心效果的關(guān)鍵性因素。恰到好處的談心不僅可以拉近學(xué)生與輔導(dǎo)員之間的距離，同時還能使學(xué)生逐漸建立對教師的信任，從而使輔導(dǎo)員能夠進一步融入到學(xué)生中，更加深入地了解學(xué)生，有效地開展工作。

二、在網(wǎng)絡(luò)環(huán)境下深化學(xué)生談話工作的現(xiàn)實需要

（一）學(xué)生網(wǎng)民逐漸增多，網(wǎng)絡(luò)對學(xué)生的影響逐步加深

當(dāng)今，隨著網(wǎng)絡(luò)的迅猛發(fā)展，人們生活的重心、工作方式等都相對發(fā)生了不同程度的改變，特別是互聯(lián)網(wǎng)的日益普及對青年學(xué)生的思想觀念、價值取向、行為方式、思維方式等產(chǎn)生了深刻的影響。根據(jù)中國互聯(lián)網(wǎng)信息中心（CNNIC）的調(diào)查，2008年，中國網(wǎng)民的數(shù)量已經(jīng)達(dá)到2.53億人，中國網(wǎng)民的規(guī)模已經(jīng)躍居世界第一位，而中國網(wǎng)民的主體主要是30歲以下的年輕群體，而年輕群體中又以學(xué)生網(wǎng)民所占的比例最大，達(dá)到了30%，學(xué)生網(wǎng)民已經(jīng)達(dá)到7600萬人。

（二）網(wǎng)絡(luò)環(huán)境可以彌補傳統(tǒng)談話工作的局限性

首先，傳統(tǒng)的談心工作必須依托于一定的思想政治教育活動，輔導(dǎo)員對于談話的目標(biāo)、過程、方式、場所等必須要準(zhǔn)備細(xì)致，但由于受時間和空間的局限，談心工作的作用必然會受到影響。網(wǎng)絡(luò)環(huán)境減少了學(xué)生與教師面對面談話中產(chǎn)生的尷尬和抵觸情緒，交流方式更容易為學(xué)生所接受。

其次，在網(wǎng)絡(luò)環(huán)境下更容易觀察談話工作的效果。傳統(tǒng)的談話結(jié)束之后，經(jīng)過一段時間后需要再次與談話對象進行談話，間斷性地了解學(xué)生的變化。而網(wǎng)絡(luò)中的言論相對自由，通過觀察學(xué)生的日志、留言或空間等可以隨時了解學(xué)生在談話后的狀態(tài)。

第三，在網(wǎng)絡(luò)環(huán)境中談話形式多變，便于提高工作效率。在網(wǎng)絡(luò)環(huán)境中，學(xué)生談話工作會出現(xiàn)多種形式的變化，可以是短訊、微博，也可以是評論、留言等。在網(wǎng)絡(luò)環(huán)境下，可以縮短談話工作之初將學(xué)生引入話題的時間，還可以將一次總體的談話過程分解成只言片語，延長談話對學(xué)生起作用的時間，而且可以同時和幾名同學(xué)進行單獨談話，大大提高了談話工作的效率和時效性。

（三）網(wǎng)絡(luò)環(huán)境適應(yīng)大學(xué)生心理發(fā)展的規(guī)律

學(xué)生接受某種意見而讓自己發(fā)生改變的前提條件是對該種意見不反感，愿意去嘗試、調(diào)整，從而選擇接受這種意見。傳統(tǒng)談話工作由于其面對面的談話方式，往往容易引起學(xué)生逆反心理和對抗心理的出現(xiàn)。加之隨著學(xué)生的獨立意識和自我意識的不斷加強，他們對事物的批判態(tài)度以及行動上的反抗意識都愈發(fā)強烈。因此，利用網(wǎng)絡(luò)環(huán)境，采取教育目的隱蔽、教育方法間接的談話方式來消除學(xué)生的逆反心理，沖破學(xué)生的心理防線是十分必要的。

三、在網(wǎng)絡(luò)環(huán)境下深化學(xué)生談話工作的可行性

（一）網(wǎng)絡(luò)的超時空性使談話工作不受時間和場地的限制

在網(wǎng)絡(luò)環(huán)境中開展談話工作不受課時和教室的限制，無需輔導(dǎo)員在固定的時間和地點面對面地對學(xué)生進行鼓勵、安慰、批評等。這種交流幾乎隨時隨地都可以進行，只要輔導(dǎo)員掌握了學(xué)生經(jīng)常上網(wǎng)的時間段即可，例如每天晚飯后、周末等。在談話過程中，在輕松愉悅的環(huán)境下，學(xué)生不僅更容易接受談話內(nèi)容，而且可以同時介紹身邊同學(xué)的情況，擴大了輔導(dǎo)員對于學(xué)生群體了解的范圍。

（二）網(wǎng)絡(luò)交流的多樣性使談話工作具有多種多樣的作用方式

在網(wǎng)絡(luò)環(huán)境中，輔導(dǎo)員與學(xué)生互動的方式是多種多樣的，談話的內(nèi)容、目的深藏于各種交流及載體之中，因此，這種談話工作的作用方式也是多種多樣的，可以是不定期的評論、留言，也可以是大規(guī)模的群組討論，還可以是論壇中跟帖發(fā)表看法，等等。

（三）潛隱性使網(wǎng)絡(luò)環(huán)境下的談話更容易為大學(xué)生所接受

網(wǎng)絡(luò)中的交流、談心工作將變成一種沒有實體的教育形式，它可以在校園內(nèi)無處不在地發(fā)揮作用，使學(xué)生在信息交換過程中不知不覺地受到教育，在“無形”的氛圍中潛移默化地受到影響，因此，在網(wǎng)絡(luò)環(huán)境中開展談話工作存在著很強的潛隱性。

（四)網(wǎng)絡(luò)交流的無意識性促使學(xué)生不知不覺地配合輔導(dǎo)員完成談話活動

春風(fēng)化雨，潤物無聲?？梢岳镁W(wǎng)絡(luò)環(huán)境中豐富的活動形式，通過各種各樣的傳播渠道，針對學(xué)生的興趣、愛好，使其參與到活動中，同時無意識地吸收其中所隱藏的教育內(nèi)容。

四、在網(wǎng)絡(luò)環(huán)境下深化學(xué)生談話工作的有效途徑

（一）占領(lǐng)博客陣地，加強交流，深化學(xué)生談話工作

博客是一種簡易的個人信息方式，任何人都可以注冊，并完成個人網(wǎng)頁的創(chuàng)建、和更新，因此，受到廣大青年學(xué)生的喜愛。特別是微博，其已經(jīng)成為一種時尚，深受當(dāng)代大學(xué)生的推崇。大學(xué)生通過博客可以自由地表達(dá)自己的想法，通過博客記載和分享自己的生活經(jīng)歷與美好時刻，更可以結(jié)識朋友，進行更深層次的交流。

（二）建立大學(xué)生主題網(wǎng)站，營造交流氛圍

建立以了解學(xué)生、引導(dǎo)學(xué)生、服務(wù)學(xué)生為宗旨的大學(xué)生主題網(wǎng)站，開展豐富多樣的網(wǎng)絡(luò)文化活動，抓住大學(xué)生的特點和興趣，建立學(xué)生論壇、貼吧等，通過觀察網(wǎng)站中學(xué)生所關(guān)注的熱門話題，對大學(xué)生進行正確的引導(dǎo)。

（三）利用網(wǎng)絡(luò)聊天工具建立網(wǎng)絡(luò)群體

隨著工作環(huán)境的不斷改進，電腦、網(wǎng)絡(luò)已經(jīng)成為輔導(dǎo)員工作的主要工具。輔導(dǎo)員可以充分利用QQ、飛信等聊天工具，建立網(wǎng)絡(luò)群體，與學(xué)生隨時在線交流，了解學(xué)生關(guān)注的熱門話題，參與學(xué)生在群內(nèi)的討論，發(fā)表自己的觀點，引導(dǎo)學(xué)生的思想主流。輔導(dǎo)員還可以在群內(nèi)發(fā)送校內(nèi)外的各類新聞，提高學(xué)生對群的關(guān)注度，努力在群中營造平等交流的氛圍，使學(xué)生暢所欲言，表達(dá)自己的真實觀點，從而更充分地了解學(xué)生的內(nèi)心世界。

隨著網(wǎng)絡(luò)時代的來臨，通過網(wǎng)絡(luò)平臺、利用網(wǎng)絡(luò)環(huán)境的優(yōu)勢有效地開展談心工作，對每一位輔導(dǎo)員來說既是機遇，也是挑戰(zhàn)。在網(wǎng)絡(luò)環(huán)境中開展具有實效性、長效性的思想政治教育工作必將達(dá)到事半功倍的效果。

［

參考文獻］

［1］李玉泉，王娜.高校校園網(wǎng)絡(luò)文化建設(shè)的探索與實踐［J］.思想教育研究，2007（6）.

［2］高金環(huán).網(wǎng)絡(luò)環(huán)境下的大學(xué)生思想政治教育［J］.西安郵電學(xué)院學(xué)報，2007（1）.

［3］張會萍.網(wǎng)絡(luò)環(huán)境下高校思想政治教育的途徑［J］.新視野，2010（8）.