基于hopfield神经网络的学生能力评价模型

厉丹 鲍蓉 李敏杰 岑文文

摘要：文章提出了基于hopfield离散神经网络的学生能力评价模型，利用离散神经网络能够高效的、公正的评价学生的各方面综合能力，使得学生能够更加了解、认知自身，老师更加客观、准确了解学生潜力、优点以及不足之处。

关键词：神经网络；能力评价；潜力挖掘

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2018）24-0187-03

Abstract： A method of evaluating students' ability based on discrete neural network was proposed. The paper can objectively and fairly evaluate the comprehensive quality and ability of students quickly and accurately. It enhanced students' cognition of themselves， helped teachers to grasp the advantages and disadvantages of students objectively and clearly， and fully tapped potential and expertise.

Key words： neural network； ability evaluation； potential mining

1 背景

当前，人们研究评价学生能力大小的方法不同，但不同程度地存在各种问题，如：主观人为因素影响导致评价结果不公正、效率不高、能力评价过程烦琐等。学生能力可以衡量学生利用资源网络学习的能力、文献综述的能力、灵活调用所学知识的能力、自觉拓展知识面的能力、发现问题的能力、寻找获得知识途径的能力、制定适合自己的学习计划的能力、自愿执行计划的能力等等。学生能力的高低影响学生对自身认知的同时也影响老师对其进行的客观评价。目前有待解决的问题即如何快速有效地对学生的多种能力进行客观、公正的评价。该文提出的基于离散神经网络的学生能力评价方式，是一种全连接型的神经网络，该神经网络模拟了生物神经网络的记忆机理，具有同阶层型神经网络不同的学习方法、结构特征，有助于帮助老师更好地对学生能力进行评价。

2 离散Hopfield神经网络

1982 年，美国物理学家J.J Hopfield首次提出离散Hopfield神经网络及其学习算法，指出Hopfield是全连接型的神经网络。由于Hopfield起初神经元的输出只取1和-1，且网络是二值神经网络，因此其也称离散Hopfield 神经网络（Discrete Hopfield Neural Network，DHNN ）。在DHNN中，采用二值神经元，输出的离散值1表示神经元处于激活，-1表示神经元处于抑制状态。

2.1 DHNN网络的结构

离散Hopfield 神经网络由三个神经元组成，是一种单层、输出值为二值的反馈型网络。结构如图1所示。

在图1中，第0层无计算功能，只作为网络输入，并非实际神经元，第1层执行对输入信息和权系数的乘积，求累加和，是神经元，并经f非线性函数处理产生输出的信息。非线性函数f是一个阈值函数，若阈值θ比神经元的输出信息小，则神经元的输出值取1，若阈值θ比神经元的输出信息大，则神经元的输出值取为1。式（1）为二值神经元的计算公式表示。

2.2 DHNN网络的工作方式

DHNN网络的演化从初始状态按照Lyapunov能量函数变小的方向进行，一直到稳定状态位置，网络的输出即为此时的稳定状态。DHNN网络的工作方式包括两种形式：

1）串行工作方式：

串行工作方式是指，某一t时刻，其他的神经元状态保持不变，只有一个神经元i按照公式4、5进行变化，i可以确定或随机进行选择。

2）并行工作方式：

并行工作方式是指，在某一t时刻，同时改变全部或者一部分神经元的状态。

下面，该文通过串行工作方式来说明Hopfield 神经网络的执行步骤：

STEP 1：初始化网络，随机选取一个神经元i。

STEP 2：计算神经元i的输入ui（t）。

STEP 3：计算神经元i的输出vi（t+1），同时其他神经元的输出在网络中保持不变。

STEP 4：判断Hopfield 神经网络有无达到稳定状态，如果已经达到了稳定状态，或者可以符合给定条件要求那么可以结束，若没有达到，则转到步骤1中的随机选取一个神经元i继续执行。

3 基于DHNN网络的学生学习能力评价

学习能力是最能体现学生能力好差的重要指标，该文以8个较为重要的影响因素作为评价指标：资源网络学习（X1）、文献综述（X2）、灵活调用所学知识（X3）、自觉拓展知识面（X4）、发现问题（X5）、寻找获得知识途径（X6）、制定适合自己的学习计划（X7）、自愿执行计划（X8）。

为了让参与实验的高校学生对自身学习能力有一个比较清晰的认识，我们将学生学习能力分为5个等级，即：很强（Ⅰ）、较强（Ⅱ）、一般（Ⅲ）、较差（Ⅳ）和很差（Ⅴ）。在建立好的学习能力评价系统的基础之上，收集8條学习能力数据信息，之后对数据建模，最后，对待评价的数据通过建好的模型进行分类实现评价过程。

该文将离散hopfield神经网络引入对高校学生学习能力的评价中，通过建立离散hopfield神经网络学生学习能力评价模型，对高校学生的学习能力进行综合的评价。高校学生学习能力的评价问题本质为非线性分类问题，实际操作过程中，影响学生学习能力的因素很多，并且不同因素之间相互关联，存在高速非线性的特征，所以该文通过利用离散Hopfield神经网络较好的联想记忆功能，提高在信源信息内容存在不完整、不确定、含糊等因素的环境中处理复杂非线性问题的能力。

3.1 设计步骤

将很强（Ⅰ）、较强（Ⅱ）、一般（Ⅲ）、较差（Ⅳ）和很差（Ⅴ）。以上五个分类等级对应的评价指标作为DHNN网络的平衡点，那么整个学习的过程等同于将五个分类等级的评价指标不断接近DHNN网络平衡点的过程。当学习过程结束后， DHNN网络的平衡点即为各个分类等级对应的评价指标。如果新的待分类的学生评价指标输入后，离散Hopfield 神经网络利用联想记忆能力逐步趋近于平衡点，当网络的状态趋于稳定，不再变化时，平衡点对应的等级也就是待求的高校学生信息分类等级。

3.2 实验仿真

4 结束语

离散Hopfield 神经网络为人工神经网络的发展提供了新的研究途径，其结构特征和学习方法不同于阶层型神经网络，通过Hopfield神经网络分析学生的资源网络学习的能力、文献综述的能力、灵活调用所学知识的能力、自觉拓展知识面的能力、发现问题的能力、寻找获得知识途径的能力、制定适合自己的学习计划的能力、自愿执行计划的能力，可以提高学生对自己的认知， 同时增强老师对学生的客观评价，有助于教师客观、明确地掌握学生不足之处和优点，将知识作为理论的支持，决策者可以更好地指导教学工作，更好的挖掘学生的潜力和特长，促进教学改革。

参考文献：

[1] 史东甲，余宇峰.成绩分析方法及其应用[J].内江科技，2007（1）：66-68.

[2] 邵峰晶.数据挖掘原理与算法[M].2版.北京：科学出版社，2008.

[3] 赵燕伟，任设东，陈尉刚，等. 基于改进BP神经网络的可拓分类器构建[J].计算机集成制造系统，2015， 21（10）： 2807-2815.

[4] 尤磊，兰洋，熊炎.一种基于关系代数的Apriori优化方法[J].信阳师范学院学报：自然科学版，2010， 23（1）：156-160.

[5] 邱文教，潘晓卉.数据挖掘技术在教学管理中的应用[J].安徽工业大学学报，2005，22（3）：611-614.

【通联编辑：谢媛媛】