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

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

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。

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x_i（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、不合格五個，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5×5=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。

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0～1之间，这就是数据的归一化，实现方法如图3所示。

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。

SOM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。

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。