何敏++朱亞林

摘 要：該文就現(xiàn)行工科院校本科畢業(yè)設(shè)計(jì)（論文）現(xiàn)狀，選用10個(gè)評(píng)價(jià)指標(biāo)，由學(xué)生綜合成績(jī)等級(jí)與對(duì)應(yīng)的評(píng)價(jià)指標(biāo)關(guān)系提煉出5個(gè)等級(jí)理想評(píng)價(jià)指標(biāo)，結(jié)合離散Hopfield神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶能力，建立基于離散Hopfield神經(jīng)網(wǎng)絡(luò)的本科畢業(yè)設(shè)計(jì)（論文）綜合成績(jī)?cè)u(píng)定模型；將待評(píng)定的學(xué)生等級(jí)評(píng)價(jià)指標(biāo)編碼作為模型的輸入，利用外積法對(duì)網(wǎng)絡(luò)連接權(quán)值進(jìn)行迭代學(xué)習(xí)，仿真結(jié)果顯示，該模型能夠快速、準(zhǔn)確、直觀地評(píng)定學(xué)生畢業(yè)設(shè)計(jì)（論文）環(huán)節(jié)的綜合成績(jī)。

關(guān)鍵詞：畢業(yè)設(shè)計(jì)（論文） 成績(jī)?cè)u(píng)定 離散Hopfield網(wǎng)絡(luò)評(píng)定模型

中圖分類號(hào)：G64 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2014）10（a）-0228-03

Evaluation method of comprehensive performance for undergraduate in the graduation design （thesis）

HE Min ZHU YaLin

（School of Civil and Hydraulic Engineering， Hefei University of Technology， Hefei，Anhui，230009，China）

Abstract：In this paper， according to the more important ten evaluation indicators， the five grades ideal evaluation is established corresponding to the level of comprehensive performance of twenty undergraduates. Combined with associative memory capacity of discrete Hopfield neural networks， a new evaluation method of comprehensive performance for undergraduate in the graduation design （thesis） is presented. In order to evaluate the effectiveness of the assessment model， five undergraduates are assessed by the model， the network connection weights is obtained by iterative learning using the outer product method. The simulation results show that the comprehensive performance assessment model of undergraduates based on discrete Hopfield neural networks can assess the comprehensive performance of undergraduates fast， accurately and intuitively.

Key words：graduation design（thesis） performance evaluation DHNN evaluation model

畢業(yè)設(shè)計(jì)（論文）是高校教學(xué)實(shí)踐中實(shí)現(xiàn)培養(yǎng)目標(biāo)的最后一個(gè)綜合性環(huán)節(jié)。學(xué)生在各自老師指導(dǎo)下，按照教學(xué)計(jì)劃要求，獨(dú)立撰寫完成畢業(yè)設(shè)計(jì)（論文）。畢業(yè)設(shè)計(jì)（論文）是大學(xué)生在校期間所學(xué)知識(shí)、理論等各種能力的綜合應(yīng)用、升華，創(chuàng)新潛能得到了充分激發(fā)，并且對(duì)專業(yè)教學(xué)目標(biāo)、教學(xué)過程、教學(xué)管理以及教學(xué)效果進(jìn)行全面檢驗(yàn)。

畢業(yè)設(shè)計(jì)（論文）成績(jī)不僅影響到學(xué)生評(píng)優(yōu)和學(xué)士學(xué)位的獲取，也使得他們?cè)谧霎厴I(yè)設(shè)計(jì)（論文）過程中，清楚認(rèn)識(shí)到自身在哪些方面存在不足。因此對(duì)于本科畢業(yè)設(shè)計(jì)（論文）綜合成績(jī)的評(píng)定，一定要公正、合理。目前我校畢業(yè)設(shè)計(jì)綜合成績(jī)?cè)u(píng)定分成三部分：首先是指導(dǎo)教師評(píng)閱，給出建議成績(jī)；其次在答辯前，專業(yè)教研室組織本學(xué)科教師進(jìn)行交叉評(píng)閱，給出建議成績(jī)；最后由答辯委員根據(jù)學(xué)生答辯情況，并參考指導(dǎo)教師、評(píng)閱人所建議的成績(jī)給出最終的畢業(yè)設(shè)計(jì)（論文）成績(jī)。這種評(píng)定方法存在評(píng)價(jià)指標(biāo)缺乏定量的評(píng)定標(biāo)準(zhǔn)、工作繁瑣、時(shí)間滯后，人為主觀因素對(duì)評(píng)價(jià)結(jié)果影響很大。因此如何快速、準(zhǔn)確地對(duì)眾多學(xué)生的畢業(yè)設(shè)計(jì)（論文）進(jìn)行客觀、公正評(píng)價(jià)，是一項(xiàng)很有意義的工作。

目前應(yīng)用于畢業(yè)設(shè)計(jì)（論文）綜合成績(jī)?cè)u(píng)定的方法有模糊評(píng)價(jià)法[2]、層次分析法等，該文嘗試選用我校畢業(yè)設(shè)計(jì)畢業(yè)過程中較為重要的10個(gè)評(píng)價(jià)指標(biāo)的數(shù)據(jù)，結(jié)合離散Hopfield神經(jīng)網(wǎng)絡(luò)（DHNN）的聯(lián)想記憶能力，建立離散Hopfield評(píng)定模型；將待評(píng)定的學(xué)生等級(jí)評(píng)價(jià)指標(biāo)編碼作為該模型的輸入，利用外積法對(duì)網(wǎng)絡(luò)連接權(quán)值進(jìn)行迭代學(xué)習(xí)，數(shù)值仿真結(jié)果表明，此種方法能夠快速、準(zhǔn)確、直觀地得到眾多學(xué)生綜合成績(jī)的評(píng)定結(jié)果。

1 外積法設(shè)計(jì)DHNN網(wǎng)絡(luò)

離散Hopfield神經(jīng)網(wǎng)絡(luò)這種全連接型網(wǎng)絡(luò)可以模擬生物神經(jīng)網(wǎng)絡(luò)的記憶功能，由美國物理學(xué)家J.J Hopfield在1982年首先提出。Hopfield網(wǎng)絡(luò)目前主要應(yīng)用于聯(lián)想記憶和優(yōu)化計(jì)算等問題。其中的聯(lián)想記憶原理是：當(dāng)某個(gè)矢量輸入網(wǎng)絡(luò)后，經(jīng)過反饋計(jì)算，最后達(dá)到穩(wěn)定狀態(tài)，在Hopfield網(wǎng)絡(luò)輸出端得到另一矢量，此輸出量是網(wǎng)絡(luò)從初始輸入量聯(lián)想得到的穩(wěn)定記憶，即Hopfield網(wǎng)絡(luò)的一個(gè)平衡點(diǎn)。

離散Hopfield神經(jīng)網(wǎng)絡(luò)（DHNN）是二值型網(wǎng)絡(luò)，神經(jīng)元輸出取值1或者-1，1表示神經(jīng)元被激活的狀態(tài)，而-1表示神經(jīng)元被抑制的狀態(tài)。一個(gè)三神經(jīng)元組成的離散Hopfield神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。endprint

圖1中，第0層是網(wǎng)絡(luò)輸入，第1層的神經(jīng)元執(zhí)行對(duì)輸入信息與權(quán)系數(shù)的乘積，并且求累加和，經(jīng)過非線性函數(shù)處理后，產(chǎn)生神經(jīng)元的輸出信息。是一個(gè)簡(jiǎn)單閾值函數(shù)，如果神經(jīng)元的輸出信息大于閾值，則神經(jīng)元輸出取值1；而神經(jīng)元的輸出信息小于閾值，則神經(jīng)元輸出取值-1。二值神經(jīng)元的計(jì)算如公式（1）所示

（1）

式中，為外部輸入，并且有公式（2）：

（2）

離散DHNN網(wǎng)絡(luò)是輸出神經(jīng)元信息的一個(gè)集合，DHNN網(wǎng)絡(luò)（輸出層是個(gè)神經(jīng)元）在 時(shí)刻的狀態(tài)為公式（3）所示的維向量：

（3）

采用外積法設(shè)計(jì)離散Hopfield網(wǎng)絡(luò)的權(quán)系數(shù)矩陣。給定需記憶的樣本向量，如果的狀態(tài)是1或者-1，則連接權(quán)值的學(xué)習(xí)利用外積規(guī)則，即：

（4）

利用外積法設(shè)計(jì)離散Hopfield神經(jīng)網(wǎng)絡(luò)步驟如下：

第一步，根據(jù)需要記憶的樣本，按公式（4）計(jì)算權(quán)系數(shù)矩陣；

第二步，令測(cè)試樣本為網(wǎng)絡(luò)輸出初始值，設(shè)定迭代次數(shù)；

第三步，進(jìn)行迭代計(jì)算，

；

第四步，當(dāng)達(dá)到最大迭代次數(shù)，或者神經(jīng)元輸出狀態(tài)保持不變時(shí)，迭代終止；否則返回第三步繼續(xù)迭代，直至滿足條件為止。

2 大學(xué)生畢業(yè)設(shè)計(jì)綜合成績(jī)?cè)u(píng)定模型

影響本科生畢業(yè)設(shè)計(jì)綜合成績(jī)的因素有很多，本文僅以較為重要的10個(gè)影響因素作為評(píng)價(jià)指標(biāo)：科技論文翻譯（X1）、查閱資料及學(xué)習(xí)能力（X2）、出勤率（X3）、畢業(yè)設(shè)計(jì)過程中小組檢查情況（X4）、畢業(yè)設(shè)計(jì)過程中院校督導(dǎo)組檢查情況（X5）、電算模型/程序（X6）、計(jì)算書整理（X7）、施工圖繪制（X8）、評(píng)閱人評(píng)閱（X9）、答辯過程表現(xiàn)（X10）。

參照合肥工業(yè)大學(xué)畢業(yè)設(shè)計(jì)（論文）工作實(shí)施細(xì)則，學(xué)生綜合成績(jī)可分為四五個(gè)等級(jí)：優(yōu)秀（I）、良好（II）、中等（III）、及格（IV）和不及格（V）。換算成百分制，優(yōu)秀在85～100分之間，良好在75～84分之間，中等在66～74分之間，及格在60～65分之間，不及格在0～59分之間。畢業(yè)設(shè)計(jì)（論文）綜合成績(jī)?cè)u(píng)定模型建立流程如圖2所示的五個(gè)步驟。

該文列舉出20個(gè)學(xué)生的畢業(yè)設(shè)計(jì)（論文）綜合成績(jī)?cè)u(píng)定等級(jí)與10個(gè)評(píng)價(jià)指標(biāo)之間的關(guān)系，各評(píng)價(jià)指標(biāo)采用百分制，如表1所示。將各個(gè)等級(jí)的樣本對(duì)應(yīng)的個(gè)評(píng)價(jià)指標(biāo)平均值作為各個(gè)等級(jí)理想評(píng)價(jià)指標(biāo)，即作為Hopfield神經(jīng)網(wǎng)絡(luò)的平衡點(diǎn)，如表2所示。

離散型Hopfield神經(jīng)網(wǎng)絡(luò)神經(jīng)元的狀態(tài)只有1和-1兩種情況，當(dāng)評(píng)價(jià)指標(biāo)映射為神經(jīng)元狀態(tài)時(shí)，需要將其進(jìn)行編碼。編碼規(guī)則為：當(dāng)大于或者等于某個(gè)等級(jí)的指標(biāo)時(shí)，對(duì)應(yīng)的神經(jīng)元狀態(tài)設(shè)為1，否則設(shè)為-1。理想的5個(gè)等級(jí)評(píng)價(jià)指標(biāo)編碼如圖3所示，其中表示神經(jīng)元狀態(tài)為1，即大于或等于對(duì)應(yīng)的理想評(píng)價(jià)指標(biāo)值；如果小于理想評(píng)價(jià)指標(biāo)值，則用表示。

5個(gè)待評(píng)定的學(xué)生等級(jí)評(píng)價(jià)指標(biāo)如表3所示，由前面所述的編碼原則得到這5個(gè)畢業(yè)設(shè)計(jì)（論文）綜合成績(jī)待評(píng)定學(xué)生的評(píng)價(jià)指標(biāo)編碼，如圖4所示。在Matlab軟件中利用自帶的人工神經(jīng)網(wǎng)絡(luò)工具箱，創(chuàng)建基于離散型Hopfield的綜合成績(jī)?cè)u(píng)定模型，再確定待評(píng)定的5個(gè)學(xué)生等級(jí)評(píng)價(jià)指標(biāo)的編碼，并且將其作為評(píng)定模型的輸入，經(jīng)過一定次數(shù)的學(xué)習(xí)，最終得到學(xué)生綜合成績(jī)?cè)u(píng)價(jià)的輸出結(jié)果。

為了直觀顯示結(jié)果，以圖形的形式顯示仿真結(jié)果，如圖5所示，其中第1個(gè)學(xué)生評(píng)定等級(jí)為第II級(jí)，第2個(gè)學(xué)生評(píng)定等級(jí)為第III級(jí)，第3個(gè)學(xué)生評(píng)定等級(jí)為第I級(jí)，第4個(gè)學(xué)生評(píng)定等級(jí)為第IV級(jí)，第5個(gè)學(xué)生評(píng)定等級(jí)為第V級(jí)。

3 結(jié)語

基于Hopfield人工神經(jīng)網(wǎng)絡(luò)，建立工科本科生畢業(yè)設(shè)計(jì)（論文）綜合成績(jī)?cè)u(píng)定模型，并對(duì)5個(gè)學(xué)生的成績(jī)進(jìn)行評(píng)定，得到如下結(jié)論。

（1）設(shè)計(jì)的Hopfield神經(jīng)網(wǎng)絡(luò)綜合成績(jī)?cè)u(píng)定模型可以快速、直觀地對(duì)工科本科生的畢業(yè)設(shè)計(jì)（狀況）進(jìn)行進(jìn)行評(píng)定，方法簡(jiǎn)單易行，并能有效保證評(píng)定結(jié)果的準(zhǔn)確性，避免打分過程中的各種人為主觀因素，體現(xiàn)成績(jī)?cè)u(píng)定過程中的規(guī)范性和科學(xué)性。

（2）在我?，F(xiàn)有的畢業(yè)設(shè)計(jì)（論文）評(píng)定方法基礎(chǔ)上，嘗試對(duì)每個(gè)學(xué)生的畢業(yè)設(shè)計(jì)（論文） 按照上述方法再進(jìn)行一次評(píng)定，比較兩次結(jié)果是否一致。對(duì)兩次的成績(jī)?cè)u(píng)定結(jié)果，再按照加權(quán)算術(shù)平均法確定最終的畢業(yè)設(shè)計(jì)（論文）成績(jī)。

參考文獻(xiàn)

[1] 張志英.模糊評(píng)價(jià)法在本科畢業(yè)設(shè)計(jì)成績(jī)?cè)u(píng)定中的應(yīng)用[J].浙江理工大學(xué)學(xué)報(bào)， 2011，28（3）：467-470.

[2] 李瑞蘭.層次分析法在畢業(yè)設(shè)計(jì)（論文） 成績(jī)?cè)u(píng)定中的應(yīng)用[J].長(zhǎng)春工程學(xué)院學(xué)報(bào)（社會(huì)科學(xué)版），2011，12（4）：156-158.

[3] Hopfield， J. J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities. Proceedings of the National Academy of Sciences of the United States of America， 1982， 79： 2554-2558.

[4] 史峰，王小川，郁磊，等.Matlab神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京航空航天大學(xué)出版社，2011.

[5] 合肥工業(yè)大學(xué)本科畢業(yè)設(shè)計(jì)（論文）工作實(shí)施細(xì)則.合肥工業(yè)大學(xué)教務(wù)部，2014.endprint

圖1中，第0層是網(wǎng)絡(luò)輸入，第1層的神經(jīng)元執(zhí)行對(duì)輸入信息與權(quán)系數(shù)的乘積，并且求累加和，經(jīng)過非線性函數(shù)處理后，產(chǎn)生神經(jīng)元的輸出信息。是一個(gè)簡(jiǎn)單閾值函數(shù)，如果神經(jīng)元的輸出信息大于閾值，則神經(jīng)元輸出取值1；而神經(jīng)元的輸出信息小于閾值，則神經(jīng)元輸出取值-1。二值神經(jīng)元的計(jì)算如公式（1）所示

（1）

式中，為外部輸入，并且有公式（2）：

（2）

離散DHNN網(wǎng)絡(luò)是輸出神經(jīng)元信息的一個(gè)集合，DHNN網(wǎng)絡(luò)（輸出層是個(gè)神經(jīng)元）在 時(shí)刻的狀態(tài)為公式（3）所示的維向量：

（3）

采用外積法設(shè)計(jì)離散Hopfield網(wǎng)絡(luò)的權(quán)系數(shù)矩陣。給定需記憶的樣本向量，如果的狀態(tài)是1或者-1，則連接權(quán)值的學(xué)習(xí)利用外積規(guī)則，即：

（4）

利用外積法設(shè)計(jì)離散Hopfield神經(jīng)網(wǎng)絡(luò)步驟如下：

第一步，根據(jù)需要記憶的樣本，按公式（4）計(jì)算權(quán)系數(shù)矩陣；

第二步，令測(cè)試樣本為網(wǎng)絡(luò)輸出初始值，設(shè)定迭代次數(shù)；

第三步，進(jìn)行迭代計(jì)算，

；

第四步，當(dāng)達(dá)到最大迭代次數(shù)，或者神經(jīng)元輸出狀態(tài)保持不變時(shí)，迭代終止；否則返回第三步繼續(xù)迭代，直至滿足條件為止。

2 大學(xué)生畢業(yè)設(shè)計(jì)綜合成績(jī)?cè)u(píng)定模型

影響本科生畢業(yè)設(shè)計(jì)綜合成績(jī)的因素有很多，本文僅以較為重要的10個(gè)影響因素作為評(píng)價(jià)指標(biāo)：科技論文翻譯（X1）、查閱資料及學(xué)習(xí)能力（X2）、出勤率（X3）、畢業(yè)設(shè)計(jì)過程中小組檢查情況（X4）、畢業(yè)設(shè)計(jì)過程中院校督導(dǎo)組檢查情況（X5）、電算模型/程序（X6）、計(jì)算書整理（X7）、施工圖繪制（X8）、評(píng)閱人評(píng)閱（X9）、答辯過程表現(xiàn)（X10）。

參照合肥工業(yè)大學(xué)畢業(yè)設(shè)計(jì)（論文）工作實(shí)施細(xì)則，學(xué)生綜合成績(jī)可分為四五個(gè)等級(jí)：優(yōu)秀（I）、良好（II）、中等（III）、及格（IV）和不及格（V）。換算成百分制，優(yōu)秀在85～100分之間，良好在75～84分之間，中等在66～74分之間，及格在60～65分之間，不及格在0～59分之間。畢業(yè)設(shè)計(jì)（論文）綜合成績(jī)?cè)u(píng)定模型建立流程如圖2所示的五個(gè)步驟。

該文列舉出20個(gè)學(xué)生的畢業(yè)設(shè)計(jì)（論文）綜合成績(jī)?cè)u(píng)定等級(jí)與10個(gè)評(píng)價(jià)指標(biāo)之間的關(guān)系，各評(píng)價(jià)指標(biāo)采用百分制，如表1所示。將各個(gè)等級(jí)的樣本對(duì)應(yīng)的個(gè)評(píng)價(jià)指標(biāo)平均值作為各個(gè)等級(jí)理想評(píng)價(jià)指標(biāo)，即作為Hopfield神經(jīng)網(wǎng)絡(luò)的平衡點(diǎn)，如表2所示。

離散型Hopfield神經(jīng)網(wǎng)絡(luò)神經(jīng)元的狀態(tài)只有1和-1兩種情況，當(dāng)評(píng)價(jià)指標(biāo)映射為神經(jīng)元狀態(tài)時(shí)，需要將其進(jìn)行編碼。編碼規(guī)則為：當(dāng)大于或者等于某個(gè)等級(jí)的指標(biāo)時(shí)，對(duì)應(yīng)的神經(jīng)元狀態(tài)設(shè)為1，否則設(shè)為-1。理想的5個(gè)等級(jí)評(píng)價(jià)指標(biāo)編碼如圖3所示，其中表示神經(jīng)元狀態(tài)為1，即大于或等于對(duì)應(yīng)的理想評(píng)價(jià)指標(biāo)值；如果小于理想評(píng)價(jià)指標(biāo)值，則用表示。

5個(gè)待評(píng)定的學(xué)生等級(jí)評(píng)價(jià)指標(biāo)如表3所示，由前面所述的編碼原則得到這5個(gè)畢業(yè)設(shè)計(jì)（論文）綜合成績(jī)待評(píng)定學(xué)生的評(píng)價(jià)指標(biāo)編碼，如圖4所示。在Matlab軟件中利用自帶的人工神經(jīng)網(wǎng)絡(luò)工具箱，創(chuàng)建基于離散型Hopfield的綜合成績(jī)?cè)u(píng)定模型，再確定待評(píng)定的5個(gè)學(xué)生等級(jí)評(píng)價(jià)指標(biāo)的編碼，并且將其作為評(píng)定模型的輸入，經(jīng)過一定次數(shù)的學(xué)習(xí)，最終得到學(xué)生綜合成績(jī)?cè)u(píng)價(jià)的輸出結(jié)果。

為了直觀顯示結(jié)果，以圖形的形式顯示仿真結(jié)果，如圖5所示，其中第1個(gè)學(xué)生評(píng)定等級(jí)為第II級(jí)，第2個(gè)學(xué)生評(píng)定等級(jí)為第III級(jí)，第3個(gè)學(xué)生評(píng)定等級(jí)為第I級(jí)，第4個(gè)學(xué)生評(píng)定等級(jí)為第IV級(jí)，第5個(gè)學(xué)生評(píng)定等級(jí)為第V級(jí)。

3 結(jié)語

基于Hopfield人工神經(jīng)網(wǎng)絡(luò)，建立工科本科生畢業(yè)設(shè)計(jì)（論文）綜合成績(jī)?cè)u(píng)定模型，并對(duì)5個(gè)學(xué)生的成績(jī)進(jìn)行評(píng)定，得到如下結(jié)論。

（1）設(shè)計(jì)的Hopfield神經(jīng)網(wǎng)絡(luò)綜合成績(jī)?cè)u(píng)定模型可以快速、直觀地對(duì)工科本科生的畢業(yè)設(shè)計(jì)（狀況）進(jìn)行進(jìn)行評(píng)定，方法簡(jiǎn)單易行，并能有效保證評(píng)定結(jié)果的準(zhǔn)確性，避免打分過程中的各種人為主觀因素，體現(xiàn)成績(jī)?cè)u(píng)定過程中的規(guī)范性和科學(xué)性。

（2）在我?，F(xiàn)有的畢業(yè)設(shè)計(jì)（論文）評(píng)定方法基礎(chǔ)上，嘗試對(duì)每個(gè)學(xué)生的畢業(yè)設(shè)計(jì)（論文） 按照上述方法再進(jìn)行一次評(píng)定，比較兩次結(jié)果是否一致。對(duì)兩次的成績(jī)?cè)u(píng)定結(jié)果，再按照加權(quán)算術(shù)平均法確定最終的畢業(yè)設(shè)計(jì)（論文）成績(jī)。

參考文獻(xiàn)

[1] 張志英.模糊評(píng)價(jià)法在本科畢業(yè)設(shè)計(jì)成績(jī)?cè)u(píng)定中的應(yīng)用[J].浙江理工大學(xué)學(xué)報(bào)， 2011，28（3）：467-470.

[2] 李瑞蘭.層次分析法在畢業(yè)設(shè)計(jì)（論文） 成績(jī)?cè)u(píng)定中的應(yīng)用[J].長(zhǎng)春工程學(xué)院學(xué)報(bào)（社會(huì)科學(xué)版），2011，12（4）：156-158.

[3] Hopfield， J. J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities. Proceedings of the National Academy of Sciences of the United States of America， 1982， 79： 2554-2558.

[4] 史峰，王小川，郁磊，等.Matlab神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京航空航天大學(xué)出版社，2011.

[5] 合肥工業(yè)大學(xué)本科畢業(yè)設(shè)計(jì)（論文）工作實(shí)施細(xì)則.合肥工業(yè)大學(xué)教務(wù)部，2014.endprint

圖1中，第0層是網(wǎng)絡(luò)輸入，第1層的神經(jīng)元執(zhí)行對(duì)輸入信息與權(quán)系數(shù)的乘積，并且求累加和，經(jīng)過非線性函數(shù)處理后，產(chǎn)生神經(jīng)元的輸出信息。是一個(gè)簡(jiǎn)單閾值函數(shù)，如果神經(jīng)元的輸出信息大于閾值，則神經(jīng)元輸出取值1；而神經(jīng)元的輸出信息小于閾值，則神經(jīng)元輸出取值-1。二值神經(jīng)元的計(jì)算如公式（1）所示

（1）

式中，為外部輸入，并且有公式（2）：

（2）

離散DHNN網(wǎng)絡(luò)是輸出神經(jīng)元信息的一個(gè)集合，DHNN網(wǎng)絡(luò)（輸出層是個(gè)神經(jīng)元）在 時(shí)刻的狀態(tài)為公式（3）所示的維向量：

（3）

采用外積法設(shè)計(jì)離散Hopfield網(wǎng)絡(luò)的權(quán)系數(shù)矩陣。給定需記憶的樣本向量，如果的狀態(tài)是1或者-1，則連接權(quán)值的學(xué)習(xí)利用外積規(guī)則，即：

（4）

利用外積法設(shè)計(jì)離散Hopfield神經(jīng)網(wǎng)絡(luò)步驟如下：

第一步，根據(jù)需要記憶的樣本，按公式（4）計(jì)算權(quán)系數(shù)矩陣；

第二步，令測(cè)試樣本為網(wǎng)絡(luò)輸出初始值，設(shè)定迭代次數(shù)；

第三步，進(jìn)行迭代計(jì)算，

；

第四步，當(dāng)達(dá)到最大迭代次數(shù)，或者神經(jīng)元輸出狀態(tài)保持不變時(shí)，迭代終止；否則返回第三步繼續(xù)迭代，直至滿足條件為止。

2 大學(xué)生畢業(yè)設(shè)計(jì)綜合成績(jī)?cè)u(píng)定模型

影響本科生畢業(yè)設(shè)計(jì)綜合成績(jī)的因素有很多，本文僅以較為重要的10個(gè)影響因素作為評(píng)價(jià)指標(biāo)：科技論文翻譯（X1）、查閱資料及學(xué)習(xí)能力（X2）、出勤率（X3）、畢業(yè)設(shè)計(jì)過程中小組檢查情況（X4）、畢業(yè)設(shè)計(jì)過程中院校督導(dǎo)組檢查情況（X5）、電算模型/程序（X6）、計(jì)算書整理（X7）、施工圖繪制（X8）、評(píng)閱人評(píng)閱（X9）、答辯過程表現(xiàn)（X10）。

參照合肥工業(yè)大學(xué)畢業(yè)設(shè)計(jì)（論文）工作實(shí)施細(xì)則，學(xué)生綜合成績(jī)可分為四五個(gè)等級(jí)：優(yōu)秀（I）、良好（II）、中等（III）、及格（IV）和不及格（V）。換算成百分制，優(yōu)秀在85～100分之間，良好在75～84分之間，中等在66～74分之間，及格在60～65分之間，不及格在0～59分之間。畢業(yè)設(shè)計(jì)（論文）綜合成績(jī)?cè)u(píng)定模型建立流程如圖2所示的五個(gè)步驟。

該文列舉出20個(gè)學(xué)生的畢業(yè)設(shè)計(jì)（論文）綜合成績(jī)?cè)u(píng)定等級(jí)與10個(gè)評(píng)價(jià)指標(biāo)之間的關(guān)系，各評(píng)價(jià)指標(biāo)采用百分制，如表1所示。將各個(gè)等級(jí)的樣本對(duì)應(yīng)的個(gè)評(píng)價(jià)指標(biāo)平均值作為各個(gè)等級(jí)理想評(píng)價(jià)指標(biāo)，即作為Hopfield神經(jīng)網(wǎng)絡(luò)的平衡點(diǎn)，如表2所示。

離散型Hopfield神經(jīng)網(wǎng)絡(luò)神經(jīng)元的狀態(tài)只有1和-1兩種情況，當(dāng)評(píng)價(jià)指標(biāo)映射為神經(jīng)元狀態(tài)時(shí)，需要將其進(jìn)行編碼。編碼規(guī)則為：當(dāng)大于或者等于某個(gè)等級(jí)的指標(biāo)時(shí)，對(duì)應(yīng)的神經(jīng)元狀態(tài)設(shè)為1，否則設(shè)為-1。理想的5個(gè)等級(jí)評(píng)價(jià)指標(biāo)編碼如圖3所示，其中表示神經(jīng)元狀態(tài)為1，即大于或等于對(duì)應(yīng)的理想評(píng)價(jià)指標(biāo)值；如果小于理想評(píng)價(jià)指標(biāo)值，則用表示。

5個(gè)待評(píng)定的學(xué)生等級(jí)評(píng)價(jià)指標(biāo)如表3所示，由前面所述的編碼原則得到這5個(gè)畢業(yè)設(shè)計(jì)（論文）綜合成績(jī)待評(píng)定學(xué)生的評(píng)價(jià)指標(biāo)編碼，如圖4所示。在Matlab軟件中利用自帶的人工神經(jīng)網(wǎng)絡(luò)工具箱，創(chuàng)建基于離散型Hopfield的綜合成績(jī)?cè)u(píng)定模型，再確定待評(píng)定的5個(gè)學(xué)生等級(jí)評(píng)價(jià)指標(biāo)的編碼，并且將其作為評(píng)定模型的輸入，經(jīng)過一定次數(shù)的學(xué)習(xí)，最終得到學(xué)生綜合成績(jī)?cè)u(píng)價(jià)的輸出結(jié)果。

為了直觀顯示結(jié)果，以圖形的形式顯示仿真結(jié)果，如圖5所示，其中第1個(gè)學(xué)生評(píng)定等級(jí)為第II級(jí)，第2個(gè)學(xué)生評(píng)定等級(jí)為第III級(jí)，第3個(gè)學(xué)生評(píng)定等級(jí)為第I級(jí)，第4個(gè)學(xué)生評(píng)定等級(jí)為第IV級(jí)，第5個(gè)學(xué)生評(píng)定等級(jí)為第V級(jí)。

3 結(jié)語

基于Hopfield人工神經(jīng)網(wǎng)絡(luò)，建立工科本科生畢業(yè)設(shè)計(jì)（論文）綜合成績(jī)?cè)u(píng)定模型，并對(duì)5個(gè)學(xué)生的成績(jī)進(jìn)行評(píng)定，得到如下結(jié)論。

（1）設(shè)計(jì)的Hopfield神經(jīng)網(wǎng)絡(luò)綜合成績(jī)?cè)u(píng)定模型可以快速、直觀地對(duì)工科本科生的畢業(yè)設(shè)計(jì)（狀況）進(jìn)行進(jìn)行評(píng)定，方法簡(jiǎn)單易行，并能有效保證評(píng)定結(jié)果的準(zhǔn)確性，避免打分過程中的各種人為主觀因素，體現(xiàn)成績(jī)?cè)u(píng)定過程中的規(guī)范性和科學(xué)性。

（2）在我?，F(xiàn)有的畢業(yè)設(shè)計(jì)（論文）評(píng)定方法基礎(chǔ)上，嘗試對(duì)每個(gè)學(xué)生的畢業(yè)設(shè)計(jì)（論文） 按照上述方法再進(jìn)行一次評(píng)定，比較兩次結(jié)果是否一致。對(duì)兩次的成績(jī)?cè)u(píng)定結(jié)果，再按照加權(quán)算術(shù)平均法確定最終的畢業(yè)設(shè)計(jì)（論文）成績(jī)。

參考文獻(xiàn)

[1] 張志英.模糊評(píng)價(jià)法在本科畢業(yè)設(shè)計(jì)成績(jī)?cè)u(píng)定中的應(yīng)用[J].浙江理工大學(xué)學(xué)報(bào)， 2011，28（3）：467-470.

[2] 李瑞蘭.層次分析法在畢業(yè)設(shè)計(jì)（論文） 成績(jī)?cè)u(píng)定中的應(yīng)用[J].長(zhǎng)春工程學(xué)院學(xué)報(bào)（社會(huì)科學(xué)版），2011，12（4）：156-158.

[3] Hopfield， J. J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities. Proceedings of the National Academy of Sciences of the United States of America， 1982， 79： 2554-2558.

[4] 史峰，王小川，郁磊，等.Matlab神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京航空航天大學(xué)出版社，2011.

[5] 合肥工業(yè)大學(xué)本科畢業(yè)設(shè)計(jì)（論文）工作實(shí)施細(xì)則.合肥工業(yè)大學(xué)教務(wù)部，2014.endprint