神經網絡經濟學

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篇神經網絡經濟學范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

神經網絡經濟學范文第1篇

關鍵詞：數據挖掘；神經網絡；極速學習機

中圖分類號：TP18文獻標識碼：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

隨著計算機硬件設備技術的穩定進步為人類提供了大量的數據收集設備和存儲介質；數據庫技術的成熟和普及已使人類積累的數據量正以指數方式增長；Internet技術的出現和發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上交換信息和協同工作。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。人類怎樣從數據中獲取知識，就是在這個背景下，數據挖掘應運而生。

但面對海量的不同類型的數據集，參考文獻[1]中提出了數據挖掘遇到了的三個困難：首先，巨量數據集的性質往往非常復雜，非線性、時序性與噪音普遍存在；其次，數據分析的目標具有多樣性，而復雜目標無論在表述上還是處理上均與領域知識有關；第三，在復雜目標下，對巨量數據集的分析，目前還沒有現成的滿足可計算條件的一般性理論與方法。由于真實世界的數據關系是很復雜的，非線性程度相當高，而且普遍存在著噪音。如果把神經計算技術用于數據挖掘中，借助神經網絡的非線性處理能力和容噪能力，能夠較好的解決數據挖掘中存在的問題。但將神經計算技術用于數據挖掘主要存在兩大障礙：第一是神經網絡學到的知識難于理解；第二是學習時間太長，不適合于大型數據集。把這兩個問題解決基于神經網絡的數據挖掘將具有廣泛的應用前景。針對上述存在的問題，基于神經網絡的數據挖掘主要有兩方面的研究內容，即增強神經網絡的可理解性以及提高網絡學習速度。對于前者，主要是從神經網絡中抽取易于理解的規則，后者的解決方法是設計快速學習算法。本文針對基于神經網絡的數據挖掘存在的第二個問題，即設計快速學習算法，對目前所有的神經網絡極速學習算法進行綜述。

神經網絡極速學習方法主要是用于分類和回歸。分類在數據挖掘中是一項非常重要的任務，分類的目的是學會一個分類函數或分類模型（分類器），該模型能把數據集中的數據項映射到給定類別中的某一個類別，分類也可以用來預測。分類器的構造方法有統計方法、機器學習方法、神經網絡方法等等。另外許多技術也可以用于分類器的構造，如粗糙集、模糊數學等。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；規則歸納方法代表算法有AQ算法和FOIL算法；神經網絡方法主要是BP算法。以上這些算法都是比較經典且有代表性的算法。不同于傳統的學習方法，Huang為單隱層前饋神經網絡（Single-hidden Layer Feedforward Neural Network, SLFN）提出了一種稱為極速學習機(Extreme Learning Machine, ELM)的學習方法,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 單隱層前饋神經網絡(SLFN)模型

神經網絡逐步的應用于各個領域，尤其是單隱層前饋神經網絡的學習能力強，且不同的激勵函數可以用于不同的應用領域。對于N個不同的樣本(xi,ti)，其中一個隱藏層節點數目為N'激勵函數g(x)的SLFN的統一模型為

其中αi=[αi1, αi2,…, αin]T是連接第i個隱藏層結點的輸入權值，bi是i個隱藏層結點的偏差(bias)；βi=[βi1, βi2,…, βim]T是連接第i個隱藏層結點的輸出權值； αi.xj表示αi與xj的內積。激勵函數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的權值W=(a,b, β)使得E(W)最小，其數學模型可表示為

其中εj=[εj1, εj2,…, εjm]是第j個樣本的誤差。

SFLN自身具有很多優點[9-13]，所以在數據挖掘、自動控制及模式識別等領域取得了廣泛的應用，它具有如下的優點：具有很強的學習能力，能夠逼近復雜非線性函數；能夠解決傳統參數方法無法解決的問題。但是由于缺乏快速學習方法，傳統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，網絡的所有參數都需要在訓練過程中迭代確定。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神經網絡模型是目前應用最廣泛的模型之一[2]，BP訓練方法是通過反向誤差傳播原理不斷調整網絡權值使得實際輸出與期望輸出之間的誤差平方和達到最小或小于某個閾值。當H未知時，通常采用梯度下降法迭代調整W：

其中η代表學習速率。

基于梯度下降法BP存在以下缺點：

1) 訓練速度慢。因為需要多次的迭代，所以時間消耗很長；

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

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，無法達到全局最小[3]；

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

3 極速學習機(ELM)

一個具有N個隱藏結點的SFLN， 即使輸入權值是隨機取值，它也能夠準確擬合N個不同的實例，更明確的講， SFLN的學習能力只與隱藏層結點的數目有關，而和輸入層的權值無關。基于這一思想，為了改進SFLN的學習效率，Huang基于SFLN模型提出了一種稱為極速學習方法[5]，其基本思想是：設置合適的隱藏層結點數，為輸入權值和隱藏層偏差進行隨機賦值，然后輸出層權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:

給定一個訓練集 激勵函數g(x)以及隱藏層結點數N’。

1) 隨機指定輸入權值和偏差(ai,bi)i=1,2,…,N。

2) 計算隱藏層輸出矩陣：

3) 計算輸出權值。

雖然使用ELM訓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的隱藏結點數目需要被確定，在前面的研究中，隱藏結點的數目是通過實驗和誤差方法得到，但這不是最優的，對于不同的應用怎樣選擇合適的網絡結構仍然是未知的；二是ELM有時需要很大的網絡結構(隱藏結點的數目很多)，由于初始階段是一個隨機過程，網絡的復雜性會影響到算法的泛化性能。

4 啟發式方法

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

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)應用于模式分類中，其基本思想是：首先隨機生成一個大的網絡，然后使用?字2和信息增益方法來移除隱藏結點來降低類間的相關性。

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算法構建MLP(Multilayer Perceptron)；使用MRSR(Multiresponse sparse regression)算法對隱藏結點進行排序[15]；使用LOO(Leave-One-Out)選擇隱藏結點。

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：在開始移除隱藏結點之前，要確定網絡最終的規模是很難的；在很多時候，剪枝方法要處理網絡規模(應該移除隱藏節點的選擇)，這樣會增加計算復雜性和需要更多的訓練時間。這樣雖然降低了網絡的復雜性，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點，如果訓練樣本很大，此算法的效率會變得更差。研究者們又提出了新的啟發式方法，增加隱藏節點到隱藏層。

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學習方法的基本思想：在學習訓練的過程中，一個一個的隨機生成隱藏結點增加到隱藏層，當新的隱藏結點增加到網絡中時，輸出權值不會被重計算，既輸出權值不會被更新，添加隱藏結點以后重新調整網絡結構。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絡結構，它增加隱藏結點的停止標準是隱藏節點達到最大值或是訓練率小于期望值，最大隱藏節點的數目和訓練率是由用戶規定的。用戶沒有標準判斷最大隱藏結點的數目和訓練精度應該是多大，所以這種方法得到的網絡結構不是最優的。

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點并將它們及時添加于隱藏層，輸出權值同時被更新，更新后重新調整網絡結構，直到達到訓練精確度或最大隱藏結點數目。訓練精確度和最大隱藏結點數目是由用戶自己規定的。

I-ELM和 EM-ELM這兩種增長方法，它們的思想都是添加隱藏結點到隱藏層，然后重新調整網絡結構。但是他們停止增加隱藏結點的條件都是達到最大隱藏結點的數目或達到訓練精確度，而這兩個參數是由用戶規定的，對于不同的應用，用戶應該如何設置這樣的參數也沒有標準。所以通過這兩種方法得到的神經網絡結構也不是最優的。

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點最大數目和訓練精確度，還是一個未知的問題，這樣會導致所產生的網絡結構不是最佳的。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點作為候選庫，從候選庫中選擇最重要的結點來調整網絡結構，在訓練的過程中，主要是要選擇最佳隱藏結點的數目。當隱藏結點的選擇標準是：當無偏風險估計標準CP達到最小時，隱藏結點的數目達到最佳。此方法主要有3個步驟：初始化階段，將訓練數據集分成不相交的兩部分；選擇階段，選擇最佳的隱藏結點數P*；訓練和測試階段，根據選擇的P*重新構建網絡結構，對數據集進行訓練和測試。

CS-ELM算法的基本思想及步驟如下：

給定一個訓練數據集{(xi,ti)}2n i=1、激勵函數g(x)以及隱藏結點的最大數目Lmax。

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

第二階段：當k=0設置L0=0,y(0)=0, β(0)=0,p=?準和Hp=0。將矩陣H和t零均值化。

不斷迭代計算殘差，使無偏風險估計標準CP達到最小時，隱藏結點的數目達到最佳。

第三階段：第二階段得到最佳的隱藏結點數目以后重構網絡，對分組的數據進行訓練和測試。

CS-ELM與I-ELM和 EM-ELM相比，能夠重構最佳的網絡結構，但是CS-ELM算法是一種貪心方法，當隱藏結點數P*被確定時，可能會影響后面隱藏結點的選擇，當一個新的隱藏結點增加于隱藏層時，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，只能達到局部最優。基于OLS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點，選擇重要的隱藏結點一個一個的添加于隱藏層中，整個過程依賴于矩陣分解，選擇隱藏結點的停止標準是隱藏結點的數目達到默認值。添加隱藏結點以后重新調整網絡結構，對數據集進行訓練和測試。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，隨機生成隱藏結點于網絡模型中，作為隱藏結點候選庫，使用前向回歸算法選擇隱藏結點添加于網絡中，直到無偏風險估計標準CP達到最小值，通過隱藏結點的網絡貢獻度來衡量隱藏結點的重要性。第二階段，選擇的隱藏結點被修正，一些不重要的隱藏結點被移除，降低網絡的復雜性。該算法通過計算隱藏結點的網絡貢獻度，作為衡量隱藏結點重要程度的度量標準，選擇重要的隱藏結點添加網絡并重構網絡，移除不重要的結點來降低網絡復雜性，此算法的泛化性能和學習能力得到均衡，重構的網絡也是最佳的。

5 極速學習方法（ELM）的應用

神經網絡的應用十分廣泛，尤其是單隱層前饋神經網絡的學習能力強，不同的激勵函數可以用于不同的應用領域。為了提高單隱層前饋神經網絡的學習能力和泛化性能，提出了極速學習方法，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）。比較常見的應用領域有：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、神經科學等幾個方面，除了以上這些，神經網絡在下面這些領域也有著廣泛的應用前景：娛樂、零售分析、信用分析、航空與航天和醫療診斷系統等[25]。極速學習方法是基于BP的改進學習方法，在以上這些領域，它也將有著廣泛的應用前景。

6 總結

學習性能和泛化性能是神經網絡研究中的最重要的兩個問題,當神經網絡的學習能力較強時,會導致過度擬合問題，使得神經網絡模型訓練結果很好，但用來預測未知數據時表現很差，即泛化性能差，所以神經網絡的學習性能和泛化性能是一對矛盾。為了使兩者均衡，選擇合適的網絡結構（如隱藏神經元的數目）、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，為了使神經網絡的泛化性能和學習能力得到均衡，研究者們主要是隱藏結點的選擇對網絡結構進行調整，以提升學習能力和泛化性能。而在網絡模型中的輸入權值和偏差并沒有單獨考慮，只是配合隱藏結點的選擇而選擇，但網絡的學習性能和泛化性能也必和這兩個參數有關系，所以這兩個參數應該被考慮。對于不同的數據集，不同的應用領域，應該如何調整網絡結構也是一個未知的問題，如果要將神經網絡極速學習方法真正用于不同的領域，這些都是必需要考慮的。在未來的研究中，將在線學習與遺傳算法、ELM及SVM結合起來將是一個值得研究的問題。在應用方面，可以用于任何分類問題和回歸問題中，如何將神經網絡極速學習方法用于具體的應用領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.神經計算研究現狀及發展趨勢[J].計算機應用研究,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.

神經網絡經濟學范文第2篇

關鍵詞: 神經網絡;模擬項目;三部曲式

一、引言

我國高職院校以服務為宗旨,以就業為導向,以技能為本位,以培養新型生產技術、管理一線需要的緊缺型技能人才為目標,為推進我國加快社會主義現代化建設進程中具有不可替代的作用.而模擬項目教學是高職、中職教育的核心組成部分.在教育部明確規定:高職教育人才培養模式的重點是教學過程的實踐性、項目性、職業性和進程性,而項目、挖掘、融合、進程是四個關鍵技術環節.最近我國高職教育蓬勃發展、競爭日趨激烈,如何提高高職教學質量、增強學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質量的評估是提高高職教學質量的有效模式,必將對高職院校提高教學質量、增強學校的特色競爭力,起到核心作用.基于高職院校模擬項目教學“模擬項目嵌入式融合、校企合作”的辦學特點,從高職院校模擬項目教學質量“三部曲式”環節人手,搭建高職院校模擬項目教學質量評估指標體系,以高職院校模擬項目教學質量評估提供一種科學進程性的方法.

二、基于神經網絡的高職模擬項目教學質量“三部曲式”模式

2.1神經網絡原理

神經網絡的全稱是人工神經網絡,它是在神經科學研究的基礎上模仿人類大腦的結構和功能而構成的一種信息采集處理系統.神經網絡由大量的神經元互相連接而成,它的信息處理通過神經元的相互作用來實現,知識與信息的存儲表現為物聯網技術接點互聯嵌入式的物理關系.因此,它為模式識別、非線性分類等研究開辟了新的術語.

2.2基于神經網絡評估原理

神經網絡是一種具有三層(輸入層、隱含層、輸出層)或三層以上單向傳播的多層前向網絡結構,它的上下層之間實現全神經元連接.神經網絡是利用非線性可微積分函數進行權值訓練的多層網絡.為了加快網絡訓練的收斂速度,采用變化的學習速率或自適應的學習速率對BP算法加以改進優化.神經網絡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.神經網絡通過對簡單的非線性函數進行數次復合,可得出近似復雜的函數.

我將高職模擬項目教學質量評估的各指標屬性值進行歸一化處理后作為BP神經網絡模式的輸入向量,將評估結果作為神經網絡模式的輸出,用足夠多的樣本訓練這個網絡,使其獲取評估專家的經驗、知識、主觀判斷及其對指標重要性的傾向,這樣神經網絡模式所具有的那組權系數值便是網絡經過自適應學習所得到的正確知識內部表示,訓練好的神經網絡模式根據待評估各指標的歸屬值,就可得到對高職模擬項目教學質量評估的評估結果.

2.3基于高職項模擬目教學質量“三部曲式”指標體系的建設

“三部曲式”指標體系的搭建是高職院校模擬項目教學質量評估的核心內容.“三部曲式”指標體系設計的科學與否,是高職院校模擬項目教學質量評估成敗的關鍵所在.為了突出高職院校模擬項目教學的特色,體現高職院校模擬項目教學評估的特色,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,確立模擬項目教學質量“三部曲式”指標體系如表1所示.

2.4基于高職模擬項目教學質量評估模式建立

神經網絡的輸入和輸出層的神經元數目,是由輸入和輸出向量的維數確定的,輸入向量的維數也是影響元素的個數,這里綜合考慮影響模擬項目教學質量的各種元素,選取了能夠全面反映高職院校模擬項目教學質量“三部曲式”指標體現中的29個元素,所以輸入層的神經元個數為29.輸出層作為模擬項目教學質量評估結果的網絡輸出,神經元個數確定為1,目標輸出模式為(O,1)間的一個數,評估集設為(優秀、良好、合格、不合格),對應的指數區間集合={(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,因此,輸出層神經元的傳遞函數可選用S型對數函數了logsig型.實踐證明,隱含層數目的增加可以提高神經網絡的非線性映射能力,但是隱含層數目超過一定值,網絡性能反而會降低.在合理的結構和恰當的權值條件下,3層BP神經網絡可以逼近任意的連續函數.因此這里采用結構相對簡單的3層BP網絡.隱含層的神經元個數直接影響著網絡的非線性預測性能.根據Kolmogorov定理,設定網絡的隱含層神經元個數為27.

表一高職院校模擬項目教學質量“三部曲式”指標體系

三、神經網絡結構與算法

神經網絡對模擬項目教學質量評估系統進行辯識模擬.主要進行非線性系統的輸出輸入映射關系建模.其主要結構是由一個輸入層,一個或多個隱含層,一個輸出層組成,各層由若干個神經元(節點)構成,每一個節點的輸出值由輸入值、作用函數和閾值決定.(圖一)

該模型由三層神經元組成:輸入層、隱含層和輸出層,不同層之間的神經元采用全互聯方式,同一層的神經元之間不存在互相連接。輸入層為經過標準化處理的各評價指標值,輸出層只有一個神經元。

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,以期使網絡的實際輸出值與期望輸出值的誤差均方值最小,網絡的學習過程是誤差一邊向后傳播一邊修正加權系數的過程,故可用其對模擬教學質量評估體系進行識別.

設網絡的輸入向量其中X是模擬教學質量評估系統各個指標體系.由于輸入樣本為29維的輸入向量,因此這里n=29.網絡的隱含層為:;其中,{}為權系數;a()為系統的傳遞函數或激勵函數.網絡的輸出層為: 其中,是神經往來系統的輸出變量;{}為權系數.設準則函數為:BP算法可使性能指標最小化,為了保證系統的全局穩定性,把被辨識模擬對象的實際輸出Y作為反饋信號燈,將其與神經網絡辨識模擬器的輸出比較,使,其中為一個很小的數,如果不滿足要求,則不斷調整權系數,以達到期望要求.根據反向傳播計算公式,可得如下權系數學習規律.其中為學習修正率0≤1.

四、高職模擬項目教學質量“三部曲式”模式的實現

網絡結構及算法確定以后,需要利用樣本數據通過一定的學習規則訓練,以提高網絡的適應能力.由1分析此模式的實現采用BP三層網絡結構,利用軟件MATLAB建模型,輸入層29個神經元,隱含層27個神經元,輸出層1個神經元,訓練步數50,目標誤差為0.001,網絡訓練次數100次.

五、結束語

通過BP神經網絡測試結果進行分析,證明模擬項目教學質量“三部曲式”指標體系及神經網絡評估模式是科學、合理的,可操作的,它克服了以往教學評估中的主觀性較強的缺點.而這種模式的應用為高職院校模擬項目教學質量評估提供一種新的思路和新的評估方法.

參考文獻:

神經網絡經濟學范文第3篇

由于人體與疾病的復雜性，不可預測性，非常適合人工神經網絡的應用。目前的研究幾乎涉及從基礎醫學到臨床醫學的所有方面，主要應用于生物信號的檢測與自動分析，醫學專家系統等。

在麻醉與危重醫學相關領域的研究涉及到多生理變量的分析與預測，從臨床數據中發現一些尚未發現或尚無確切證據的關系與現象，信號處理，干擾信號的自動區分檢測，各種臨床狀況的預測，單獨或結合其他人工智能技術進行麻醉閉環控制等。

在圍術期和重癥監護與治療階段，需要獲取大量的信息，將可能在信號處理、基于動態數據驅動的輔助決策專家系統、數據挖掘、各種臨床狀況的預測、智能化床旁監護、遠程醫療與教學、醫療機器人等各方面廣泛運用到人工神經網絡技術和其他人工智能技術。

一、概述

人工神經網絡（Artificial Neural Network， ANN）是人工智能(Artificial Intelligence， AI)學科的重要分支。經過50多年的發展，已成為一門應用廣泛，涉及神經生理學、認識科學、數理科學、心理學、信息科學、計算機科學、微電子學等多學科交叉、綜合的前沿學科。

現代計算機的計算構成單元的速度為納秒級，人腦中單個神經細胞的反應時間為毫秒級，計算機的運算能力為人腦的幾百萬倍。可是，迄今為止，計算機在解決一些人可以輕而易舉完成的簡單任務時，例如視覺、聽覺、嗅覺，或如人臉識別、騎自行車、打球等涉及聯想或經驗的問題時卻十分遲鈍。也不具備人腦的記憶與聯想能力，學習與認知能力，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值和邏輯運算。而構成腦組織的基本單元是神經元，每個神經元有數以千計的通道同其他神經元廣泛相互連接，形成復雜的生物神經網絡。生物神經網絡以神經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合的群體協同工作方式使得人腦呈現出目前計算機無法模擬的神奇智能。

人工神經網絡就是在對人腦神經網絡的基本研究的基礎上，采用數理方法和信息處理的角度對人腦神經網絡進行抽象，并建立的某種簡化模型。一個人工神經網絡是由大量神經元節點互連而成的復雜網絡，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。一個基于人工神經網絡的智能系統是通過學習獲取知識后建立的，它通過對大量實例的反復學習，由內部自適應機制使神經網絡的互連結構及各連接權值穩定分布，這就表示了經過學習獲得的知識。

人工神經網絡是一種非線性的處理單元。只有當神經元對所有的輸入信號的綜合處理結果超過某一門限值后才輸出一個信號。因此神經網絡是一種具有高度非線性的超大規模連續時間動力學系統。它突破了傳統的以線性處理為基礎的數字電子計算機的局限，標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，神經網絡的軟件模擬得到了廣泛研究和應用，發展速度驚人。1987年在圣地亞哥召開了首屆國際神經網絡大會，國際神經網絡聯合會(INNS)宣告成立。這標志著世界范圍內掀起神經網絡開發研究熱潮的開始。

二、醫學領域應用現狀與前景

由于人體與疾病的復雜性，不可預測性，在生物信號與信息的表現形式、變化規律（自身變化與醫學干預后變化），對其檢測與信號表達，獲取的數據及信息的分析、決策等諸多方面均存在大量復雜的非線性關系，非常適合人工神經網絡的應用。目前的研究幾乎涉及從基礎醫學到臨床醫學的所有方面，主要應用于生物信號的檢測與自動分析，醫學專家系統等。

1、信號處理：

在生物醫學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，聽覺誘發電位信號的提取，醫學圖像的識別和數據壓縮處理等。

2、醫學專家系統

醫學專家系統就是運用專家系統的設計原理與方法， 模擬醫學專家診斷、治療疾病的思維過程編制的計算機程序， 它可以幫助醫生解決復雜的醫學問題， 作為醫生診斷、治療的輔助工具。 “傳統”的專家系統，通過把專家的經驗和知識以規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療診斷。但一些疑難病癥的復雜形式使其很難用一些規則來描述，甚至難以用簡單的語言來表達；專家們常常難以精確分析自己的智能診斷過程。另一方面，基于規則的專家系統，隨著數據庫規模的增大，可能導致組合爆炸，推理效率很低。由于人工神經網絡能夠解決知識獲取途徑中出現的“瓶頸”現象、知識“組合爆炸”問題以及提高知識的推理能力和自組織、自學習能力等等， 從而加速了神經網絡在醫學專家系統中的應用和發展。

Sordo比較了采用不同網絡結構和學習算法的神經網絡在診斷胎兒唐氏綜合征(Down’s Syndrome) 上的成績。正確分類率為84 %， 超過了現今所用的統計方法的60 %～70 % 的分類率。

臺灣DEU科技（德亞科技）開發的計算機輔助檢測系統Rapid ScreenTM RS-2000為全世界最先通過美國FDA認證的早期肺癌輔助診測系統。該產品采用人工智能神經網絡ANN，自動標識數字胸片中可疑結節區。經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網絡制造了一種儀器，它可正確地區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，輸入能識別復雜參數的ANN，分析的敏感性和特異性均達100%。

3、其他：

生物信息學中的研究中可應用于基因組序列分析、蛋白質的結構預測和分類、網絡智能查詢等方面。

藥學領域廣泛應用于定量藥物設計、藥物分析、藥動/藥效學等方面。例如：用于預測藥物效應。Veng-Pederson用神經網絡預測阿芬太尼對兔心率的影響，對用藥后180-300分鐘的藥物效應取得了較好的預測結果（平均相對預測準確度達78%）。分析群體藥動學數據，以獲知群體藥動學特征和不同人口統計因子對藥物行為的影響，對臨床用藥具有指導意義。

4、麻醉與危重醫學相關領域的研究

手術室和ICU內是病人信息富集的地方，而且大量的信息處在動態變化中，隨著醫學技術的飛速進步，所能獲取的信息越來越多，醫護人員面臨著“信息轟炸”。神經網絡技術可以很好地幫助我們應對這些問題。例如：

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

2）結合數據挖掘技術，可能從海量數據庫例如電子病歷系統中，發現一些尚未發現或尚無確切證據的關系與現象：Buchman 研究了神經網絡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的變化預測在ICU延遲（>7天）。

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

4）干擾信號的自動區分檢測：Jeleazcov C等利用BP神經網絡區分麻醉中和后檢測到的EEG信號中的假信號，是傳統EEG噪音檢測方法的1.39-1.89倍。

5）各種臨床狀況的預測：Laffey用ANN預測肌肉松弛藥的殘留，發現明顯優于醫生的評估，還有用于預測propfol劑量個體差異的，預測術后惡心、嘔吐，預測全麻后PACU停留時間，預測ICU死亡率等較多的研究。

神經網絡經濟學范文第4篇

關鍵詞:學生綜合素質評價;BP神經網絡;算法設計

中圖分類號:TP311文獻標識碼: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

學校德育教育是提高學生綜合素質的重要一環,在學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據處理,為了體現其科學性和公平性,采用先進的計算機技術進行學生綜合素質量化評估勢在必行。

1 問題的提出

據調查,目前在學校里對學生素質評價的方法,主要有以下幾種:

1) 定性描述法

在學期或學年結束時,班主任根據學生在班級、學校和社會活動中的行為表現,運用文字對學生的綜合素質進行描述,作為對學生的評價。這種方法在評價學生綜合素質時起過一定的作用,但是,由于教師對學生綜合素質評價的內容不明確,要求不統一,帶有一定的主觀片面性和模糊性。

2) 等級劃分法

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

3) 自我總結法

這種方法是以學生為主,在教師的指導下總結自己的收獲,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欄內。這種方法是以學生的自我評價為主,它對于提高學生的自我評價能力,具有一定的促進作用。但是,由于沒有老師和同學們參加評價,其評價結果缺乏客觀性。

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,作為對學生的評價結果。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,對學生的綜合素質的結構,沒有明確統一的規定和具體要求;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量表和采用科學的測量手段等等。所以,評價的結果往往帶有主觀片面性,評語內容的不確定性,以及處在同一等級的同學之間存在差異的模糊性。于是最近又提出了對學生綜合素質定量進行測量和評價。

5) 定量分數法

將構成學生綜合素質的各種因素數量化,并制定出綜合素質量表。在具體的進行測量和評價時,把學生綜合素質所含每種因素的發展程度分為優、良、中、差四個等級,每個等級分別對應一定的標準值。對不同因素確定不同的權重大小,再綜合學生每個因素所取得的標準值,最后得出學生的綜合素質分。

用定量的方法對學生的綜合素質發展程度進行評價時,不同因素需要確定不同的權重大小。權重的大小對評估結果十分重要,它反映了各指標的相對重要性。由于對不同的因素的權重是人為給定的,而學生綜合素質的各項因素對學生的整體素質存在不可確定的影響程度,因些在對學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BP神經網絡的基本概念和原理,用神經網絡自我學習的方法,對中學生綜合素質進行測量和評價。BP神經網絡能利用經驗樣本對神經網絡的訓練,達到神經網絡的自我學習,在網絡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,無需建立具體的數學模型和規則,可以處理那些難以用模型或規則描述的過程或系統。神經網絡具有自組織、自學習、自適應的特點,能通過連接權重的不斷調整,克服權重確定的困難,弱化人為因素,自動適應信息、學習新知識,最終通過學習訓練對實際學習樣本提出合理的求解規則,對學生的綜合素質的整體評定具有十分重要的意義。首先我們來了解BP神經網絡的基本原理。

2BP神經網絡的基本原理

1) 神經元網絡基本概念

神經網絡是單個并行處理元素的集合,從生物學神經系統得到啟發。在自然界,網絡功能主要由神經節決定,可以通過改變連接點的權重來訓練神經網絡完成特定的功能。如圖1所示。這里,網絡將根據輸出和目標的比較而進行調整,直到網絡輸出和目標匹配。

2) 神經元網絡結構

圖2所示為一個單標量輸入且無偏置的神經元。

神經元輸出計算公式為:a=f(wp+b)。神經元中的w和b都是可調整的標量參數。可以選擇特定的傳輸函數,通過調整權重 和偏置參量 訓練神經網絡做一定的工作,或者神經網絡自己調整參數以得到想要的結果。

3) BP結構及算法描述

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

BP網絡是采用Widrow-Hoff學習算法和非線性可微傳輸函數的多層網絡。網絡的學習過程由正向和反向傳播兩部分組成。在正向傳播過程中,每一層神經元的狀態只影響到下一層神經元網絡,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,通過修改各層神經元的權值,逐次地向輸入層傳播去進行計算,再經過正向傳播過程,這兩個過程的反復運用,使得誤差信號最小。實際上,誤差達到人們所希望的要求時,網絡的學習過程就結束了。

4) 反向傳播算法

反向傳播學習算法最簡單的應用是沿著性能函數最速增加的方向一梯度的負方向更新權重和偏置。這種遞歸算法可以寫成:

xk+1=xk-ak*gk

這里xk是當前權重和偏置向量,gk是當前梯度,ak是學習速率。在神經元中,學習速度又稱為“學習速率”,它決定每一次循環訓練中所產生的權值變化量(即該值的存在是神經元網絡的一個必須的參數)。大的學習速度可能導致系統的不穩定,但小的學習速度將會導致訓練較長,收斂速度很慢,通常情況下取值在0-01～0,8之間。

3 基于BP神經網絡的學生綜合素質量化評估模型

從上述對神經元網絡基本概念的研究,我們可以看出BP神經網絡主要根據所提供的數據,通過學習和訓練,找出輸入與輸出之間的內在聯系,從而求取問題的解,而不是完全依據對問題的經驗知識和規則,因而具有自適應功能,這對于弱化權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據,具有泛化功能和很強的容錯能力;由于實際對學生量化評估往往是非常復雜的,各個因素之間相互影響,呈現出復雜的非線性關系,人工神經網絡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,基于神經網絡的評價方法越來越顯示出它的優越性。結合學校對學生進行綜合素質評估考核的具體問題,我們提出以下設計。

3.1量化評估內容的確定

1) 確定學生的綜合素質結構

學生的綜合素質結構,主要是根據一定歷史階段的社會要求、學校對學生的傳統要求,以及各個不同年齡階段學生心理和生理發展的特征來確定的,它具有一定的社會性、科學性、可行性。以教育部提出的職業學校學生發展目標為依據,評定內容包括:道德品質與公民素養、學習能力、交流與合作能力、運動與健康、審美與表現、職業技能等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系和相互促進的,它既反映了社會的、學校的具體要求,又符合學生綜合素質發展和形成的規律。當然,在實際評價學生中,可以根據學校的實際特點進一步確定各要素,進一步構成學生綜合素質評價的綜合評價指標體系。

2) 學生綜合素質評價的結構設計

用BP神經網絡進行學生綜合素質評價結構的設計如圖3所示。對學生的綜合素質進行量化評估時,從輸入層輸入評價學生綜合素質的n個評價指標因素信息,經隱含層處理后傳入輸入層,其輸出值y即為學生評估結果。這n個評價指標因素的設置,要考慮到能符合學生綜合素質發展和形成的規律,能全面評價學生的綜合素質狀況。

網絡結構的參數選擇十分重要,由于輸入層與隱含層神經元個數的增加會增加網絡的表達能力,不僅會降低系統的性能,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元的數目。為使模型即有理論價值又有可操作性,本例對應于對學生綜合素質考核結構的六個因素,本文采用6個輸入神經元,分別為道德品質與公民素養、學習能力、交流與合作能力、運動與健康、審美與表現、職業技能等評價指標。由于目前隱單元數尚無一般的指導原則,為了兼顧網絡的學習能力和學習速度,隱含層神經元的個數選擇采用試算法,在網絡訓練過程中進行調整。筆者首先選定15,用訓練樣本來學習,然后減少隱含層單元數后再進行學習,通過觀察訓練誤差變化的大小來調整隱單元數。其原則是:若在減少隱單元數進行訓練時過程平衡(即逐步收斂并達到較小的誤差)且誤差無顯著增加,則說明減少隱單元數是合適的;否則表明隱單元數不宜減少,而應增加隱單元數直到滿意為止。選擇一個輸入神經元為學生綜合素質最終評價結果,分別以0、0,5、1對應于學生評議等級的優、良、中三種不同的評價結果。經過多次實驗,最后得到適宜的網絡模型為6-4-1網絡模式。

3.2 量化評估模型

1) 指標體系的規范化處理

根據神經網絡計算規則,為了保證輸出在線性部分,不到兩端去,應保證輸入輸出在0-1之間,反傳達時也一樣,輸出應在0~1之間。因此要將原始數據歸一預處理,變換為[0,1]區間的數值,得到規范化數據,作為輸入輸出節點的樣本數據。原始數據采用我校高一年一個班級的50名學生的學生綜合素質各項指標因素樣本數據,將實際數據分為兩組:前40名學生的各項指標因素成績樣本數據作為學習樣本,后10名學生的成績數據作為測試樣本。

2) 學習算法

本模型采用6-4-1BP神經網絡結構,其中輸入層為6個指標值和一個閾值。模型初始化時對所有的連接權賦予(0,1)上分布的隨機數,閾值取1。權值的修正依據帶慣性因子的delta規則。根據多次試驗的結果,其中,慣性因子α=0.075,學習率η=0.85,將樣本數據40組為一次循環,每次循環記錄40組樣本中最大的學習誤差。經過多次的學習,最后觀察網絡輸入與期望輸出的相對誤差,當誤差小于0.005時,學習結束。可以得到如果增大樣本的個數,精度還會進一步提高。

本文探討了神經網絡在學生綜合素質評價上的應用方法,可取得較為理想的結果,它可以解決用傳統統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,無法表達和分析評估系統的輸入與輸出間的關系,因此也難于對所得結果作任何解釋,對求得的結果作統計檢驗;再者,采用神經網絡作評價系統時,由沒有一個便于選定最合適的神經網絡結構的標準方法,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;還有樣本數據需要足夠的多,才能得到較為理想的結果。

參考文獻:

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

[2] 聞新,周露,李翔,張寶偉.MATLAB神經網絡仿真與應用[M].北京:科學出版社,2008.

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

神經網絡經濟學范文第5篇

（遼寧工業大學學生工作處，遼寧錦州121001）

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

關鍵詞 ：網絡環境；大學生；談話工作；現實需要；可行性

中圖分類號：G641文獻標識碼：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。遼寧工業大學學生工作處，講師，碩士，研究方向：思想政治教育。

輔導員工作的重中之重莫過于對學生進行思想教育工作。長久以來，輔導員在日常工作中面對不同的學生，通過交流了解學生的思想動態，解決學生學習和生活中存在的問題，以達到或鼓勵、或教育、或安慰、或幫助等目的。隨著網絡平臺的飛速發展，大學生的學習、生活、溝通方式等在不斷地發生變化，因此，網絡環境中的交流也逐漸成為學生談話工作的主要方式。

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

二、在網絡環境下深化學生談話工作的現實需要

（一）學生網民逐漸增多，網絡對學生的影響逐步加深

當今，隨著網絡的迅猛發展，人們生活的重心、工作方式等都相對發生了不同程度的改變，特別是互聯網的日益普及對青年學生的思想觀念、價值取向、行為方式、思維方式等產生了深刻的影響。根據中國互聯網信息中心（CNNIC）的調查，2008年，中國網民的數量已經達到2.53億人，中國網民的規模已經躍居世界第一位，而中國網民的主體主要是30歲以下的年輕群體，而年輕群體中又以學生網民所占的比例最大，達到了30%，學生網民已經達到7600萬人。

（二）網絡環境可以彌補傳統談話工作的局限性

首先，傳統的談心工作必須依托于一定的思想政治教育活動，輔導員對于談話的目標、過程、方式、場所等必須要準備細致，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。網絡環境減少了學生與教師面對面談話中產生的尷尬和抵觸情緒，交流方式更容易為學生所接受。

其次，在網絡環境下更容易觀察談話工作的效果。傳統的談話結束之后，經過一段時間后需要再次與談話對象進行談話，間斷性地了解學生的變化。而網絡中的言論相對自由，通過觀察學生的日志、留言或空間等可以隨時了解學生在談話后的狀態。

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

（三）網絡環境適應大學生心理發展的規律

學生接受某種意見而讓自己發生改變的前提條件是對該種意見不反感，愿意去嘗試、調整，從而選擇接受這種意見。傳統談話工作由于其面對面的談話方式，往往容易引起學生逆反心理和對抗心理的出現。加之隨著學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度以及行動上的反抗意識都愈發強烈。因此，利用網絡環境，采取教育目的隱蔽、教育方法間接的談話方式來消除學生的逆反心理，沖破學生的心理防線是十分必要的。

三、在網絡環境下深化學生談話工作的可行性

（一）網絡的超時空性使談話工作不受時間和場地的限制

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

（二）網絡交流的多樣性使談話工作具有多種多樣的作用方式

在網絡環境中，輔導員與學生互動的方式是多種多樣的，談話的內容、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，也可以是大規模的群組討論，還可以是論壇中跟帖發表看法，等等。

（三）潛隱性使網絡環境下的談話更容易為大學生所接受

網絡中的交流、談心工作將變成一種沒有實體的教育形式，它可以在校園內無處不在地發揮作用，使學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，在網絡環境中開展談話工作存在著很強的潛隱性。

（四)網絡交流的無意識性促使學生不知不覺地配合輔導員完成談話活動

春風化雨，潤物無聲。可以利用網絡環境中豐富的活動形式，通過各種各樣的傳播渠道，針對學生的興趣、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容。

四、在網絡環境下深化學生談話工作的有效途徑

（一）占領博客陣地，加強交流，深化學生談話工作

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

（二）建立大學生主題網站，營造交流氛圍

建立以了解學生、引導學生、服務學生為宗旨的大學生主題網站，開展豐富多樣的網絡文化活動，抓住大學生的特點和興趣，建立學生論壇、貼吧等，通過觀察網站中學生所關注的熱門話題，對大學生進行正確的引導。

（三）利用網絡聊天工具建立網絡群體

隨著工作環境的不斷改進，電腦、網絡已經成為輔導員工作的主要工具。輔導員可以充分利用QQ、飛信等聊天工具，建立網絡群體，與學生隨時在線交流，了解學生關注的熱門話題，參與學生在群內的討論，發表自己的觀點，引導學生的思想主流。輔導員還可以在群內發送校內外的各類新聞，提高學生對群的關注度，努力在群中營造平等交流的氛圍，使學生暢所欲言，表達自己的真實觀點，從而更充分地了解學生的內心世界。

隨著網絡時代的來臨，通過網絡平臺、利用網絡環境的優勢有效地開展談心工作，對每一位輔導員來說既是機遇，也是挑戰。在網絡環境中開展具有實效性、長效性的思想政治教育工作必將達到事半功倍的效果。

［

參考文獻］

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

［2］高金環.網絡環境下的大學生思想政治教育［J］.西安郵電學院學報，2007（1）.

［3］張會萍.網絡環境下高校思想政治教育的途徑［J］.新視野，2010（8）.