基于Hopfield神经网络的高校评估模型构建

谷保平，郭红艳

（河南广播电视大学，郑州 450000）

一、引言

高校评估是考核高校办学综合实力的一个重要方法，评估结果的高低已经成为衡量一所高校综合实力的重要指标。如何准确对高校进行评价已成为一个十分重要的问题。目前，高校评估无固定的模式，评估项目多且复杂，很多评价因子之间相互影响，评价过程及时间比较长，工作烦琐，且人为主观因素对评价结果有很大影响，如何快速、准确地对众多高校评估进行客观、公正地评价？这是目前有待解决的一个问题。本文采用神经网络对高校评估进行综合评价，利用离散型Hopfield神经网络具有联想记忆的功能，对数字进行识别取得满意的效果，计算收敛速度很快。最后，利用Matlab工具箱函数进行模拟实验，并获得了不错的实验效果。

二、神经网络简介

1982年，J.Hopfield首先提出了一个单层全互连反馈型全连接型的神经网络，从计算的角度上讲，它具有很强的计算能力；从稳定性上讲，稳定性是这类具有联想记忆功能神经模型的核心。Hopfield最早提出的网络是二值神经网络，所有输入进神经元i的值小于0时，那么神经元i的输出为-1；i的值大于0时，那么神经元i的输出为1，并且神经元与他本身的权值为0。［1］下图1是以一个由3个神经元组成的离散型Hopfield神经网络为例。

图1离散型Hopfield结构图

从图1中可以看出，第0层不是实际的神经元，可以看作Hopfield网络的输入层，缺少进行运算的功能；第1层是实际的神经元层，有很强的计算功能，故而能对输入信息和权重进行复杂的求和运算，经一个简单的阈值函数处理后产生输出信息。计算公式如下：

在上面公示中，xj为外部输入。其中yj为下列取值：

一个离散型Hopfield神经网络的网络信息情况是输出的所有信息的集合，一个具有n个输出层的神经网络，其某一个时刻（t）的状态为一个n维向量：

因为 yi（t）（i=1，2，…，n）可以取值为 1 或-1，故 n维向量Y（t）有2n种状态，即网络有2n种状态。考虑Hopfield神经网络的一般节点状态，用yj（t）表示第j个神经元，即节点j在时刻t的状态，则节点的下一个时刻（t+1）的状态可以求得：

Hopfield网络的运行步骤：

步骤1：对网络进行初始化；

步骤2：从网络中随机选择一个神经元i；

步骤 3：计算该神经元 i的 ui（t）；

步骤 4：计算该神经元 i的输出 vi（t+1）；

步骤5：判断网络是否达到稳定状态，若达到稳定状态或满足给定条件则结束；否则转到步骤2继续运行［2］。

从上面可以看出，Hopfield网络动力学方式运行，其工作过程为神经元状态的演化过程，即从初始状态按“能量”减少的方向进行演化，其能量值不断减少，最后处于最小值直到达到稳定状态。稳定状态定义为：如果网络从某一时刻以后，状态不再发生变化，则称网络处于稳定状态。［3］

即： v（t+Δt）=v（t），Δt＞0

三、基于神经网络的高校评估模型

高校评估模型评价因子有很多，根据评估标准，本文选取了学校教育评估指标较为重要的12个指标作为评价因子。如图1所示：校园规模（X1）、仪器设备数量（X2）、高级职称教师人数（X3）、硕博教师人数（X4）、重点专业（X5）、精品课程（X6）、在校生人数（X7）、首次就业率（X8）、重点学科（X9）、重点实验室及基地（X10）、各级项目（X11）、论文及成果奖励（X12）。 高校评估一般分为五个等级：优秀（A）、良好（B）、合格（C）、基本合格（D）和不合格（E）。［4］

图2高校评估综合评价指标体系

四、实验

1.模型建立及实验数据。

本文数据是对12所高校的评估数据进行了分类整理，选取比较重要的12个评价指标进行评估，并结合离散 Hopfield神经网络的联想记忆能力，建立离散Hopfield高校评估评价模型。本文的设计步骤主要包括如下5个步骤，如图3所示。

图3模型建立流程图

表1 12所高校评估等级及对应的评价指标

2.理想等级评价指标。

根据表1所示高校评估等级及数据，为了增加评估的公平和合理性，可以将上表1中不同等级的样本值求其平均数来作为各个理想评价指标的标准。根据理想评价指标，找出不同等级（A、B、C、D 和 E）的平衡点，为其后评估其他待评价高校作为依据。评价结果见表2。

3.等级评价指标编码。

要将评价指标和神经元的状态进行一一映射处理，需要对评估指标进行编码处理，因为离散型Hopfield神经元有两种状态1和-1。所以通常的编码方法如下：当评估指标大于等于理想评估指标时，此时该神经元用“1”来表示，为了方便显示，用“●”表示神经元状态为“1”；反之，当评估指标小于理想评估指标时，此时该神经元用“-1”来表示，为了方便显示，用“○”表示神经元状态为“-1”。下图4是理想的5个等级评估指标编码后的图形。

表2 5个等级理想评价指标

图4 理想的5个等级评价指标编码

4.评价模型实现。

由图 4编码好理想评价指标（A、B、C、D 和 E）后，下面在Matlab平台上进行仿真实验。首先利用Matlab神经网络工具箱函数newhop（）函数创建网络，调用格式net=newhop（T），其中，T指具有Q个目标向量的R*Q矩阵 （元素必须为-1或1），net指生成的神经网络，具有在T中的向量上稳定的点。然后，作为离散Hopfield神经网络的平衡点，将数据保存在class.mat文件中，待分类的5所高校评价指标数据如表3所示，根据不同高校的评估数据进行相应的编码，编码结果如表3所示。最后，利用Matlab自带的神经网络工具箱函数sim（）进行仿真，将仿真结果以图形的形式呈现出来［5］。

表3 5所待评价高校评估指标数据

5.评价结果与分析。

仿真结果如图5和图6所示，图5表示5所高校评估指标数据编码；图6为Hopfield神经网络的分类的结果。从图5和图6中可以清晰地表明，本文提出的方法可以有效地对待评价的高校评估指标数据进行有效的分类，能正确评估出各个高校的评估等级，结果相对合理公正，操作方便可行［6］。

五、结论

图5 5所待评估高校的数据编码

图6 5所高校评估结果

本文针对高校评估过程中很多不确定性因素，利用离散Hopfield神经网络建立高校评估的评价模型。通过Matlab仿真实验表明，该方法能准确地评价高校的评估等级，能自动建立输入和输出之间的映射关系，操作简单方便，结果公正合理，具有很好的实用价值。然而对于一些比较极端的数据情况，评估模型不能很好地评价出正确的结果，对于这些极端的数据情况，是下一步研究的重点和难点。

［1］ 焦李成.神经网络计算［M］.西安：西安电子科技大学出版，1993.

［2］ 高隽.人工神经网络原理及仿真［M］.北京：机械工业出版社，2003.

［3］ 曾水玲，杨静宇，徐蔚鸿．一种模糊Hopfield网络的学习算法及性质［J］.计算机科学，2010，37（12）.

［4］ Matlab中文论坛.Matlab神经网络30个案例分析［M］.北京：北京航空航天大学出版社，2010．

［5］ 张伟江.学校教育评估指标设计概论［M］.北京：高等教育出版社，2011.

［6］ 杨杰，李中文.神经网络在高校科研能力中的评价研究［J］.计算机仿真，2011，（5）.