📄 ml.htm
字号:
<!ArtChnTitle>
<!ArtChnAuthor>
<!ArtAuthorAddress>
<!ArtChnAbstract>
<!ArtChnKeyword>
<!ArtEngTitle>
<!ArtEngAuthor>
<!ArtEngAbstract>
<!ArtEngKeyword>
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=gb2312">
<meta name="GENERATOR" content="Microsoft FrontPage 5.0">
<title>学位论文－粒子群算法训练神经网络在教学中的应用</title>
<style>A:link {COLOR: #000000; FONT-FAMILY: 宋体; TEXT-DECORATION: none}
A:visited {COLOR: #000000; FONT-FAMILY: 宋体; TEXT-DECORATION: none}
A:active {FONT-FAMILY:宋体; TEXT-DECORATION: none}
A:hover {COLOR: #000000;TEXT-DECORATION:none}
BODY {FONT-FAMILY:宋体; FONT-SIZE: 9pt;TEXT-DECORATION:none}
TABLE {FONT-FAMILY: 宋体; FONT-SIZE: 9pt}
.H1 {FONT-SIZE: 9pt; COLOR: #0000cc}
.ourfont {FONT-SIZE: 9pt; LINE-HEIGHT: 14pt}
select {font-size:12px;}
.wx {BACKGROUND: #001863; BORDER-BOTTOM: white 1px solid; BORDER-LEFT: white 1px solid; BORDER-RIGHT: white 1px solid; BORDER-TOP: white 1px solid; COLOR: #ffffff; FONT-SIZE: 9pt; FONT-STYLE: normal; FONT-VARIANT: normal; FONT-WEIGHT: normal; HEIGHT: 18px; LINE-HEIGHT: normal}
.wx1 {border-top: #c0c0c0 1px;border-left: #c0c0c0 1px;border-right:#c0c0c0 1px;border-bottom:#c0c0c0 1px;border-style:inset;background-color:#ffffff;vertical-align:text-bottom}
</style>
</head>
<body bgcolor="#FFFFFF" link="#000000" background="../image/bg.gif">
<img src="../../images/xwlwk.jpg" width="750" height="94">
<table width="83%" border="0" cellspacing="0" cellpadding="0">
<tr>
<td width="19%"><p> </p>
<p></p></td>
<td width="81%"><p>馆藏号：D021202<br>
<br>
论 文 题 目：<strong style="font-weight: 400">粒子群算法训练神经网络在教学中的应用</strong><br>
学位授予单位：重庆大学<br>
作 者：江涛<br>
申请学位级别：硕士<br>
学 科 名 称：计算机系统结构<br>
指 导 教 师：张玉芳<br>
出 版 时 间：20060401<br>
摘 要：<br>
数据挖掘是帮助人们在海量数据中发现信息和知识的工具。近年来数据挖掘技术成了智能研究的核心技术，被广泛应用到了诸多领域，引起了学术界极大的关注。在教育领域中，对学生学习能力进行分析非常重要。利用数据挖掘中的分类技术进行这种分析，对于改进教学有着实际的意义。<br> 数据分类是按照一组数据对象的特征给出数据对象划分的过程，已经在统计学、机器学习、神经网络以及专家系统中被广泛研究。实际上，分类是一个两步过程，第一步，建立一个模型，描述指定的数据类集或概念集；第二步，评估模型的预测准确率，如果模型的准确率可以接受，使用模型进行分类。通常，模型可以用分类规则、判定树或数学公式表示。目前常用的分类规则挖掘方法有神经网络、遗传算法、决策树方法等。本文主要采用神经网络作为数据分类挖掘的一种手段，研究其在教学中的应用。<br> BP(Back Propagation)算法，即误差反传训练算法，以其良好的非线性映射逼近能力、泛化能力以及易实现性成为人工神经网络应用最广泛的训练算法。但是BP算法有其明显的缺陷，即梯度计算量大且复杂、训练速度慢、容易陷入局部极值等。基于对教育平台涉及数据量大，以及用于分类问题神经网络的特点等的考虑，本文引入粒子群优化算法思想改进BP算法(PSOBP)，用于神经网络的训练中。粒子群优化算法本质上是一种概率寻优算法，对目标函数几乎没有什么要求，同时也非常适合大数据量的情况。PSOBP避免了传统BP算法的梯度计算，采用粒子群迭代，寻找最优的权值矩阵。实验证明这种新的BP算法能在迅速找到全局最小的基础上大大提高收敛速度，得到优于传统BP算法的分类效果。<br> 本文详细地讨论并实现了PSOBP算法思想，及其与标准BP算法间的实验数据对比，数据采集平台的构建，用于分类模型的样本选择和预处理、网络拓扑结构的选定等。<br> 最后，建立了基于PSOBP算法的学生学习能力分析模型（Learning-capability analysis model，简称：LCAM模型）。在该模型下将训练好的神经网络用于学生的真实英语能力的分析，取得了较令人满意的效果。<br>
分 类 号：TP311.13;TP301.6;G434<br>
关 键 词：神经网络;BP算法;数据挖掘;计算机辅助教学;粒子群算法
<p align="center">
<table width="80" border="0" cellspacing="0" cellpadding="0">
<tr>
<td bgcolor="#cccccc">
<table width="100%" border="0" cellspacing="1" cellpadding="0">
<tr style="CURSOR: hand">
<td bgcolor="#CCCCCC" onMouseOver="this.bgColor='#999999';" onMouseOut="this.bgColor='#cccccc';" valign="bottom" height="18" NAME="NAME_BALL" STYLE="cursor:hand" child="FALL"><div align="center"><strong><font size="4"><a href="index.htm">PDF正文</a></font></strong></div></td>
</tr>
</table></td>
</tr>
</table>
</td>
</tr>
</table>
<div align="center"></div>
</body>
</html>
⌨️ 快捷键说明
复制代码
Ctrl + C
搜索代码
Ctrl + F
全屏模式
F11
切换主题
Ctrl + Shift + D
显示快捷键
?
增大字号
Ctrl + =
减小字号
Ctrl + -