基于ann的綜合評價系統(tǒng)的設(shè)計【畢業(yè)設(shè)計】

1、<p>　　本科畢業(yè)設(shè)計(論文)</p><p><b>　?。ǘ?屆）</b></p><p>　　基于ANN的綜合評價系統(tǒng)的設(shè)計</p><p>　　所在學(xué)院 </p><p>　　專業(yè)班級 計算機(jī)科學(xué)與技術(shù) </p&g

2、t;<p>　　學(xué)生姓名 學(xué)號 </p><p>　　指導(dǎo)教師 職稱 </p><p>　　完成日期 年 月 </p><p>　　摘要：現(xiàn)實(shí)中經(jīng)常需要根據(jù)事物諸因素的狀況，以及各個因素對于總體評價的重要程度，對評價對象進(jìn)行

3、多因素的綜合評價。本畢業(yè)設(shè)計針對事物諸因素狀況和諸因素重要程度的模糊性，依據(jù)模糊理論，采取ANN機(jī)器學(xué)習(xí)方法，使用MATLAB開發(fā)環(huán)境，實(shí)現(xiàn)多因素的智能綜合評價。根據(jù)ANN機(jī)器學(xué)習(xí)機(jī)制，首先提供若干樣本對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并對訓(xùn)練過程進(jìn)行控制，直至BP神經(jīng)網(wǎng)絡(luò)具有相對滿意的綜合評價功能，從而在綜合評價中體現(xiàn)評價專家思想。</p><p>　　關(guān)鍵詞：綜合評價；專家思想；BP神經(jīng)網(wǎng)絡(luò)；ANN</p&g

4、t;<p>　　Design of Comprehensive evaluation system based on ANN </p><p>　　Abstract: In reality, we often evaluate objects from many factors according to the related factors and their importance to tota

5、l evaluation. The graduation design contrapose the factors and the fuzziness of this factors important degree, based on the fuzzy theory and take ANN machine learning method, using MATLAB development environment to reali

6、ze multi-factor intelligent comprehensive evaluation. According to ANN machine learning mechanism, firstly, provide some samples for BP neural network tr</p><p>　　Keywords: comprehensive evaluation; Experts

7、thought; BP neural network; ANN</p><p><b>　　目錄</b></p><p><b>　　1 緒論1</b></p><p>　　1.1 課題的研究背景1</p><p>　　1.1.1 人工智能1</p><p>　　

8、1.1.2 綜合評價法1</p><p>　　1.2 課題研究的目的與意義1</p><p>　　1.3 課題的研究內(nèi)容1</p><p>　　1.4 課題的研究方法2</p><p>　　1.5 論文的內(nèi)容組織2</p><p>　　2 基礎(chǔ)知識簡介3</p><p>

9、　　2.1 人工神經(jīng)網(wǎng)絡(luò)簡介3</p><p>　　2.1.1 人工神經(jīng)網(wǎng)絡(luò)的基本特征3</p><p>　　2.1.2 人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)4</p><p>　　2.2 綜合評價法一般過程6</p><p>　　2.3 MATLAB簡介8</p><p>　　2.3.1 MATLAB基本功能8&

10、lt;/p><p>　　2.3.2 MATLAB特點(diǎn)8</p><p><b>　　3 系統(tǒng)分析9</b></p><p>　　3.1 需求分析9</p><p>　　3.2 可行性分析9</p><p>　　4 基于ANN的綜合評價系統(tǒng)設(shè)計10</p><p&

11、gt;　　4.1 模糊綜合評價法10</p><p>　　4.2 BP神經(jīng)網(wǎng)絡(luò)10</p><p>　　4.2.1 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計10</p><p>　　4.2.2 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程11</p><p>　　4.3 BP網(wǎng)絡(luò)主要工具函數(shù)12</p><p>　　5 基于ANN的綜合評價

12、系統(tǒng)設(shè)計實(shí)現(xiàn)13</p><p>　　5.1 主要界面設(shè)計13</p><p>　　5.2 主要功能設(shè)計15</p><p>　　5.2.1 樣本的生成15</p><p>　　5.2.2 MATLAB中BP網(wǎng)絡(luò)構(gòu)建和初始化17</p><p>　　5.2.3 MATLAB中BP網(wǎng)絡(luò)訓(xùn)練18<

13、;/p><p>　　5.2.4 MATLAB中網(wǎng)絡(luò)測試20</p><p>　　5.2.5 查看網(wǎng)絡(luò)參數(shù)(shownet_Callback)21</p><p>　　5.2.6 打開網(wǎng)絡(luò)（Opennet_Callback）22</p><p>　　5.2.7 保存網(wǎng)絡(luò)（Savenet_Callback）23</p>

14、<p>　　6 總結(jié)及展望24</p><p>　　致謝錯誤!未定義書簽。</p><p><b>　　參考文獻(xiàn)25</b></p><p><b>　　1 緒論</b></p><p>　　1.1 課題的研究背景</p><p>　　1.1.1 人工

15、智能</p><p>　　人工智能(Artificial Intelligence) ，英文縮寫為AI。它是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。 人工智能是計算機(jī)科學(xué)的一個分支，它企圖了解智能的實(shí)質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機(jī)器，該領(lǐng)域的研究包括機(jī)器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。智能控制中的人工神經(jīng)網(wǎng)絡(luò)由于模仿人類的

16、神經(jīng)網(wǎng)絡(luò)，具有感知識別、學(xué)習(xí)、聯(lián)想、記憶、推理等智能，更是有著廣闊的發(fā)展前景。[1] </p><p>　　1.1.2 綜合評價法</p><p>　　綜合評價法是指運(yùn)用多個指標(biāo)對多個參評單位進(jìn)行評價的方法，稱為多變量綜合評價方法，或簡稱綜合評價方法。其基本思想是將多個指標(biāo)轉(zhuǎn)化為一個能夠反映綜合情況的指標(biāo)來進(jìn)行評價。如不同國家經(jīng)濟(jì)實(shí)力，不同地區(qū)社會發(fā)展水平，小康生活水平達(dá)標(biāo)進(jìn)程，企業(yè)經(jīng)濟(jì)

17、效益評價等，都可以應(yīng)用這種方法。[2,3]</p><p>　　1.2 課題研究的目的與意義</p><p>　　本畢業(yè)設(shè)計實(shí)現(xiàn)智能綜合評價，針對事物諸因素的模糊性，對評價對象進(jìn)行多因素的綜合評價。使用ANN機(jī)器學(xué)習(xí)方法，使該系統(tǒng)在開發(fā)和使用的過程中，從評價專家獲得各評價因素重要程度的有關(guān)知識，進(jìn)而實(shí)現(xiàn)體現(xiàn)專家思想的綜合評價。</p><p>　　1.3 課題的

18、研究內(nèi)容</p><p>　　本課題旨在設(shè)計一個基于人工神經(jīng)網(wǎng)絡(luò)的對網(wǎng)站進(jìn)行綜合評價的系統(tǒng)。研究主要內(nèi)容包括：</p><p>　　1、影響網(wǎng)站績效評佑的相關(guān)指標(biāo)體系確定及其量化和規(guī)范化。</p><p>　　2、影響網(wǎng)站績效評估各相關(guān)指標(biāo)的相對權(quán)重確定。影響網(wǎng)站績效各相關(guān)因素在輸入預(yù)測和評估模型時, 需要一組決定其相對重要性的初始權(quán)重, 權(quán)重的確定需要基本的原則作

19、支持。</p><p>　　3、基于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)站績效評價模型研究。以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ), 構(gòu)建基于多因素的網(wǎng)站績效評價模型。</p><p>　　4、基于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)站績效評價模型計算方法設(shè)計。根據(jù)基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測和評估模型的基本特點(diǎn), 設(shè)計其相應(yīng)的計算方法。</p><p>　　5、基于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)站績效評價模型學(xué)習(xí)樣本設(shè)計。根據(jù)相關(guān)的

20、歷史資料, 構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)站績效評價模型的學(xué)習(xí)樣本, 對模型進(jìn)行自學(xué)習(xí)和訓(xùn)練, 使模型適合評價者的思想。[4、5]</p><p>　　1.4 課題的研究方法</p><p>　　這種情況下, 神經(jīng)網(wǎng)絡(luò)技術(shù)就有其特有的優(yōu)勢, 以其并行分布、自組織、自適應(yīng)、自學(xué)習(xí)和容錯性等優(yōu)良性能, 可以較好地適應(yīng)網(wǎng)站評價這類多因素、不確定性和非線性問題, 它能克服上述各方法的不足。本項目以BP

21、神經(jīng)網(wǎng)絡(luò)作為基于多因素的評估模型構(gòu)建的基礎(chǔ), BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成, 各層的神經(jīng)元數(shù)目不同, 由正向傳播和反向傳播組成, 在進(jìn)行網(wǎng)站評價時, 從輸入層輸入影響網(wǎng)站評價值的n個因素信息, 經(jīng)隱含層處理后傳入輸出層, 其輸出值Y即為網(wǎng)站績效的評估值。整個系統(tǒng)運(yùn)用MATLAB編程實(shí)現(xiàn)。</p><p>　　1.5 論文的內(nèi)容組織</p><p>　　論文共由七章組成。第1章

22、緒論，主要介紹課題的研究背景、研究目的和意義、研究內(nèi)容以及研究方法；第2章基礎(chǔ)知識簡介，主要介紹人工神經(jīng)網(wǎng)絡(luò)，綜合評價法的一般過程和MATLAB開發(fā)環(huán)境；第3章系統(tǒng)分析，從需求分析和可行性分析兩方面分析了本系統(tǒng)的要求和設(shè)計；第4章系統(tǒng)設(shè)計，詳細(xì)介紹了所使用的模糊綜合評價法和本系統(tǒng)使用的BP網(wǎng)絡(luò)的設(shè)計和學(xué)習(xí)過程；第5章系統(tǒng)的實(shí)現(xiàn)，主要介紹系統(tǒng)界面設(shè)計、功能設(shè)計；第6章總結(jié)與展望，主要闡述了本課題所完成的研究工作和存在的不足，以及希望在今后

23、可以完善的地方。</p><p><b>　　2 基礎(chǔ)知識簡介</b></p><p>　　2.1 人工神經(jīng)網(wǎng)絡(luò)簡介</p><p>　　人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks，簡寫為ANNs）也簡稱為神經(jīng)網(wǎng)絡(luò)（NNs）或稱作連接模型（ConnectionistModel），它是一種模范動物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布

24、式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)的能力，可以通過預(yù)先提供的一批相互對應(yīng)的輸入－輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來推算輸出結(jié)果，這種學(xué)習(xí)分析的過程被稱為“訓(xùn)練”。[4]</p><p>　　2.1.1 人工神經(jīng)網(wǎng)絡(luò)的基本特征</p><p

25、>　　人工神經(jīng)網(wǎng)絡(luò)是由大量處理單元互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)。它是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出的，試圖通過模擬大腦神經(jīng)網(wǎng)絡(luò)處理、記憶信息的方式進(jìn)行信息處理。人工神經(jīng)網(wǎng)絡(luò)具有四個基本特征： </p><p>　?。?）非線性 非線性關(guān)系是自然界的普遍特性。大腦的智慧就是一種非線性現(xiàn)象。人工神經(jīng)元處于激活或抑制二種不同的狀態(tài)，這種行為在數(shù)學(xué)上表現(xiàn)為一種非線性</p><p&g

26、t;　　關(guān)系。具有閾值的神經(jīng)元構(gòu)成的網(wǎng)絡(luò)具有更好的性能，可以提高容錯性和存儲容量。 </p><p>　?。?）非局限性 一個神經(jīng)網(wǎng)絡(luò)通常由多個神經(jīng)元廣泛連接而成。一個系統(tǒng)的整體行為不僅取決于單個神經(jīng)元的特征，而且可能主要由單元之間的相互作用、相互連接所決定。通過單元之間的大量連接模擬大腦的非局限性。聯(lián)想記憶是非局限性的典型例子。 </p><p>　?。?）非常定性 人工神經(jīng)網(wǎng)絡(luò)具有自適

27、應(yīng)、自組織、自學(xué)習(xí)能力。神經(jīng)網(wǎng)絡(luò)不但處理的信息可以有各種變化，而且在處理信息的同時，非線性動力系統(tǒng)本身也在不斷變化。經(jīng)常采用迭代過程描寫動力系統(tǒng)的演化過程。 </p><p>　?。?）非凸性 一個系統(tǒng)的演化方向，在一定條件下將取決于某個特定的狀態(tài)函數(shù)。例如能量函數(shù)，它的極值相應(yīng)于系統(tǒng)比較穩(wěn)定的狀態(tài)。非凸性是指這種函數(shù)有多個極值，故系統(tǒng)具有多個較穩(wěn)定的平衡態(tài)，這將導(dǎo)致系統(tǒng)演化的多樣性。 </p>&

28、lt;p>　　人工神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元處理單元可表示不同的對象，例如特征、字母、概念，或者一些有意義的抽象模式。網(wǎng)絡(luò)中處理單元的類型分為三類：輸入單元、輸出單元和隱單元。輸入單元接受外部世界的信號與數(shù)據(jù)；輸出單元實(shí)現(xiàn)系統(tǒng)處理結(jié)果的輸出；隱單元是處在輸入和輸出單元之間，不能由系統(tǒng)外部觀察的單元。神經(jīng)元間的連接權(quán)值反映了單元間的連接強(qiáng)度，信息的表示和處理體現(xiàn)在網(wǎng)絡(luò)處理單元的連接關(guān)系中。人工神經(jīng)網(wǎng)絡(luò)是一種非程序化、適應(yīng)性、大腦風(fēng)格的信息處

29、理 ，其本質(zhì)是通過網(wǎng)絡(luò)的變換和動力學(xué)行為得到一種并行分布式的信息處理功能，并在不同程度和層次上模仿人腦神經(jīng)系統(tǒng)的信息處理功能。它是涉及神經(jīng)科學(xué)、思維科學(xué)、人工智能、計算機(jī)科學(xué)等多個領(lǐng)域的交叉學(xué)科。 　</p><p>　　人工神經(jīng)網(wǎng)絡(luò)是并行分布式系統(tǒng)，采用了與傳統(tǒng)人工智能和信息處理技術(shù)完全不同的機(jī)理，克服了傳統(tǒng)的基于邏輯符號的人工智能在處理直覺、非結(jié)構(gòu)化信息方面的缺陷，具有自適應(yīng)、自組織和實(shí)時學(xué)習(xí)的特點(diǎn)。[5-9

30、]</p><p>　　2.1.2 人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)</p><p>　　根據(jù)連接方式不同，神經(jīng)網(wǎng)絡(luò)的神經(jīng)元之間的連接有如下幾種形式。</p><p><b>　　（1）前向網(wǎng)絡(luò)</b></p><p>　　前向網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1-11所示，神經(jīng)元分層排列，分別組成輸入層、中間層（也稱為隱含層，可以由若干層組成）和輸出層

31、。每一層的神經(jīng)元只接受來自前一層神經(jīng)元的輸入，后面的層對前面的層沒有信號反饋。輸入模式經(jīng)過個層次的順序傳播，最后在輸出層上得到輸出。感知器網(wǎng)絡(luò)和BP網(wǎng)絡(luò)均屬于前向網(wǎng)絡(luò)。</p><p>　　圖1-11 前向網(wǎng)絡(luò)結(jié)構(gòu)</p><p>　?。?）有反饋的前向網(wǎng)絡(luò)</p><p>　　其結(jié)構(gòu)如圖1-12所示，從輸出層對輸入層有信息反饋，這種網(wǎng)絡(luò)可用于存儲某種模式序列，如

32、神經(jīng)認(rèn)知機(jī)和回歸BP網(wǎng)絡(luò)都屬于這種類型。</p><p>　　圖1-12 有反饋的前向網(wǎng)絡(luò)結(jié)構(gòu)</p><p>　?。?）層內(nèi)又相互結(jié)合的前向網(wǎng)絡(luò)</p><p>　　其結(jié)構(gòu)如圖1-13所示，通過層內(nèi)神經(jīng)元的相互結(jié)合，可以實(shí)現(xiàn)同一層內(nèi)神經(jīng)元之間的橫向抑制或興奮機(jī)制，這樣可以限制每層內(nèi)可以同時動作的神經(jīng)元素，或者把每層內(nèi)的神經(jīng)元分為若干組，讓每一組作為一個整體進(jìn)行運(yùn)

33、作。例如，可利用橫向抑制機(jī)理把某層內(nèi)具有最大輸出的神經(jīng)元挑選出來，從而抑制其他神經(jīng)元，使之處于無輸出狀態(tài)。</p><p>　　圖1-13 層內(nèi)有相互結(jié)合的前向網(wǎng)絡(luò)結(jié)構(gòu)</p><p>　　（4）相互結(jié)合型網(wǎng)絡(luò)（全互連或部分互連）</p><p>　　相互結(jié)合型網(wǎng)絡(luò)結(jié)構(gòu)如圖1-14所示，這種網(wǎng)絡(luò)在任意兩個神經(jīng)元之間都有可能有連接。Hopfield網(wǎng)絡(luò)和Boltzm

34、ann機(jī)均屬于這種類型。在無反饋的前向網(wǎng)絡(luò)中，信號一旦通過神經(jīng)元，該神經(jīng)元的處理就結(jié)束了。而在相互結(jié)合網(wǎng)絡(luò)中，信號要在神經(jīng)元之間反復(fù)傳遞，網(wǎng)絡(luò)處于一種不斷改變狀態(tài)的動態(tài)之中。信號從某初始狀態(tài)開始，經(jīng)過若干次變化，才會達(dá)到某種平衡狀態(tài)。根據(jù)網(wǎng)絡(luò)的結(jié)構(gòu)和神經(jīng)元的特性，網(wǎng)絡(luò)的運(yùn)行還有可能進(jìn)入周期震蕩或其他如混沌等平衡狀態(tài)。[7] </p><p>　　圖1-14 相互結(jié)合型網(wǎng)絡(luò)結(jié)構(gòu)</p><p&

35、gt;　　2.2 綜合評價法一般過程</p><p>　　1.建立綜合評價的目的與要求</p><p>　　不同的評價目的會影響評價指標(biāo)體系、合成方法、權(quán)數(shù)的選擇。例如，絕對測定時通常每一個指標(biāo)都要有一個固定（或明確統(tǒng)一）的評價標(biāo)準(zhǔn),這樣所得到的總評價值才會有實(shí)際的“絕對好壞”的意義。而相對測定時重視的是排序結(jié)果，只要能分辨出各評價對象在評價結(jié)果上的先后次序即可。所以，人們可以用AHP方

36、法，主成分分析法、聚類分析法、極差變換法進(jìn)行綜合評價，但這些方法并不適合于“絕對測定”。因此，在進(jìn)行綜合評價時，首先必須明確評價目的與要求。</p><p>　　2.構(gòu)造評價指標(biāo)體系</p><p>　　這是綜合評價活動的第二個環(huán)節(jié)。任何問題的綜合評價都需要建立一套科學(xué)合理的評價指標(biāo)體系，況且綜合實(shí)力是一個綜合性的概念，其數(shù)量表現(xiàn)形式多種多樣，任何單一指標(biāo)卻只能反映出一個側(cè)面，只有構(gòu)造完整

37、的指標(biāo)體系才能科學(xué)全面的對評價對象做出評價。但同時，由于指標(biāo)之間往往具有一定的相互關(guān)系，甚至有反復(fù)交叉的情況，并不是所有的指標(biāo)都有必要選入評價體系之中。因此，必須對指標(biāo)體系的合理性、科學(xué)性和可行性做出鑒別，使評價體系中的指標(biāo)變得簡練而全面。沒有科學(xué)的指標(biāo)體系，就不可能得到科學(xué)、準(zhǔn)確的綜合評價結(jié)論。</p><p>　　3.對單項指標(biāo)值進(jìn)行同度量化</p><p>　　由于不同指標(biāo)具有不同的

38、計量單位，它們在說明綜合實(shí)力的數(shù)量與方向并不完全相同。因此，必須做同度量化處理，轉(zhuǎn)化為具有同類尺度的評價值，這一步也稱為無量綱化。</p><p>　　大多數(shù)綜合評價方法都有同度量化的問題。從表面看，有些評價方法，如多元統(tǒng)計分析方法、模糊數(shù)學(xué)方法等，似乎沒有專門的同度量化處理，但事實(shí)上，它們是將同度量化過程直接作為評價方法本身的一個基本組成部分了。</p><p><b>　　4

39、.確立評價權(quán)數(shù)</b></p><p>　　構(gòu)成綜合評價體系的各分項指標(biāo)雖然都能說明評價對象在某一方面的競爭力狀態(tài)，但在說明的程度或力度上是有區(qū)別的，有些指標(biāo)比較重要，而另一些相對次要一些。因此，在將單項指標(biāo)評價值合成為總評價值時，就必須進(jìn)行加權(quán)處理，以反映指標(biāo)體系中不同指標(biāo)對總評價目標(biāo)所起作用大小的差異。有些綜合評價方法（如主成分分析法）從表面上看似乎沒有獨(dú)立構(gòu)造權(quán)數(shù)過程，但從實(shí)質(zhì)上仍然存在一個加權(quán)

40、的問題，故也有構(gòu)權(quán)的問題，只不過這種權(quán)數(shù)是伴隨著合成方法而自然生成的。當(dāng)然，那些比較簡明的綜合評價方法都有一個權(quán)數(shù)構(gòu)造的問題。</p><p><b>　　5.分項指標(biāo)的合成</b></p><p>　　單項評價指標(biāo)經(jīng)過同度量化處理之后，便可采用一定方法合成總評價值?？傇u價值就是單項評價值及相應(yīng)權(quán)重的函數(shù)。綜合評價中的合成，實(shí)際上就是歸結(jié)為尋求函數(shù)的形式并計算之。合成

41、方法，就是借這種函數(shù)的形式及相應(yīng)的規(guī)則。對于那些自成體系的綜合評價方法，合成過程與權(quán)數(shù)生成過程是合而為一的，結(jié)果都表現(xiàn)為一種線性函數(shù)。它們在實(shí)質(zhì)上是以一種加權(quán)算術(shù)平均數(shù)。</p><p>　　6.綜合評價結(jié)論與分析</p><p>　　通過計算，最后必須對被評價對象的綜合實(shí)力狀態(tài)做出分析，結(jié)果有兩種情況：或是排序結(jié)果，或是動態(tài)變化程度。對于前者，通常是作為上級管理部門考評各單位發(fā)展?fàn)顟B(tài)好壞

42、的重要手段；對于后者，通常還要進(jìn)一步分析排名變化的原因（如用指數(shù)分析法、分組分析法等因素分析技術(shù)）以及提出提高綜合實(shí)力的切實(shí)途徑，最后提交一份具有一定深度與力度的統(tǒng)計分析報告。[10]</p><p>　　圖2 綜合評價的一般過程</p><p>　　2.3 MATLAB簡介</p><p>　　2.3.1 MATLAB基本功能</p><p

43、>　　MATLAB是矩陣實(shí)驗(yàn)室（Matrix Laboratory）的簡稱，是由美國mathworks公司發(fā)布的主要面對科學(xué)計算、可視化以及交互式程序設(shè)計的高科技計算環(huán)境。它將數(shù)值分析、矩陣計算、科學(xué)數(shù)據(jù)可視化以及非線性動態(tài)系統(tǒng)的建模和仿真等諸多強(qiáng)大功能集成在一個易于使用的視窗環(huán)境中，為科學(xué)研究、工程設(shè)計以及必須進(jìn)行有效數(shù)值計算的眾多科學(xué)領(lǐng)域提供了一種全面的解決方案，并在很大程度上擺脫了傳統(tǒng)非交互式程序設(shè)計語言（如C、Fortra

44、n）的編輯模式，代表了當(dāng)今國際科學(xué)計算軟件的先進(jìn)水平。[11]　</p><p>　　MATLAB和Mathematica、Maple并稱為三大數(shù)學(xué)軟件。它在數(shù)學(xué)類科技應(yīng)用軟件中在數(shù)值計算方面首屈一指。MATLAB可以進(jìn)行矩陣運(yùn)算、繪制函數(shù)和數(shù)據(jù)、實(shí)現(xiàn)算法、創(chuàng)建用戶界面、連接其他編程語言的程序等，主要應(yīng)用于工程計算、控制設(shè)計、信號處理與通訊、圖像處理、信號檢測、金融建模設(shè)計與分析等領(lǐng)域。</p>&

45、lt;p>　　MATLAB的基本數(shù)據(jù)單位是矩陣，它的指令表達(dá)式與數(shù)學(xué)、工程中常用的形式十分相似，故用MATLAB來解算問題要比用C，F(xiàn)ORTRAN等語言完成相同的事情簡捷得多，并且MATLAB也吸收了像Maple等軟件的優(yōu)點(diǎn),使MATLAB成為一個強(qiáng)大的數(shù)學(xué)軟件。在新的版本中也加入了對C，F(xiàn)ORTRAN，C++ ，JAVA的支持?？梢灾苯诱{(diào)用,用戶也可以將自己編寫的實(shí)用程序?qū)氲組ATLAB函數(shù)庫中方便自己以后調(diào)用。</p&

46、gt;<p>　　2.3.2 MATLAB特點(diǎn)</p><p>　　1) 高效的數(shù)值計算及符號計算功能,能使用戶從繁雜的數(shù)學(xué)運(yùn)算分析中解脫出來; </p><p>　　2) 具有完備的圖形處理功能,實(shí)現(xiàn)計算結(jié)果和編程的可視化; </p><p>　　3) 友好的用戶界面及接近數(shù)學(xué)表達(dá)式的自然化語言,使學(xué)者易于學(xué)習(xí)和掌握; </p>&l

47、t;p>　　4) 功能豐富的應(yīng)用工具箱(如信號處理工具箱、通信工具箱等) ,為用戶提供了大量方便實(shí)用的處理工具。[12、13]</p><p><b>　　3 系統(tǒng)分析</b></p><p><b>　　3.1 需求分析</b></p><p>　　本系統(tǒng)目的是實(shí)現(xiàn)智能綜合評價，通過分析任務(wù)要求和參考大量書籍，

48、一個完善的智能綜合評價系統(tǒng)應(yīng)具備如下功能：</p><p>　　1、 運(yùn)用模糊綜合評價法：針對事物諸因素的模糊性，對評價對象進(jìn)行多因素的綜合評價。</p><p>　　2、 基于ANN的學(xué)習(xí)機(jī)制：鑒于在計算機(jī)中表達(dá)評價者對各因素重視程度的困難性，可適當(dāng)使用ANN機(jī)器學(xué)習(xí)方法，使該系統(tǒng)在開發(fā)和使用的過程中，從評價專家獲得各評價因素重要程度的有關(guān)知識，進(jìn)而實(shí)現(xiàn)體現(xiàn)專家思想的綜合評價。</

49、p><p>　　3.2 可行性分析</p><p>　　本系統(tǒng)是在matlab軟件的圖形界面GUI開發(fā)環(huán)境下，神經(jīng)網(wǎng)絡(luò)工具箱平臺之上，使用matlab語言設(shè)計完成的。</p><p>　　隨著信息技術(shù)的發(fā)展，現(xiàn)在一般的電腦內(nèi)存都已達(dá)到1G，雙核處理器也很普遍，硬盤的存儲容量基本上在250G到1T的范圍。因此硬件技術(shù)能夠支持上述軟件的正常運(yùn)行。如前所述，matlab具有

50、完備的圖形處理功能,實(shí)現(xiàn)計算結(jié)果和編程的可視化; 友好的用戶界面及接近數(shù)學(xué)表達(dá)式的自然化語言,使學(xué)者易于學(xué)習(xí)和掌握; 功能豐富的應(yīng)用工具箱(如BP神經(jīng)網(wǎng)絡(luò)工具箱、通信工具箱等) ,為用戶提供了大量方便實(shí)用的處理工具。所以，運(yùn)用matlab實(shí)現(xiàn)一個智能的綜合評價系統(tǒng)是可行的。</p><p>　　4 基于ANN的綜合評價系統(tǒng)設(shè)計</p><p>　　4.1 模糊綜合評價法</p&g

51、t;<p>　　模糊綜合評價法是一種基于模糊數(shù)學(xué)的綜合評標(biāo)方法。該綜合評價法根據(jù)模糊數(shù)學(xué)的隸屬度理論把定性評價轉(zhuǎn)化為定量評價，即用模糊數(shù)學(xué)對受到多種因素制約的事物或?qū)ο笞龀鲆粋€總體的評價。它具有結(jié)果清晰,系統(tǒng)性強(qiáng)的特點(diǎn),能較好地解決模糊的、難以量化的問題,適合各種非確定性問題的解決。</p><p><b>　　本系統(tǒng)中，</b></p><p>　　1

52、、設(shè)定評價因素(F)：系指對某對象評議的具體內(nèi)容。在本系統(tǒng)中，將評價因素定為6個，并用模擬量A,B,C,D,E,F表示各個評價因素。</p><p>　　2、設(shè)定評價因素值(FV)：系指評價因素的具體值。在本系統(tǒng)中，使用數(shù)據(jù)產(chǎn)生器生成300組在[0,5]區(qū)間內(nèi)的隨機(jī)數(shù)，并存在Ann.xls表中。</p><p>　　3、設(shè)定權(quán)重(W)：系指評價因素的地位和重要程度。在本系統(tǒng)中，用戶根據(jù)需求

53、，可在系統(tǒng)界面上分別輸入6個評價因素的權(quán)值，各權(quán)值相加為1。</p><p>　　4、計算加權(quán)平均值(Epw)：系指加權(quán)后的平均評價值。加權(quán)平均評價值（Epw）＝平均評價值（Ep）×權(quán)重（W）。</p><p>　　5、計算綜合評價值(Ez)：系指同一級評價因素的加權(quán)平均值之和。在本系統(tǒng)中，通過計算，綜合評價值的區(qū)間為[0,5]。</p><p>　　4.

54、2 BP神經(jīng)網(wǎng)絡(luò)</p><p>　　BP（Back Propagation）網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和

55、最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱層(hide layer)和輸出層(output layer)。</p><p>　　4.2.1 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計</p><p>　　（1）隱層數(shù)的設(shè)計：理論分析證明，具有單隱層的前饋網(wǎng)可以映射所有連續(xù)函數(shù)，只有當(dāng)學(xué)習(xí)不連續(xù)函數(shù)（如鋸齒波等）時，才需要兩個隱層，所以神經(jīng)網(wǎng)絡(luò)系統(tǒng)設(shè)計一個隱層。</p><p&

56、gt;　?。?）輸入輸出層節(jié)點(diǎn)數(shù)的設(shè)計：本網(wǎng)絡(luò)中，輸入神經(jīng)元確定為6個，即影響網(wǎng)站績效評價的因素有6個；輸出層確定為4個，即網(wǎng)站績效等級分為：優(yōu)秀，良好，一般，差。</p><p>　?。?）隱節(jié)點(diǎn)數(shù)的設(shè)計：隱節(jié)點(diǎn)的作用是從樣本中提取并儲存其內(nèi)在規(guī)律，每個隱節(jié)點(diǎn)有若干個權(quán)值，而每個權(quán)值都是增強(qiáng)網(wǎng)絡(luò)映射能力的一個參數(shù)。設(shè)置多少個隱節(jié)點(diǎn)取決于訓(xùn)練樣本數(shù)的多少、樣本噪聲的大小以及樣本中蘊(yùn)含規(guī)律的復(fù)雜程度。確定最佳隱節(jié)點(diǎn)

57、的一個常用方法稱為試湊法，計算公式有：</p><p><b>　?。?lt;/b></p><p><b>　?。?lt;/b></p><p>　??； 其中m為隱層節(jié)點(diǎn)數(shù)，n為輸入層節(jié)點(diǎn)數(shù)，l為輸出層節(jié)點(diǎn)數(shù)，a為1~10之間的常數(shù)。</p><p>　　（4）傳輸函數(shù)：BP網(wǎng)絡(luò)中的傳輸函數(shù)通常采用S(si

58、gmoid）型函數(shù)：</p><p>　　網(wǎng)絡(luò)訓(xùn)練與測試：將收集到的可用樣本隨機(jī)分為兩部分，一部分作為訓(xùn)練集，另一部分作為測試集。訓(xùn)練時對所有樣本正向運(yùn)行一輪并反向修改權(quán)值一次稱為一次訓(xùn)練。在MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中，常用的訓(xùn)練函數(shù)有traingd，traingdm，traingdx等。[5、6]</p><p>　　4.2.2 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程</p><

59、p>　　令網(wǎng)絡(luò)輸入向量為Pk；網(wǎng)絡(luò)目標(biāo)向量為Tk；中間層單元輸入向量Sk，輸出向量Bk；輸出層單元輸入向量Lk，輸出向量Ck；輸入層至中間層的連接權(quán)值wij；中間層至輸出層的連接權(quán)值vjt；中間層個單元的輸出閾值；輸出層個單元的輸出閾值。</p><p>　?。╝）初始化。給每個連接權(quán)值wij、vjt、閾值與賦予區(qū)間（-1,1）內(nèi)的隨機(jī)值。</p><p>　?。╞）隨機(jī)選取一組輸入

60、和目標(biāo)樣本Pk、Tk提供給網(wǎng)絡(luò)。</p><p>　　（c）用輸入樣本Pk、連接權(quán)值wij和閾值計算中間層個單元的輸入sj，然后用sj通過傳遞函數(shù)計算中間層個單元的輸出bj。</p><p>　?。╠）利用中間層的輸出bj、連接權(quán)值vjt和閾值計算輸出層個單元的輸出Lt，然后利用通過船體函數(shù)計算輸出層噶單元的響應(yīng)Ct。</p><p>　?。╡）利用網(wǎng)絡(luò)目標(biāo)向量Tk

61、，網(wǎng)絡(luò)的實(shí)際輸出Ct，計算輸出層的各單元一般化誤差。</p><p>　　（f）利用連接權(quán)值vjt、輸出層的一般化誤差dt和中間層的輸出bj計算中間層個單元的一般化誤差。</p><p>　?。╣）利用輸出層各單元的一般化誤差與中間層各單元的輸出bj來修正連接權(quán)值vjt和閾值。</p><p>　?。╤）利用中間層各單元的一般化誤差，輸入層各單元的輸出Pk來修正連接

62、權(quán)值wij和閾值。</p><p>　　（i）隨機(jī)選取下一個學(xué)習(xí)樣本向量提供給網(wǎng)絡(luò)，返回到步驟（c），知道m(xù)個訓(xùn)練樣本訓(xùn)練完畢。</p><p>　?。╦）重新從m個學(xué)習(xí)樣本中隨機(jī)選取一組輸入和目標(biāo)樣本，返回步驟（c），直到網(wǎng)絡(luò)全局誤差E小于預(yù)先設(shè)定的一個極小值，即網(wǎng)絡(luò)收斂。</p><p>　?。╧）學(xué)習(xí)結(jié)束。[10]</p><p>　　

63、4.3 BP網(wǎng)絡(luò)主要工具函數(shù)</p><p>　　Matlab軟件包中的人工神經(jīng)網(wǎng)絡(luò)工具箱包含了進(jìn)行BP網(wǎng)絡(luò)設(shè)計和分析的大量工具函數(shù)。下面給出在BP網(wǎng)絡(luò)設(shè)計和分析中的常用工具函數(shù)以及功能說明。</p><p>　　5 基于ANN的綜合評價系統(tǒng)設(shè)計實(shí)現(xiàn)</p><p>　　用人工神經(jīng)網(wǎng)絡(luò)建立評價模型，需要編程或一些輔助軟件，對多數(shù)研究人員來說，自己編寫神經(jīng)網(wǎng)絡(luò)的各

64、種算法程序?qū)@得十分困難、繁瑣。而MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱的推出免除了編寫復(fù)雜而龐大的算法程序的困擾。MATLAB7的神經(jīng)網(wǎng)絡(luò)工具箱為BP網(wǎng)絡(luò)提供了很多工具箱函數(shù)，它們對利用MATLAB進(jìn)行BP網(wǎng)絡(luò)的設(shè)計、分析及實(shí)際應(yīng)用有著不可替代的作用。</p><p>　　5.1 主要界面設(shè)計</p><p>　　MATLAB圖形用戶界面開發(fā)環(huán)境(GUIDE)提供了一系列創(chuàng)建圖形用戶界面(GUI

65、)的工具。這些工具極大地簡化了GUI設(shè)計和生成的過程。MATLAB中的基本圖形用戶界面對象分為3類：用戶界面控件對象(uicontro1)、下拉式菜單對象(uimenu)和內(nèi)容式菜單對象(uicontextmenu)。利用上述對象，進(jìn)行周密的組織、設(shè)計，就可以設(shè)計出一個界面友好、操作簡便、功能強(qiáng)大的圖形用戶界面。</p><p>　　MATLAB圖形用戶界面開發(fā)環(huán)境把GUI保存在2個文件中，它們在第1次保存或運(yùn)行

66、時生成，與GUI顯示和編程任務(wù)相對應(yīng)。其中一個是FIG文件，擴(kuò)展名為.fig，它包含對GUI和GUI組件的完整描述：另一個是M文件，擴(kuò)展名為.m，它在GUI顯示在屏幕上以前包含代碼來完成任務(wù)，例如創(chuàng)建數(shù)據(jù)或圖形。它包含每次用戶單擊GUI組件時運(yùn)行的回調(diào)函數(shù)。初始情況下，每個回調(diào)都只包含一個函數(shù)定義行，然后用M文件編輯器添加代碼來完成函數(shù)的編寫。</p><p>　　在MATLAB主界面下，選擇File菜單New子

67、菜單下的GUI項，打開GUIDE啟動對話框，選擇創(chuàng)建一個新的GUI程序。創(chuàng)建新的程序時可以使用4種不同的GUIDE模板。在本次設(shè)計中，選擇空白GUI，其設(shè)計界面如下圖所示：</p><p>　　從左側(cè)邊欄中選取所需Uicontrol對象，將之移至中心的GUI界面設(shè)計區(qū)域。然后，需要設(shè)置這些組件的屬性，常用屬性包括顏色設(shè)置，文本標(biāo)簽設(shè)置，回調(diào)函數(shù)設(shè)置等。本系統(tǒng)在.fig中添加所需控件，并對每個控件設(shè)置相應(yīng)屬性和函數(shù)

68、：</p><p>　　設(shè)計界面如下圖所示：</p><p>　　文件菜單下有兩個子菜單</p><p>　?。?） 使用已存在的網(wǎng)絡(luò)：會讓你選擇一個mat文件，選擇后就會把當(dāng)前的網(wǎng)絡(luò)變?yōu)閙at文件中已存儲的網(wǎng)絡(luò),可以直接使用。</p><p>　　（2） 保存這個網(wǎng)絡(luò)：會讓你選擇個位置保存網(wǎng)絡(luò)，把這個網(wǎng)絡(luò)保存在硬盤數(shù)據(jù)mat中</p&

69、gt;<p>　　幫助菜單下有一個子菜單。</p><p>　　（1） 關(guān)于：會蹦出一個版權(quán)界面。</p><p>　　5.2 主要功能設(shè)計</p><p>　　5.2.1 樣本的生成</p><p>　　訓(xùn)練網(wǎng)絡(luò)所需的樣本必須代表專家思想，所以根據(jù)模糊綜合評價法的基本原則，點(diǎn)擊生成樣本按鈕時，調(diào)用product_Callb

70、ack函數(shù)，執(zhí)行N組代表評價者思想的評價值R與權(quán)值A(chǔ)的計算得到綜合評價值，評價值作為輸入，綜合評價值為輸出，存儲數(shù)據(jù)作為訓(xùn)練樣本。</p><p>　　在本系統(tǒng)中，R存在表Ann.xls中，</p><p>　　所以從本地讀取XLS數(shù)據(jù)：</p><p>　　R = xlsread('Ann.xls')；</p><p>&l

71、t;b>　　A從界面上獲?。?</b></p><p>　　A0 = str2num(get(findobj('tag','edit30'),'string'));</p><p>　　A1 = str2num(get(findobj('tag','edit31'),'string&#

72、39;));</p><p>　　A2 = str2num(get(findobj('tag','edit32'),'string'));</p><p>　　A3 = str2num(get(findobj('tag','edit33'),'string'));</p><

73、p>　　A4 = str2num(get(findobj('tag','edit34'),'string'));</p><p>　　A5 = str2num(get(findobj('tag','edit35'),'string'));</p><p>　　A=[A0;A1;A2;A3;

74、A4;A5];</p><p>　　其中edit30，edit31，edit32，edit33，edit34，edit35分別是界面上各個編輯框的標(biāo)簽名。</p><p><b>　　計算綜合評價值：</b></p><p>　　data0 = R;</p><p>　　data0(:,7)=R*A;</p>

75、<p>　　為了方便建立劃分模型，本系統(tǒng)中運(yùn)用matlab中的round函數(shù)將各綜合評價值四舍五入取整：</p><p>　　for index = 1:300</p><p>　　data0(index,7) = round(data0(index,7));</p><p><b>　　end</b></p>&l

76、t;p>　　for index = 1:300</p><p>　　if data0(index,7) < 1</p><p>　　data0(index,7) = 1;</p><p><b>　　end</b></p><p>　　if data0(index,7) > 4</p>&

77、lt;p>　　data0(index,7) = 4;</p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　其結(jié)果1,2,3,4 分別表示評價的差，一般，良好，優(yōu)秀四個等級，讀取綜合評價值的值并存入RR.xls表中。</p><p>　　x

78、lswrite('train.xls',data0);</p><p>　　msgbox('結(jié)果保存為train.xls，請在當(dāng)前文件夾下查看','提示','warn');</p><p>　　5.2.2 MATLAB中BP網(wǎng)絡(luò)構(gòu)建和初始化</p><p>　　訓(xùn)練前饋網(wǎng)絡(luò)的第一步是建立網(wǎng)絡(luò)對象。程序

79、剛打開界面的時候默認(rèn)生成了一個網(wǎng)絡(luò)。MATLAB中，函數(shù)newff建立一個可訓(xùn)練的前饋網(wǎng)絡(luò)，這需要4個輸入?yún)?shù)。第一個參數(shù)是一個Rx2的矩陣以定義R個輸入向量的最小值和最大值。第二個參數(shù)是一個網(wǎng)絡(luò)每層神經(jīng)元個數(shù)的數(shù)組。第三個參數(shù)是包含每層用到的轉(zhuǎn)移函數(shù)名稱的細(xì)胞數(shù)組。最后一個參數(shù)是用到的訓(xùn)練函數(shù)的名稱。</p><p>　　在本系統(tǒng)中，根據(jù)上文所得，輸入向量有6組，為了省去歸一化的麻煩，把它們直接約束在0~1的范

80、圍內(nèi)。隱層個數(shù)默認(rèn)為n，默認(rèn)為5，輸出層1個。輸入層到隱層的轉(zhuǎn)移函數(shù)是log-sigmoid，輸出層的轉(zhuǎn)移函數(shù)是linear，訓(xùn)練函數(shù)選擇了trainbfg。trainbfg計算量和內(nèi)存需求均比共軛梯度算法大,但收斂比較快。</p><p>　　系統(tǒng)中相應(yīng)的命令語句為：</p><p>　　net=newff([0 5;0 5;0 5;0 5;0 5;0 5],[n 1],{'lo

81、gsig','purelin'},'trainbfg');</p><p>　　這個命令建立了網(wǎng)絡(luò)對象并且初始化了網(wǎng)絡(luò)權(quán)重和偏置，因此網(wǎng)絡(luò)就可以進(jìn)行訓(xùn)練了。我們可能要多次重新初始化權(quán)重或者進(jìn)行自定義的初始化。下面就是初始化的詳細(xì)步驟。</p><p>　?。?）獲取隱含層節(jié)點(diǎn)數(shù)：</p><p>　　n = str2num(

82、get( findobj( 'tag','edit10'),'string'));</p><p>　?。?）獲取學(xué)習(xí)速率：</p><p>　　net.trainParam.lr = str2num( get( findobj('tag','edit13'),'string'));</p

83、><p>　?。?）獲取最大學(xué)習(xí)次數(shù)：</p><p>　　net.trainParam.epochs = str2num( get( findobj('tag','edit12'),'string'));</p><p>　?。?）獲取期望誤差：</p><p>　　net.trainParam.

84、goal = str2num( get( findobj('tag','edit14'),'string'));</p><p>　　其中edit10，edit12，edit13，edit14分別是相對應(yīng)的控件名。</p><p>　　net.trainParam.show = 50; %每學(xué)習(xí)50次顯示下</p><p&

85、gt;　　net.trainParam.lr = lr; %學(xué)習(xí)速率</p><p>　　net.trainParam.epochs =epochs; %最大學(xué)習(xí)次數(shù)</p><p>　　net.trainParam.goal = goal; %期望誤差目標(biāo)</p><p>　　5.2.3 MATLAB中BP網(wǎng)絡(luò)訓(xùn)練</p><p>　　本

86、系統(tǒng)中，要訓(xùn)練的數(shù)據(jù)為xls電子表格格式，表名為trainl。 Xls數(shù)據(jù)內(nèi)容格式要求：前6列為輸入數(shù)據(jù)ABCDEF，輸入數(shù)據(jù)范圍在0-1之間，第7列為輸出數(shù)據(jù)取值在1-4之內(nèi)，代表：優(yōu)秀，良好，一般，差。配置好網(wǎng)絡(luò)參數(shù)，載入訓(xùn)練數(shù)據(jù)來選擇輸入數(shù)據(jù)：</p><p>　　點(diǎn)擊訓(xùn)練按鈕將會訓(xùn)練這個網(wǎng)絡(luò)。</p><p>　　獲取要測試的XLS數(shù)據(jù)：</p><p>　

87、　trainfile = get(findobj('tag','edittraindata'),'string');</p><p>　　if length(trainfile)==0</p><p>　　msgbox('請載入訓(xùn)練數(shù)據(jù)！','提示','warn');</p>&l

88、t;p><b>　　return;</b></p><p><b>　　end</b></p><p>　　讀取相應(yīng)的數(shù)據(jù)為輸入輸出：</p><p>　　data = xlsread(trainfile);</p><p>　　input = data(:,1:6)';</p&

89、gt;<p>　　output = data(:,7)'。</p><p>　　MATLAB中訓(xùn)練網(wǎng)絡(luò)的格式為：</p><p>　　net=train(net, input, output);</p><p>　　handles.net = net;%賦值給窗口的net</p><p>　　guidata(hObjec

90、t, handles);%保存網(wǎng)絡(luò)數(shù)據(jù)</p><p><b>　　訓(xùn)練誤差曲面：</b></p><p>　　由圖可知，訓(xùn)練誤差趨近于目標(biāo)誤差，視為訓(xùn)練成功。訓(xùn)練結(jié)束后，可點(diǎn)擊查看網(wǎng)絡(luò)參數(shù)按鈕，會提示去matlab命令行窗口去看這個網(wǎng)絡(luò)的參數(shù)。（因?yàn)槌绦騽倖泳湍J(rèn)生成了一個網(wǎng)絡(luò)，所以不必訓(xùn)練就可以直接查看參數(shù)，訓(xùn)練后會發(fā)現(xiàn)參數(shù)變化了） 。</p>&

91、lt;p>　　因?yàn)槊看纬跏蓟W(wǎng)絡(luò)時都是隨機(jī)的，而且訓(xùn)練終止時的誤差也不完全相同，結(jié)果訓(xùn)練后的權(quán)植和閥也不完全相同（大致是一樣的），所以每次訓(xùn)練后的結(jié)果也略有不同。找到比較好的結(jié)果后，用函數(shù)Savenet_Callback保存網(wǎng)絡(luò)，可使預(yù)測的結(jié)果不會變化，在需要的調(diào)用時用命令load filename載入。</p><p>　　5.2.4 MATLAB中網(wǎng)絡(luò)測試</p><p>　　

92、同樣，測試樣本的格式也為xls電子表格，表名為try。測試后統(tǒng)計出不合格的個數(shù)，并將比對結(jié)果顯示在測試結(jié)果區(qū)中。</p><p>　　例如，已知權(quán)重A=[0.2； 0.2； 0.2； 0.2； 0.1； 0.1]，若try表取10組測試數(shù)據(jù)，數(shù)據(jù)如下（A-F為6個評價值，G為預(yù)期綜合評價值）：</p><p>　　測試結(jié)果如下圖，本次正確率為80%，預(yù)測的結(jié)果可從Result表中查看。&l

93、t;/p><p><b>　　相應(yīng)代碼為：</b></p><p>　　5.2.5 查看網(wǎng)絡(luò)參數(shù)(shownet_Callback)</p><p>　　訓(xùn)練成功，可查看相應(yīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)。</p><p>　　function shownet_Callback(hObject, eventdata, handles)&l

94、t;/p><p>　　disp('網(wǎng)絡(luò)參數(shù)展示')</p><p>　　disp('輸入層到隱含層的權(quán)值矩陣W1')</p><p>　　handles.net.iw{1,1}</p><p>　　disp('隱含層的閉值矩陣b1')</p><p>　　handles.ne

95、t.b{1}</p><p>　　disp('隱含層到輸出層的權(quán)值矩陣W2')</p><p>　　handles.net.lw{2,1}</p><p>　　disp('輸出層的閡值矩陣b2')</p><p>　　handles.net.b{2}</p><p>　　msgbox(&

96、#39;請到命令行窗口查看網(wǎng)絡(luò)參數(shù)！','提示','warn');</p><p>　　點(diǎn)擊查看網(wǎng)絡(luò)參數(shù)按鈕，跳出提示如下對話框，點(diǎn)擊OK后，可在matlab命令行窗口查看網(wǎng)絡(luò)各個參數(shù)。</p><p>　　5.2.6 打開網(wǎng)絡(luò)（Opennet_Callback）</p><p>　　由5.1所知，打開一個已存在的網(wǎng)絡(luò)函數(shù)為

97、Opennet_Callback。使用uigetfile創(chuàng)建文件名處理對話框，用來在打開情況下交互地獲得文件名等信息。僅當(dāng)文件存在時才成功返回。如果用戶選擇了一個并不存在的文件，就顯示出錯信息，控制框返回到對話框。調(diào)用語句為：</p><p>　　[filename,pathname] = uigetfile('*.mat','打開一個網(wǎng)絡(luò)');其中，'*.mat'

98、表示列出所有的網(wǎng)絡(luò)文件；'打開一個網(wǎng)絡(luò)'是對話框標(biāo)題字符串。</p><p>　　fullname=fullfile(pathname,filename);%文件路徑全名</p><p>　　load (fullname,‘net’)%提取網(wǎng)絡(luò)數(shù)據(jù)</p><p>　　handles.net = net;%賦值到窗口網(wǎng)絡(luò)</p><

99、;p>　　guidata(hObject, handles);%保存窗口信息</p><p>　　5.2.7 保存網(wǎng)絡(luò)（Savenet_Callback）</p><p>　　由上一節(jié)所知，保存一個網(wǎng)絡(luò)的函數(shù)為Savenet_Callback。使用uiputfile創(chuàng)建文件名處理對話框，其與uigetfile十分相似，而且也是返回文件和路徑字符串。調(diào)用語句為：</p>

100、<p>　　[filename,pathname] = uiputfile('net.mat','保存這個網(wǎng)絡(luò)');</p><p>　　fullname=fullfile(pathname,filename)%文件路徑全名</p><p>　　fullname = sprintf('%s',fullname);</p&g

101、t;<p>　　net = handles.net;%獲得窗口net數(shù)據(jù)</p><p>　　save(fullname,'net')</p><p><b>　　6 總結(jié)及展望</b></p><p>　　經(jīng)過對收集的資料進(jìn)行學(xué)習(xí)與實(shí)踐。了解了綜合評價，專家思想的含義；熟悉了人工神經(jīng)網(wǎng)絡(luò)的發(fā)展和結(jié)構(gòu)和matla

102、b工具箱；并完成了運(yùn)用神經(jīng)網(wǎng)絡(luò)工具箱設(shè)計基于人工神經(jīng)網(wǎng)絡(luò)的綜合評價系統(tǒng)。本系統(tǒng)以BP神經(jīng)網(wǎng)絡(luò)作為基于多因素的評估模型構(gòu)建的基礎(chǔ)，將訓(xùn)練樣本通過輸入層輸入，正向運(yùn)行一次并反向修改權(quán)值，經(jīng)過多次的學(xué)習(xí)，使系統(tǒng)貼近評價者的思想。</p><p>　　在本次系統(tǒng)的設(shè)計與開發(fā)過程中，我學(xué)到了很多東西。不管是新的知識，還是處理問題能力的提升，對我來說都是一筆不小的財富。</p><p>　　由于時間倉

103、促和個人的知識有限，系統(tǒng)總是會有瑕疵。</p><p>　　1、因?yàn)椴⑽磳ΜF(xiàn)實(shí)中評價網(wǎng)站績效的因素進(jìn)行考察，所以本系統(tǒng)中的影響因素均為模擬量，樣本數(shù)據(jù)也沒有真正符合實(shí)際情況。</p><p>　　2、由于學(xué)習(xí)速率是固定的，因此，網(wǎng)絡(luò)的收斂速度慢，需要較長的訓(xùn)練時間。</p><p>　　3、網(wǎng)絡(luò)的學(xué)習(xí)和記憶具有不穩(wěn)定性。也就是說，如果增加了學(xué)習(xí)樣本，訓(xùn)練好的網(wǎng)絡(luò)需要

104、從頭開始重新訓(xùn)練，對于以前的權(quán)值和閾值是沒有記憶的。</p><p>　　4、網(wǎng)絡(luò)隱含層的層數(shù)和單元數(shù)的選擇尚無理論上的指導(dǎo)，一般是根據(jù)經(jīng)驗(yàn)或者通過反復(fù)試驗(yàn)確定。因此，網(wǎng)絡(luò)往往存在很大的冗余性，在一定程度上也增加了網(wǎng)絡(luò)學(xué)習(xí)的負(fù)擔(dān)。</p><p><b>　　參考文獻(xiàn)</b></p><p>　　[1]師黎.智能控制理論及應(yīng)用[M].清華大學(xué)出

105、版社,2009.</p><p>　　[2]Joy Tillotson．Web Site Evaluation：A Survey of Undergraduates[J].Online Information Review，2002(6).</p><p>　　[3]王知津，李明珍．網(wǎng)站評價指標(biāo)體系的構(gòu)建方法與過程[J].圖書與情報，2006(3).</p><p>

106、;　　[4]周開利,康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計[M].北京:清華大學(xué)出版社,2005.</p><p>　　[5]施彥,韓力群,廉小親.神經(jīng)網(wǎng)絡(luò)設(shè)計方法與實(shí)例分析[M].北京:北京郵電大學(xué)出版社,2009.</p><p>　　[6]飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)[M].北京:電子工業(yè)出版社,2005.</p><p>

107、　　[7]人工神經(jīng)網(wǎng)絡(luò)講稿PPT[DB/OL]. http://wenku.baidu.com/view/a935618fcc22bcd126ffOcda.html.2010,12,12. [8]周開利,康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計[M].北京:清華大學(xué)出版社,2005.</p><p>　　[9]HORNIK K M ,STINCHCOMBE M ,WHITE H. Multilayer f

108、eedforward networks are universal approximators[J] . Neural Networks , 1989 , 2 (5) : 359 - 366.</p><p>　　[10]綜合評價方法研究[DB/OL]. http://futures.hexun.com/2008-09-12/108769713.html.2011,4,10.</p><p&g

109、t;　　[11]飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)[M].北京:電子工業(yè)出版社,2005.</p><p>　　[12]張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京:機(jī)械工業(yè)出版社,2009.</p><p>　　[13]百度百科[DB/OL]. http://baike.baidu.com/view/10598.htm.2011,4,20.</p>