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（論文）現(xiàn)狀，選用10個評價指標(biāo)，由學(xué)生綜合成績等級與對應(yīng)的評價指標(biāo)關(guān)系提煉出5個等級理想評價指標(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（論文）綜合成績評定模型；將待評定的學(xué)生等級評價指標(biāo)編碼作為模型的輸入，利用外積法對網(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、直觀地評定學(xué)生畢業(yè)設(shè)計（論文）環(huán)節(jié)的綜合成績。

關(guān)鍵詞：畢業(yè)設(shè)計（論文） 成績評定 離散Hopfield網(wǎng)絡(luò)評定模型

中圖分類號：G64 文獻(xiàn)標(biāo)識碼：A 文章編號：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（論文）是高校教學(xué)實踐中實現(xiàn)培養(yǎng)目標(biāo)的最后一個綜合性環(huán)節(jié)。學(xué)生在各自老師指導(dǎo)下，按照教學(xué)計劃要求，獨立撰寫完成畢業(yè)設(shè)計（論文）。畢業(yè)設(shè)計（論文）是大學(xué)生在校期間所學(xué)知識、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。

畢業(yè)設(shè)計（論文）成績不僅影響到學(xué)生評優(yōu)和學(xué)士學(xué)位的獲取，也使得他們在做畢業(yè)設(shè)計（論文）過程中，清楚認(rèn)識到自身在哪些方面存在不足。因此對于本科畢業(yè)設(shè)計（論文）綜合成績的評定，一定要公正、合理。目前我校畢業(yè)設(shè)計綜合成績評定分成三部分：首先是指導(dǎo)教師評閱，給出建議成績；其次在答辯前，專業(yè)教研室組織本學(xué)科教師進(jìn)行交叉評閱，給出建議成績；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、評閱人所建議的成績給出最終的畢業(yè)設(shè)計（論文）成績。這種評定方法存在評價指標(biāo)缺乏定量的評定標(biāo)準(zhǔn)、工作繁瑣、時間滯后，人為主觀因素對評價結(jié)果影響很大。因此如何快速、準(zhǔn)確地對眾多學(xué)生的畢業(yè)設(shè)計（論文）進(jìn)行客觀、公正評價，是一項很有意義的工作。

目前應(yīng)用于畢業(yè)設(shè)計（論文）綜合成績評定的方法有模糊評價法[2]、層次分析法等，該文嘗試選用我校畢業(yè)設(shè)計畢業(yè)過程中較為重要的10個評價指標(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評定模型；將待評定的學(xué)生等級評價指標(biāo)編碼作為該模型的輸入，利用外積法對網(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)生綜合成績的評定結(jié)果。

1 外積法設(shè)計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)化計算等問題。其中的聯(lián)想記憶原理是：當(dāng)某個矢量輸入網(wǎng)絡(luò)后，經(jīng)過反饋計算，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)的一個平衡點。

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。是一個簡單閾值函數(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)元信息的一個集合，DHNN網(wǎng)絡(luò)（輸出層是個神經(jīng)元）在 時刻的狀態(tài)為公式（3）所示的維向量：

（3）

采用外積法設(shè)計離散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）計算權(quán)系數(shù)矩陣；

第二步，令測試樣本為網(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，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)計綜合成績評定模型

影響本科生畢業(yè)設(shè)計綜合成績的因素有很多，本文僅以較為重要的10個影響因素作為評價指標(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)計過程中小組檢查情況（X4）、畢業(yè)設(shè)計過程中院校督導(dǎo)組檢查情況（X5）、電算模型/程序（X6）、計算書整理（X7）、施工圖繪制（X8）、評閱人評閱（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（論文）工作實施細(xì)則，學(xué)生綜合成績可分為四五個等級：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（論文）綜合成績評定模型建立流程如圖2所示的五個步驟。

該文列舉出20個學(xué)生的畢業(yè)設(shè)計（論文）綜合成績評定等級與10個評價指標(biāo)之間的關(guān)系，各評價指標(biāo)采用百分制，如表1所示。將各個等級的樣本對應(yīng)的個評價指標(biāo)平均值作為各個等級理想評價指標(biāo)，即作為Hopfield神經(jīng)網(wǎng)絡(luò)的平衡點，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)評價指標(biāo)映射為神經(jīng)元狀態(tài)時，需要將其進(jìn)行編碼。編碼規(guī)則為：當(dāng)大于或者等于某個等級的指標(biāo)時，對應(yīng)的神經(jīng)元狀態(tài)設(shè)為1，否則設(shè)為-1。理想的5個等級評價指標(biāo)編碼如圖3所示，其中表示神經(jīng)元狀態(tài)為1，即大于或等于對應(yīng)的理想評價指標(biāo)值；如果小于理想評價指標(biāo)值，則用表示。

5個待評定的學(xué)生等級評價指標(biāo)如表3所示，由前面所述的編碼原則得到這5個畢業(yè)設(shè)計（論文）綜合成績待評定學(xué)生的評價指標(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的綜合成績評定模型，再確定待評定的5個學(xué)生等級評價指標(biāo)的編碼，并且將其作為評定模型的輸入，經(jīng)過一定次數(shù)的學(xué)習(xí)，最終得到學(xué)生綜合成績評價的輸出結(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個學(xué)生評定等級為第II級，第2個學(xué)生評定等級為第III級，第3個學(xué)生評定等級為第I級，第4個學(xué)生評定等級為第IV級，第5個學(xué)生評定等級為第V級。

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（論文）綜合成績評定模型，并對5個學(xué)生的成績進(jìn)行評定，得到如下結(jié)論。

（1）設(shè)計的Hopfield神經(jīng)網(wǎng)絡(luò)綜合成績評定模型可以快速、直觀地對工科本科生的畢業(yè)設(shè)計（狀況）進(jìn)行進(jìn)行評定，方法簡單易行，并能有效保證評定結(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)成績評定過程中的規(guī)范性和科學(xué)性。

（2）在我?，F(xiàn)有的畢業(yè)設(shè)計（論文）評定方法基礎(chǔ)上，嘗試對每個學(xué)生的畢業(yè)設(shè)計（論文） 按照上述方法再進(jìn)行一次評定，比較兩次結(jié)果是否一致。對兩次的成績評定結(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（論文）成績。

參考文獻(xiàn)

[1] 張志英.模糊評價法在本科畢業(yè)設(shè)計成績評定中的應(yīng)用[J].浙江理工大學(xué)學(xué)報， 2011，28（3）：467-470.

[2] 李瑞蘭.層次分析法在畢業(yè)設(shè)計（論文） 成績評定中的應(yīng)用[J].長春工程學(xué)院學(xué)報（社會科學(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（論文）工作實施細(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。是一個簡單閾值函數(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)元信息的一個集合，DHNN網(wǎng)絡(luò)（輸出層是個神經(jīng)元）在 時刻的狀態(tài)為公式（3）所示的維向量：

（3）

采用外積法設(shè)計離散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）計算權(quán)系數(shù)矩陣；

第二步，令測試樣本為網(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，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)計綜合成績評定模型

影響本科生畢業(yè)設(shè)計綜合成績的因素有很多，本文僅以較為重要的10個影響因素作為評價指標(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)計過程中小組檢查情況（X4）、畢業(yè)設(shè)計過程中院校督導(dǎo)組檢查情況（X5）、電算模型/程序（X6）、計算書整理（X7）、施工圖繪制（X8）、評閱人評閱（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（論文）工作實施細(xì)則，學(xué)生綜合成績可分為四五個等級：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（論文）綜合成績評定模型建立流程如圖2所示的五個步驟。

該文列舉出20個學(xué)生的畢業(yè)設(shè)計（論文）綜合成績評定等級與10個評價指標(biāo)之間的關(guān)系，各評價指標(biāo)采用百分制，如表1所示。將各個等級的樣本對應(yīng)的個評價指標(biāo)平均值作為各個等級理想評價指標(biāo)，即作為Hopfield神經(jīng)網(wǎng)絡(luò)的平衡點，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)評價指標(biāo)映射為神經(jīng)元狀態(tài)時，需要將其進(jìn)行編碼。編碼規(guī)則為：當(dāng)大于或者等于某個等級的指標(biāo)時，對應(yīng)的神經(jīng)元狀態(tài)設(shè)為1，否則設(shè)為-1。理想的5個等級評價指標(biāo)編碼如圖3所示，其中表示神經(jīng)元狀態(tài)為1，即大于或等于對應(yīng)的理想評價指標(biāo)值；如果小于理想評價指標(biāo)值，則用表示。

5個待評定的學(xué)生等級評價指標(biāo)如表3所示，由前面所述的編碼原則得到這5個畢業(yè)設(shè)計（論文）綜合成績待評定學(xué)生的評價指標(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的綜合成績評定模型，再確定待評定的5個學(xué)生等級評價指標(biāo)的編碼，并且將其作為評定模型的輸入，經(jīng)過一定次數(shù)的學(xué)習(xí)，最終得到學(xué)生綜合成績評價的輸出結(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個學(xué)生評定等級為第II級，第2個學(xué)生評定等級為第III級，第3個學(xué)生評定等級為第I級，第4個學(xué)生評定等級為第IV級，第5個學(xué)生評定等級為第V級。

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（論文）綜合成績評定模型，并對5個學(xué)生的成績進(jìn)行評定，得到如下結(jié)論。

（1）設(shè)計的Hopfield神經(jīng)網(wǎng)絡(luò)綜合成績評定模型可以快速、直觀地對工科本科生的畢業(yè)設(shè)計（狀況）進(jìn)行進(jìn)行評定，方法簡單易行，并能有效保證評定結(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)成績評定過程中的規(guī)范性和科學(xué)性。

（2）在我?，F(xiàn)有的畢業(yè)設(shè)計（論文）評定方法基礎(chǔ)上，嘗試對每個學(xué)生的畢業(yè)設(shè)計（論文） 按照上述方法再進(jìn)行一次評定，比較兩次結(jié)果是否一致。對兩次的成績評定結(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（論文）成績。

參考文獻(xiàn)

[1] 張志英.模糊評價法在本科畢業(yè)設(shè)計成績評定中的應(yīng)用[J].浙江理工大學(xué)學(xué)報， 2011，28（3）：467-470.

[2] 李瑞蘭.層次分析法在畢業(yè)設(shè)計（論文） 成績評定中的應(yīng)用[J].長春工程學(xué)院學(xué)報（社會科學(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（論文）工作實施細(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。是一個簡單閾值函數(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)元信息的一個集合，DHNN網(wǎng)絡(luò)（輸出層是個神經(jīng)元）在 時刻的狀態(tài)為公式（3）所示的維向量：

（3）

采用外積法設(shè)計離散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）計算權(quán)系數(shù)矩陣；

第二步，令測試樣本為網(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，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)計綜合成績評定模型

影響本科生畢業(yè)設(shè)計綜合成績的因素有很多，本文僅以較為重要的10個影響因素作為評價指標(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)計過程中小組檢查情況（X4）、畢業(yè)設(shè)計過程中院校督導(dǎo)組檢查情況（X5）、電算模型/程序（X6）、計算書整理（X7）、施工圖繪制（X8）、評閱人評閱（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（論文）工作實施細(xì)則，學(xué)生綜合成績可分為四五個等級：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（論文）綜合成績評定模型建立流程如圖2所示的五個步驟。

該文列舉出20個學(xué)生的畢業(yè)設(shè)計（論文）綜合成績評定等級與10個評價指標(biāo)之間的關(guān)系，各評價指標(biāo)采用百分制，如表1所示。將各個等級的樣本對應(yīng)的個評價指標(biāo)平均值作為各個等級理想評價指標(biāo)，即作為Hopfield神經(jīng)網(wǎng)絡(luò)的平衡點，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)評價指標(biāo)映射為神經(jīng)元狀態(tài)時，需要將其進(jìn)行編碼。編碼規(guī)則為：當(dāng)大于或者等于某個等級的指標(biāo)時，對應(yīng)的神經(jīng)元狀態(tài)設(shè)為1，否則設(shè)為-1。理想的5個等級評價指標(biāo)編碼如圖3所示，其中表示神經(jīng)元狀態(tài)為1，即大于或等于對應(yīng)的理想評價指標(biāo)值；如果小于理想評價指標(biāo)值，則用表示。

5個待評定的學(xué)生等級評價指標(biāo)如表3所示，由前面所述的編碼原則得到這5個畢業(yè)設(shè)計（論文）綜合成績待評定學(xué)生的評價指標(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的綜合成績評定模型，再確定待評定的5個學(xué)生等級評價指標(biāo)的編碼，并且將其作為評定模型的輸入，經(jīng)過一定次數(shù)的學(xué)習(xí)，最終得到學(xué)生綜合成績評價的輸出結(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個學(xué)生評定等級為第II級，第2個學(xué)生評定等級為第III級，第3個學(xué)生評定等級為第I級，第4個學(xué)生評定等級為第IV級，第5個學(xué)生評定等級為第V級。

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（論文）綜合成績評定模型，并對5個學(xué)生的成績進(jìn)行評定，得到如下結(jié)論。

（1）設(shè)計的Hopfield神經(jīng)網(wǎng)絡(luò)綜合成績評定模型可以快速、直觀地對工科本科生的畢業(yè)設(shè)計（狀況）進(jìn)行進(jìn)行評定，方法簡單易行，并能有效保證評定結(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)成績評定過程中的規(guī)范性和科學(xué)性。

（2）在我?，F(xiàn)有的畢業(yè)設(shè)計（論文）評定方法基礎(chǔ)上，嘗試對每個學(xué)生的畢業(yè)設(shè)計（論文） 按照上述方法再進(jìn)行一次評定，比較兩次結(jié)果是否一致。對兩次的成績評定結(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（論文）成績。

參考文獻(xiàn)

[1] 張志英.模糊評價法在本科畢業(yè)設(shè)計成績評定中的應(yīng)用[J].浙江理工大學(xué)學(xué)報， 2011，28（3）：467-470.

[2] 李瑞蘭.層次分析法在畢業(yè)設(shè)計（論文） 成績評定中的應(yīng)用[J].長春工程學(xué)院學(xué)報（社會科學(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（論文）工作實施細(xì)則.合肥工業(yè)大學(xué)教務(wù)部，2014.endprint