离散Hopfield神经网络分类——高校科研能力评价

news2024/11/27 5:27:37

大家好，我是带我去滑雪！

高校科研能力评价的重要性在于它对高等教育和科研体系的有效运作、发展和提高质量具有深远的影响。良好的科研能力评价可以帮助高校识别其在不同领域的强项和薄弱点，从而制定战略，改进教学和科研，提高质量，提高在国际和国内的竞争力。因此，如何准确评价高校的科研能力是摆在政府、企业、高校面前的一个十分重要的问题。本次利用离散Hopfield神经网络对高校科研能力进行评价。

（1）问题描述与指标选取

影响高校科研能力的因素有很多，本次选取最重要的11个因素作为评价指标：科研队伍、科研基地、科技学识及相应的载体、科研经费、科研管理、信息接收加工能力、学识积累与技术储备能力、科研技术创新能力、知识释放能力、自适应调节能力、科研决策能力。高校科研能力一般分为五个等级：很强（Ⅰ）、较强（Ⅱ）、一般（Ⅲ）、较差（Ⅳ）、很差（Ⅴ）。

利用某机构对20所高校的科研能力调研的数据，结合离散Hopfield神经网络的联想记忆能力，建立离散Hopfield高校科研能力评价模型。

（2）模型建立思路

将各个等级的样本对应的各评价指标的平均值作为各个等级的理想评价指标，即作为Hopfield神经网络的平衡点，Hopfield神经网络学习过程即为典型的分类等级的评价指标逐渐趋近于Hopfield神经网络平衡点的过程。学习完成后，Hopfield神经网络存储的平衡点即为各个分类等级所对应的评价指标。当有待分类的高校评价指标输入时，Hopfield神经网络利用其联想记忆的能力逐渐趋近于某个存储的平衡点，当状态不再改变时，此时平衡点所对应的便是待求的分类等级。

（3）代码实现

%% 清空环境变量
clear all
clc

%% 导入数据
load class.mat

%% 目标向量
T = [class_1 class_2 class_3 class_4 class_5];

%% 创建网络
net = newhop(T);

%% 导入待分类样本
load sim.mat
A = {[sim_1 sim_2 sim_3 sim_4 sim_5]};

%% 网络仿真
Y = sim(net,{25 20},{},A);

%% 结果显示
Y1 = Y{20}(:,1:5)
Y2 = Y{20}(:,6:10)
Y3 = Y{20}(:,11:15)
Y4 = Y{20}(:,16:20)
Y5 = Y{20}(:,21:25)

%% 绘图
result = {T;A{1};Y{20}};
figure
for p = 1:3
    for k = 1:5 
        subplot(3,5,(p-1)*5+k)
        temp = result{p}(:,(k-1)*5+1:k*5);
        [m,n] = size(temp);
        for i = 1:m
            for j = 1:n
                if temp(i,j) > 0
                   plot(j,m-i,'ko','MarkerFaceColor','k');
                else
                   plot(j,m-i,'ko');
                end
                hold on
            end
        end
        axis([0 6 0 12])
        axis off
        if p == 1
           title(['class' num2str(k)])
        elseif p == 2
           title(['pre-sim' num2str(k)])
        else
           title(['sim' num2str(k)])
        end
    end                
end