本期推荐本栏目责任编辑：张薇ComputerKnowledgeandTechnology电脑知识与技术第19卷第3期(2023年1月）一种改进的SOM网络算法及其在实践教学评价中的应用严太山，王欣，杨勃，程望斌，刘立志（湖南理工学院信息科学与工程学院，湖南岳阳414006)摘要：传统SOM网络算法通常用最大迭代次数作为终止条件，针对最大迭代次数最佳值难以确定的问题，提出一种以聚类中心变化量作为终止条件的SOM网络算法，该算法能根据聚类中心变化情况自适应控制算法训练进程。将该算法应用于电子信息类专业实践教学评价之中，建立了电子信息类专业实践教学评价SOM神经网络模型。实验结果表明，这种基于SOM神经网络的教学评价方法能够实现对电子信息类专业实践教学质量的准确评价，对构建智能化教学质量评价系统具有重要的参考价值。关键词：SOM神经网络；实践教学评价；自学习；自适应中图分类号：G642文献标识码：A文章编号：1009-3044(2023)03-0009-03开放科学（资源服务）标识码(OSID)：1引言实践教学是对学生进行技能训练，培养学生操作能力和创新能力的教学活动，是培养工程应用型人才的必备环节。电子信息类专业是工科院校中的一个极其重要的专业，在信息产业飞速发展的今天，电子信息类专业人才的市场需求量越来越大，要求也越来越高，电子信息类专业必须加强实践教学，同时还要对实践教学质量进行及时的、客观的评价，以做到以评促教，切实提高实践教学质量。所以，实践教学评价已成为当今电子信息类专业和其他专业的一项常规性工作。但在目前高校的实践类课程教学评价过程中，仍然存在诸多有待解决的问题[1-5]，为此，我们通过构建完整的电子信息类专业实践教学评价体系，设计一种改进的SOM神经网络算法，建立基于改进SOM神经网络的电子信息类专业实践教学评价方法，为提高实践教学质量评价的有效性、客观性和公正性提供有益参考。2SOM神经网络算法及改进SOM神经网络是由芬兰的Kohonen教授提出一种前馈神经网络[6-8]，网络结构是由一个输入层和一个输出层（也叫竞争层）构成的，如图1所示。SOM神经网络学习算法步骤如下：Step1：对初始化权重w1(0),w2(0),⋅⋅⋅,wk(0)；初始邻域宽度参数σ(0)；初始学习率η(0)；最大迭代次数Tmax；迭代次数τ=1。Step2：从训练样本集中任选一个输入向量x，计算x与所有权重向量的距离：dj=∑i=1n(xi-wij)2(1)然后按照“胜者为王”的规则选择距离最小的神经元作为获胜神经元，记为j*。Step3：对竞争层获胜神经元j*邻域内的全部神经...
