基于学习矢量量化神经网络的创造力评价

田金亭，甘媛源，余嘉元

（南京师范大学 教育科学学院，南京 210097）

基于学习矢量量化神经网络的创造力评价

田金亭，甘媛源，余嘉元

（南京师范大学 教育科学学院，南京 210097）

剖析了创造力评价的重要意义及当前存在的问题，根据创造力评价指标及等级的数目，构建了由输入层、隐含层、输出层组成的学习矢量量化（LVQ）神经网络，用训练好的网络对测试样本进行仿真测试，仿真结果和实际情况正好相符，体现出 LVQ神经网络在创造力评价中的实用性和有效性。

创造力；LVQ神经网络；训练；测试

0 引言

评价人的创造力是一项极富挑战性的工作，对中学生创造力的评价也不例外，学校鉴别或评价创造力的目的并不是简单地把学生分为“有创造性”和“无创造性”[1]，而以培养创新性人才为宗旨，把具有不同创造性水平的学生区分开来，利用教育心理学原理、创造力理论等制定出适宜的培养方案。创造力评价是培养开发创造力的首要环节，因为只有评价得当，才能把那些创造力非凡的学生鉴别出来，为他们的发展提供更大的舞台，同时对创造力水平不突出的学生进行切实有效的培养。

创造力是个抽象的概念，关于它的测评，心理学研究者时常会通过问卷或访谈等方法获得创造力各个指标上的得分，根据实际需要，列出不同的等级水平，诸如优、良、差等，最后根据各个指标所处的等级，综合评判出创造力的水平。当需要评价的被试、指标个数、指标等级水平都较少时，由专业人士来完成这份评价工作就相对容易。然而，当三者之中，有一项数目较大时，工作量就变得相当大，评价者也容易犯主观的错误，利用人工甚至就无法完成。为此，作者试图寻求一种客观的智能技术来解决此类问题，以求既能省时省力，又能保证评价结果的可靠性。

在模式识别技术中，单层感知器是一致逼近线性函数空间最简单的网络，但是它对非线性样本空间不可分，BP网络应用很普遍，但容易陷入局部最小值，其它一些优化策略如遗传算法等，全局最小值可以求得，但是计算量很大，容易出现效率问题。学习矢量量化（LVQ）神经网络具有较强的容错性和鲁棒性[2]，一般需要设计者自己先建立网络决策系统，只要网络决策系统设计的合理，输入实际所需的性能指标后，就能得到较为满意的识别结果。作者尝试用LVQ神经网络首次对创造力进行评价。

1 创造力数据的采集与处理

1.1 被试

抽取聊城市两所中学高二年级两个班的学生作为被试，共110人，其中男生60名，女生50名。被试分别来自市重点高中和非重点高中。

1.2 测量工具与指标的获得

测量工具为威廉斯创造力倾向测量表，共50个题目，包含正向题目和反向题目，正向题目：A记3分，B记2分，C记1分；反向题目：A记1分，B记2分，C记3分。该问卷考察的创造力指标可归纳为挑战性、冒险性、好奇性、想象性四个方面。

1.3 创造力等级的评判

问卷实测完毕后，删除无效问卷，得到有效问卷100份，通过SPSS13.0统计软件包[3]计算问卷的信度、效度，二者均在0.8以上，说明这是一份可信有效的问卷调查。其中，信度是指采用同一方法对同一对象进行调查时，问卷调查结果的稳定性和一致性，效度是指测量工具或手段能够准确测出所需测量事物的程度[4]。算出各个指标的分数，每个指标从优、良、差三个等级来衡量，最后，运用模糊综合评价法[5]把四个指标的等级综合起来考虑，对创造力总体水平做个评判。鉴于篇幅问题，本文只从100份有效问卷中随机抽取9份进行实验，问卷从1到9依次编号，各个指标具体得分和创造力判断结果见表1。

表1 各指标分数及总体水平

2 LVQ神经网络简介

LVQ神经网络是在有教师指导状态下对竞争层进行训练的一种网络，它在模式识别和优化领域有着广泛的应用。一个LVQ网络由输入层、隐含层、输出层三层神经元组成，输入层与隐含层之间为完全连接，隐含层和输出层间为部分连接，每个输出神经元与隐含神经元的不同组相连接。

LVQ神经网络的学习规则结合了竞争学习和有教师学习的规则，即需要一组正确网络行为的例子来训练该网络。此神经网络的学习是通过改进了的Kohonen规则，改变输入层和竞争层之间的连接权值来进行的，即在每次迭代过程中，将一个输入向量提供给网络，并且通过竞争层计算每个原型向量与输入向量之间的距离，与输入向量距离最近的神经元将获得竞争胜利，这个神经元输出的元素值定为1，通过相应的公式可以算出输出向量的值。

3 LVQ网络的建构

就本文实际问题而言，有4个评价指标和3个等级，故需设计的网络结构，输入层应有4个神经元，输出层有3个神经元，尚待确定的是隐含层神经元个数。考虑到隐含层神经元个数太少容易导致网络不收敛，太多又容易降低网络收敛速度，根据以往构建网络的经验，选择隐含层神经元个数为4，LVQ网络结构初步确定如图1。

4 程序设置

4.1 训练、测试样本的选择

选取序号为1,2,3,4,5,6的样本作为训练样本，样本在四个指标上的分数作为输入向量P，样本等级输出的优、良或差分别用二进制代码001,010,100表示，则目标向量 T为：

序号为7,8,9的样本构成测试样本。

4.2 网络创建与训练

以Matlab6.5为实验平台，创建一个LVQ网络，

minmax(P)指输入向量中每行的最小值、最大值组成的矩阵，这里4代表隐含层神经元个数，1/3是指输入向量对应的等级1，2，3的个数各占1/3。另外，学习速率设为0.1，网络训练误差定为0.01，

学习函数采用learnlv1，检查确定的初始权值为零，用函数train进行网络训练，训练步数初步设为100，如果训练步数达到100时，网络误差仍达不到要求，适当的增加训练步数即可。图2是训练步数

为100的训练结果：

可见，网络经过27次训练后，网络性能目标为0，网络误差达到要求，此时网络训练完毕，网络各层间的权值已经固定。对于每个输入值，网络都会提供相应的等级类别输出，此时可以对网络进行测试。

4.3 网络仿真，测试网络的性能

测试样本四个指标上的分数构成输入向量，利用仿真函数sim进行测试，测试输出结果为：

由于二进制代码 1 0 0，0 1 0，0 0 1分别代表优、良、差，故测试样本对应的输出即为优、良、差，这与表1中的实际情况完全相符，由此可见本文创建的网络性能是不错的，可以应用于创造力的评价。

5 结语

结果表明，只要选取适当的训练样本，利用LVQ神经网络进行创造力的评价是合适的，依据训练样本及其对应的等级，不必在创造力每个指标上做判断，就可以对创造力水平做出正确的判断，有效降低了评价过程中的工作量，为人们快速准确的评价创造力提供了一种工具。LVQ网络具备简单易操作的优势，较之其它神经网络，在这个过程中设计人员不需要构造复杂的，甚至是难以构造的非线性处理函数，也不需要将输入向量进行归一化、正交化等。

[1]A．J.斯塔科.创造能力教与学[M].上海：华东师范大学出版社,2007.

[2]葛哲学，孙志强.神经网络理论与MATLABR2007实现[M].北京:电子工业出版社,2007.

[3]张奇.SPSS for Windows在心理学与教育学中的应用[M].北京：大学出版社,2009.

[4]戴海崎,张锋,陈雪枫.心理与教育测量[M].广州：暨南大学出版社,2007.

[5]杜栋,庞庆华,吴炎.现代综合评价方法与案例精选[M].北京：清华大学出版社,2008.

[6]乞建勋,李星梅.基于LVQ神经网络的供电企业客户信用风险识别[J].统计与决策,2006，(23).

（责任编辑/浩 天）

F224.7

A

1002-6487(2011)03-0160-02

国家社会科学基金“十一五”规划课题（BBA080050）

田金亭（1981-），女，山东人，博士，研究方向：心理测量与人工智能。

甘媛源（1983-），女，湖北人，博士，研究方向：心理测量。