网络运用于认知负荷综合评估的设计

二、SOM网络运用于认知负荷综合评估的设计

MATLAB的神经网络工具箱为SOM网络提供了大量的函数工具。因此我们可以借助MATLAB来建立SOM网络，并运用于认知负荷的等级划分和识别中。

利用SOM网络对认知负荷进行等级划分和识别，其设计与BP网络相似，主要包括网络样本设计、网络创建、网络训练与测试等部分。

(一)网络样本设计

输入样本与BP网络相同，同为22个被试，共132个组数据。

(二)网络创建

SOM网络输入层的设计与BP网络相似，同样选择与认知负荷有显著相关的7个评估指标作为网络的输入项。输出层的设计，涉及神经元个数和神经元排列的设计两个方面。神经元个数一般与认知负荷水平等级个数有关，我们分别设定为6个和3个;由于本研究仅对认知负荷的水平进行分类，因而神经元的排列采用一维线阵来表示。

MATLAB中用于SOM网络构建的函数为newsom，其代码为:

net=newsom(minmax(p)，［6，1］);

其中，P为输入项，minmax(p)指定了输入项元素的最大值和最小值，［6，1］表示创建网络的竞争层为6×1的结构。

网络的拓扑函数为hextop(六角层结构函数)，即优胜邻域的形状是六边形。

距离函数为linkdist(欧氏距离权函数)。即测量相似性的方法是计算欧氏距离。

(三)网络训练与测试

接下来利用训练函数train和仿真函数sim对网络进行训练和仿真。由于网络训练步数对网络的聚类性能影响比较大，所以这里将步数设置为100、1 000、3 000和5 000四种，并分别观察其分类性能。其代码为:

a=［100 1000 3000 5000］

for i=1∶4

　　　net.trainparam.epochs=a(i);

　　　net=train(net，input);

　　　y=sim(net，input)

　　　ya=sim(net，test);

　　　yc=vec2ind(y)

　　　yca=vec2ind(ya)

end

训练结果见表3.4。我们对结果进行分析可知，当训练次数达到1 000以上时，此时训练结果已差异不大。因此，此时再提高训练次数已经没有实际意义了，所以我们选择网络的训练次数为1 000。

网络训练结束后，权值也就固定了。接下来我们选择与BP网络相同的9个新的被试，共54组样本，对网络进行测试。当输出神经元为6个时，其测试结果见表3.5。

表3.4　SOM网络训练结果

续表

表3.5　基于SOM网络建模的综合评估结果(认知负荷等级:6种)

依据同样的程序，当输出项神经元个数为3个时，其测试结果见表3.6。

表3.6　基于SOM网络建模的综合评估结果(认知负荷等级:3种)

对SOM网络的三种模型测试结果进行比较可以发现，认知负荷水平分为3个等级的两种模型其测试结果要明显优于认知负荷水平分为6个等级的模型，这说明认知负荷水平的分级程度对测量结果存在影响。