自组织小脑神经网络

自组织小脑神经网络（共4篇）

自组织小脑神经网络 篇1

摘要：针对神经网络逼近非线性函数问题,提出一种在线的自组织小脑神经网络,其不需要预先确定存储空间的大小。该网络可以根据输入数据自适应地改变神经网络节点数和相对应的权值,具有良好的智能性;针对挠性卫星姿态控制,将自组织小脑神经网络用于不确定项的补偿中,提高系统的鲁棒性。仿真结果表明,该方法神经网络性能良好,实现了卫星姿态控制。

关键词：自组织小脑神经网络,非线性逼近,卫星姿态控制

0 引言

传统的小脑神经网络计算速度快,应用越来越广泛。但是其基函数为常数0或者1,只能记忆静态信息,泛化能力差,精度不高。Chiang 和Lin [1]研究一种高斯基函数的小脑神经网络,输入信号根据输入状态空间的范围划分高斯基函数的中心,将输入信号与基函数相关联的对应地址空间里的相应权激活,经过加权得到输出 。但是上述神经网络高斯基函数中心点的选取和输入的最大最小值有关,在实际应用中,在线学习不确定时很难预测最大最小值,这样的网络存储空间的大小很难确定,结构不能自动获得,影响学习和控制的性能,因此一些能够自适应地改变神经网络结构的网络受到重视。

Hu和Pratt[2]研究了可以根据输入数据来改变自身结构的方法,但是这种方法运用了不可微分的阶梯性质的基函数,并且只研究了结构增加的方法,没有研究减少结构的方法。C.M.Chen[3]提出了一种自组织的遗传算法的小脑神经网络,运用了信息熵结合黄金分割的方法来决定结构的增加和减少,这种方法的缺点是结构过于复杂,缺乏在线的学习能力。

该文研究了一种自组织小脑神经网络在线逼近非线性函数,这种网络不需要预先确定存储空间的大小,可以根据输入数据自适应地改变神经网络节点数和相对应的权值,具有良好的智能性,并且可以达到全局收敛。针对挠性卫星姿态实例,采用变结构控制,并用神经网络补偿系统不确定性。

1 自组织小脑神经网络算法研究

自组织小脑神经网络是在高斯基小脑神经网络的基础上提出的。如图1为高斯基函数神经网络,输入x是n维空间,输出为:

$y{}_s={\displaystyle \sum _{j=1}^{{\rm N}{}_{\text{h}}}\mathit{a}}{}_{\mathbf{s}}^{\text{Τ}}\mathit{w}{}_{\mathit{j}}(x{}_{\text{s}})$, (1)

式中,as为基函数的选择矢量,有C个单元等于1,其余视为0,相当于以输入数据为中心,以C作为边长,作了一个超立方体。其中:

wj(xs)=vjbj(xs), (2)

式中,vj为权值,bj(x)为径向基函数,基函数中心点和方差是在已知每维输入空间大小情况下选取的。写成矢量形式:

但上述的高斯基函数的小脑神经网络前提是已知了输入X的范围,在实际应用中多数不知道范围大小,在这种情况下,自组织小脑神经网络根据输入大小来增加或者减少节点数。此时:

$y{}_s={\displaystyle \sum _{j=1}^{{\rm N}{}_{\text{h}}}\mathit{w}}{}_j(x{}_{\text{s}})$。

1.1 增加节点数

已经存在的节点可以叫做族。如果一个新的输入量的值在这个族的范围内,则自组织小脑神经网络不会再产生新的节点,只是改变权值[5,6]。

在联想存储空间中定义:

MDk(xs)=‖xs-uk‖2k=1,…,nk, (4)

式中,uk=$\left[\begin{array}{ccccc}u{}_{1k}& \cdots & u{}_{ik}& \cdots & u{}_{nk}\end{array}\right]$是网络中已经存在的节点。用如下理论来确定节点数的增加。找到:

$\widehat{k}=\arg \underset{1\le k\le {\rm N}{}_{jk}}{{\displaystyle \min }}{\rm M}D{}_k(x{}_{\text{s}})$,

如果满足MDk(xs)>Kg,Kg是预定好的最低限度,则产生一个新的节点。这意味着对于一个新的输入数据,如果这个数据跟与族里面的已经存在的节点的中心距离都大于一个设定值,即表示现有的族太小,则需要产生一个新的节点。产生如下的节点:

nk(t+1)=nk(t)+1, (5)

这里的nk(t)是已经存在的节点数目,新产生的节点的中心和方差设置为:

1.2 减少节点数

考虑第j个输出,定义:比例

${\rm M}{\rm M}{}_{jk}(x)=\frac{v{}_{jk}(x)}{y{}_j(x)}$, (7)

式中,yj(x)是第j维输出,vjk(x)是输入数据与第k个中心节点的权值,MMjk(x)表示这个输入数据与第k个节点的权值在整个输出的比例。可以找到第j个输出中最小的比例,即:

$\stackrel{\sim }{{\displaystyle k}}=\arg \underset{1\le k\le {\rm N}{}_{jk}}{{\displaystyle \min }}{\rm M}{\rm M}{}_{jk}(x)$。 (8)

设Kc是预定的上限,如果满足:${\rm M}{\rm M}{}_{\stackrel{\sim }{{\displaystyle jk}}}(x)\le {\rm K}{}_{\text{c}}$,则第k个节点应该删除。这意味着,对于一个输出数据,如果某个节点对于输出的贡献小于一个设定的值,则这个节点应该被删除。

定义误差函数$E=(\widehat{y}{}_{\text{s}}-y{}_{\text{s}}){}^2/2$,使得E最小,则权值修正如下:

$\begin{array}{l}\text{Δ}v{}_k=-xite\frac{\partial E}{\partial v{}_k}=-xite\frac{\partial E}{\partial w{}_k}\frac{\partial w{}_k}{\partial v{}_k}=\\ xite(\widehat{y}{}_{\text{s}}-y{}_{\text{s}})a{}_{\text{s},k}b{}_k(x{}_{\text{s}})‚(9)\end{array}$

vi(k+1)=vi(k)+Δvi(k)+alfa(vi(k)-vi(k-1))。 (10)

2 应用实例

该文将自组织小脑神经网络应用于挠性卫星姿态控制中。挠性卫星姿态控制系统状态方程为:

取状态向量$\mathit{x}=[x{}_1,x{}_2]=[\theta ,\dot{\theta }]{}^{\text{Τ}}$,式(11)写成状态方程形式[7]:

式中,${\rm T}{}_{\text{t}}=\mathit{F}{}_{\text{s}}\cdot 2\xi {}_{\text{s}}\Omega {}_{\text{s}}\dot{\eta }{}_{\text{s}}+\mathit{F}{}_{\text{s}}\Omega {}_{\text{s}}^2\eta {}_{\text{s}}+{\rm T}{}_{\text{d}}$;定义期望状态向量$\mathit{x}{}_{\text{d}}=[\theta {}_r,\dot{\theta }{}_r]{}^{\text{Τ}}$,则误差向量e=xd-x=[e,e1]T,式(12)转换成误差模型:

选取滑面$s=k{}_{\text{c}}e+e{}_1=k{}_{\text{c}}e+\dot{e}‚$对s求导,令$\dot{s}=0$,即$\dot{s}=k{}_{\text{c}}\dot{e}-({\rm I}{}_{\text{s}}-\mathit{F}{}_{\text{s}}\mathit{F}{}_{\text{s}}^{\text{Τ}}){}^{-1}{\rm T}{}_{\text{c}}-({\rm I}{}_{\text{s}}-\mathit{F}{}_{\text{s}}\mathit{F}{}_{\text{s}}^{\text{Τ}}){}^{-1}{\rm T}{}_{\text{t}}+\ddot{\theta }{}_{\text{r}}=0$,得到等价的控制力矩:

$\begin{array}{l}{\rm T}{}_{\text{e}\text{q}}=({\rm I}{}_{\text{s}}-\mathit{F}{}_{\text{s}}\mathit{F}{}_{\text{s}}^{\text{Τ}})k{}_{\text{c}}e{}_1-{\rm T}{}_{\text{t}}-({\rm I}{}_{\text{s}}-\mathit{F}{}_{\text{s}}\mathit{F}{}_{\text{s}}^{\text{Τ}})\ddot{\theta }{}_r=\\ ({\rm I}{}_s-\mathit{F}{}_{\text{s}}\mathit{F}{}_{\text{s}}^{\text{Τ}})(k{}_{\text{c}}e{}_1-\ddot{\theta }{}_{\text{r}})-{\rm T}{}_{\text{t}}。(14)\end{array}$

变结构控制选择为:

式中,Tf为常数,δ为消颤因子。卫星的姿态控制律为:

Tc=Teq-Tvsc, (16)

由于参数ηs、$\dot{\eta }{}_{\text{s}}$和Is有摄动现象,外界扰动Td未知,因此变结构的鲁棒性不能保证。此时可以用神经网络逼近特性来估计不确定性Tt,设Tnn为神经网络输出,以Tt与Tnn之间的差值来更新神经网络的权值,通过调节权值,实现对干扰力矩的补偿。则等价控制力矩变成:

${\rm T}{}_{\text{e}\text{q}}=({\rm I}{}_{\text{s}}-\mathit{F}{}_{\text{s}}\mathit{F}{}_{\text{s}}^{\text{Τ}})(k{}_{\text{c}}e{}_1-\dot{\theta }{}_{\text{r}})-{\rm T}{}_{nn}$。 (17)

系统的总控制力矩为:

${\rm T}{}_{\text{c}}=({\rm I}{}_{\text{s}}-\mathit{F}{}_{\text{s}}\mathit{F}{}_{\text{s}}^{\text{Τ}})(k{}_{\text{c}}e{}_1-\ddot{\theta }{}_r)-{\rm T}{}_{nn}-{\rm T}{}_{\text{v}\text{s}\text{c}}$。 (18)

神经网络与变结构控制相结合,使控制器既具有变结构控制对扰动不敏感的特点,又具有神经网络在线学习的能力,可加快系统响应速度,提高系统的抗干扰能力。

3 仿真分析

该文设计的姿态机动角度为70°,挠性卫星模态为4阶,执行机构为飞轮,控制力矩带有饱和特性。

变结构控制中边界层厚度δ为0.08,滑模面系数kc为0.4,边界层参数Tf为30,神经网络参数xite为0.2,alfa为0.08,加节点的时候Kg为0.001,减节点的时候Kc为0.000 01。

经过仿真,发现在有外加干扰Td=sin(t)时,用滑模控制,不用神经网络补偿时,如图2所示,角度和角速度波动比较大,精度不高。

用自组织小脑神经网络补偿干扰,如图3、图4和图5所示,在80 s角度和角速度达到要求精度,模态幅值为±0.003之间振动,可见神经网络提高了系统的鲁棒性。通过仿真发现,在未知干扰大小的情况下,小脑神经网络收敛速度快,误差小,网络的节点数随着输入的变化而变化,做到了自适应调节节点的目的,最后收敛于一个固定值,而且避免了局部极小的现象。

4 结束语

该文设计一种自组织小脑神经网络,这种网络计算速度快,可以根据输入自适应增加或者删除节点。针对挠性卫星姿态机动控制,由于外加力矩Td在实际中是未知的,而且变化剧烈,采用自组织小脑神经网络对不确定性进行补偿,得到了良好的控制效果。

参考文献

[1]CHIANG C T,LIN C S.CMAC with General BasisFunctions[J].Neural Networks.1996,9(7):1199-1211.

[2]HU J,PRATT F.Self-organizing CMAC Neural Networksand Adaptive Dynamic Control[J].IEEE IntelligentControl,1999:259-265.

[3]LEE H M,CHEN C M,LU Y F.A Self-organizingHCMAC Neural-network Classifier[J].IEEE Trans.,2003,14(14):15-27.

[4]LIN Chin-min,CHEN Te-yu.Self-Organizing CMACControl for a Class of MIMO Uncertain Nonlinear Systems[J].IEEE Transactions on Neural Networks,2009,20:1377-1384.

[5]ALEXANDRIDIS A,SARIMVEIS H,BAFAS G.A NewAlgorithm for Online Structure and Parameter Adaptation ofRBF Networks[J].Neural Networks,2003:1003-1017.

[6]QIN Ting,CHEN Zong-hai,ZHANG Hai-tao,et al.ALearning Algorithm of CMAC Based on RLS[J].NeuralProcessing Leters.2004,19(3):49-6l.

[7]李广兴,周军,周凤岐.挠性卫星高精度智能控制及物理仿真实验研究[J].中国空间科学技术,2007,1:9-13.

自组织小脑神经网络 篇2

无线传感器网络自组织方式――集中式：

所有参与侦测的节点将数据通过多跳网络直接送给服务器，目标的位置和轨迹在服务器中产生。这种方法和传统网络的方式无太大区别，虽然服务器的处理能力很强，跟踪精度会很高，但由于节点的通信量庞大、延时大，所以这种方式在传感器网络中一般是不适用的。

无线传感器网络自组织方式――静态局部集中式：

在网络中安排一定量具有较强处理能力的簇头(也叫超级节点)，普通节点在获得测量数据后传到簇头，簇头再对数据进行处理，然后通过簇头间的路由送到用户终端。这也是层次式的结构。虽然这是比较好的方法，但是对随机撒布形成的传感器网络无法控制簇头位置，事实上难以实现。在网络拓扑不可人为控制时，这种方法就失去了其有效性。

无线传感器网络自组织方式――动态局部集中式：

簇首在目标跟踪过程中通过一定的准则动态产生，其他节点将数据传送给动态簇头；在目标离开簇首侦测范围后，产生新的簇头，原来的簇头恢复侦测状态，这是目前比较流行的方法，

不过这种方法在目标频繁出现的情况下，容易引起网络“黑洞”，簇首负担过重，同时在参与传送数据的邻居节点数量和区域的选取上还需慎重考虑，以减少通信能量消耗。

无线传感器网络自组织方式――单点式：

在目标跟踪的过程中，始终只有一个动态头节点在跟随目标。在任何时刻t，只有一个头节点k，他负责获取测量值并更新目标位置的估计。头节点从他的邻居节点中选取信息量最大的节点，然后将信息传给他。这个节点就成为下一时刻的头节点，原先的节点回到空闲状态。这种方法有效地减少了通信能量消耗。但是当头节点损坏或数据丢失后，跟踪就无法进行，降低了跟踪系统的稳定性。另外，这种方法只利用了信息量最大的节点，舍弃了其余的信息量，这一定会降低跟踪的精度。

无线传感器网络自组织方式――序贯式：

自组织小脑神经网络 篇3

【关键词】网络自组织；信息；流动与共享；农村青年

一、引言

随着网络技术的发展，尤其是Web2.0技术的出现，使人们能够参与到互联网的交流中，由单纯的信息接收者变成了信息的发布者和接收者。香港学者邱林川就通过大量的统计数据和现象分析，认为中国的社会信息化过程已由90年代精英垄断的局面进入到更广社会内信息中下阶层和中低端信息传播技术紧密结合的新阶段[1]。农村青年凭借着较高的学历和容易接受新鲜事物的特点，积极参与到了信息革命的大潮当中：他们加入各种专业QQ群（厨师群、焊工群等）进行专业技能培训，他们利用微博、博客去维护和保障自己的权益，并表达自己的政治主张与诉求，他们利用网络平台充实自己的娱乐生活……这些丰富多彩的网络生活形成了以群（QQ、MSN、Fetion等）、博（微博、博客、播客、SNS等）、吧（BBS论坛等）、游（各种网络游戏等）为主的四种典型的网络自组织[2]。

农村青年参与网络自组织的各项活动与交流，会在潜移默化中提升他们的传统人力资本（听说读写等基本能力）、组织资本（例如在网络交易群中进行交易，就会节约交易成本，提高交易效率）和社会资本（网络自组织不仅能复制现实中的亲缘关系网、地域关系网还能拓展技术技能、兴趣爱好等更为广泛的社会关系网络）。李录堂（2011）认为这种劳动者通过信息网络技术在收集存储信息、加工处理信息、利用和传播信息等投资中所获得的知识和技能累积而凝结在劳动者身上的资本量，以及劳动者通过信息网络技术整合和吸收组织资本和社会资本而凝结在劳动者身上的资本量称为信息技术型人力资本[3]。而网络自组织成员提升信息技术型人力资本的关键在于信息在网络自组织中的流动与共享水平，只有信息在网络自组织中畅通无阻的流动与共享，才能更有效的提高他们的传统人力资本、组织资本和社会资本。例如某人加入其自己的亲戚群，这是现实中亲缘关系网在网络上的复制，如果信息流通顺畅，他可能被与自己兴趣相近的亲戚介绍到某个兴趣群，这就扩大了此人的关系网，无形之中增加了此人的社会资本。

本文首先分析了信息在网络自组织中流动与共享的阻碍因素并提出假设，然后根据农村青年网络自组织的调查数据建立模型进行了实证研究。

二、研究假设与模型建立

（一）研究假设

信息在网络自组织中的流动与共享面临着多方面的阻碍，除了受网络自组织自身条件的影响，还受组织成员自身素质、组织文化差异及参与网络自组织的外部条件等诸方面的影响。

1.网络自组织的组织化程度

网络自组织的组织化程度即网络自组织具有一定结构、同一目标和特定功能的程度。如果一个组织的目标、任务、结构和功能越明确，那么它的组织化程度就越高，反之则越低。例如QQ群这种自组织它有明确的群主，成员也是确定的，有的QQ群群主会制定详细的群规，而且大部分QQ群都有明确的主体，如厨师群、焊工群等，所以QQ群的组织化程度相对来说就很高。

组织化程度高的自组织由于有明确的目标、任务和结构，并且成员也是确定的，所以，信息在该组织中应该更容易流动与共享。

假设H1：网络自组织的组织化程度越高，越有利于信息在网络自组织中的流动与共享。

2.网络自组织成员的信息化水平

网络自组织成员的信息化水平是指某时间段内网络自组织成员在网络自组织中交流的信息占其这一时间段内所有交流信息的比值。例如某成员一天内在网络自组织中交流的信息占其那天所有交流信息的比重越高，那么他的信息化水平就越高，这样的成员越多，应该越利于信息在网络自组织中的流动与共享。

假设H2：网络自组织成员的信息化水平越高，越有利于信息在网络自组织中的流动与共享。

3.参与网络自组织的工具装备和技术水平

参与网络自组织的工具装备即上网的设备和网络，如台式电脑、笔记本电脑、平板电脑、智能手机、一般手机，或是宽带、WLAN、3G 、GPRS网络；参与网络自组织的技术水平是指是否熟悉网络自组织的所有技术操作，例如转帖、复制、标注、搜索等功能。一般来说，工具装备越高端，技术水平越高，应该越有利于信息在网络自组织中的流动与共享。

假设H3：参与网络自组织的工具装备越高端，参与网络自组织的技术水平越高，越有利于信息在网络自组织中的流动与共享。

4.网络自组织的交互记忆水平

网络自组织的交互记忆水平是网络自组织之间形成的一种彼此依赖的，用以储存和提取不同信息的合作程度，它主要表现为自组织与自组织之间相互信任程度的差异。如果彼此不信任，那么获取的信息就很难被信任，未被信任的信息估计是很难继续流动与共享的。例如，在微博粉丝的自组织中，地产大鳄潘石屹、任志强发布的房产信息及观点由于其权威性就很容易被信任，这些信任的信息和观点就容易被转发，易于在微博自组织中流动和共享。

假设H4：网络自组织的交互记忆水平越高，越有利于信息在网络自组织中的流动与共享。

5.网络自组织间的文化距离

网络自组织间的文化距离主要指不同网络自组织在组织结构、组织技能和制度传统上的差异性。每一个组织都有组织文化，不同组织所具有的组织文化往往有差异，因此，组织之间一般都存在着文化距离。

假设H5：网络自组织间的文化距离越小，越有利于信息在网络自组织中的流动与共享。

nlc202309011338

（二）模型建立

五、结语

本文提出的假设H1、H2、H4和H5均得到了验证，为了使信息在自组织中更快更有效的流动与共享，特根据结果提出以下建议：

1.引导相关自组织的建立者规范自组织，使其更加正式化，有条件的可以逐步建立完备的组织结构、流程和规范等。

2.提高农村青年的信息化水平，其一要在线上线下两方面下手，使农村青年接触到更多的信息；其二要逐步改善条件，使他们能有条件随时随地接收并发布信息。农村青年信息化水平越高，接收和发布的信息就会越多，信息就更容易流动与共享，反过来又会促进他们信息化水平的提高，这是一个良性循环过程。

3.大力倡导名人、名博、知识精英等拥有充分话语权的人物能够关心农村青年，多发布一些与其有关的信息，并替他们甄别信息，引领农民工朋友走在主流价值观的道路上，以得到更多人的关心和关爱。

4.引导文化互动，缩小网络自组织间的文化距离。本文分析并验证了信息在网络自组织中流动与共享的影响因素，但是并没有深入挖掘出农村青年参加网络自组织的动机、方式和行为特点，以及网络自组织发起、参与线下活动的规律和影响，这些都能进一步更加有效的提高农村青年的信息技术型人力资本，还有待进一步的深入研究。

【参考文献】

[1]邱林川.信息“社会”：理论、现实、模式与反思[J].传播与社会学刊，2008，（5）：8—10.

[2]冯志明，吕建军.共青团对网络自组织的引导策略研究[J].中国青年研究，2012，（8）：33—38.

[3]李录堂.信息技术型人力资本：事实依据、形成机理及效应研究[A].信息技术、服务科学与工程管理国际学术会议[C].2011.

[4]李怀祖.管理研究方法论[M].西安：西安交通大学出版社，2004：18—46.

[5]White，H.，1980，A Heteroskedasticity-Consisiitent Covariance Matrix Estimator and a Direct Test for Heteroskedasticity， Econometrica，48（4），pp.817—838.

【作者简介】

张文（1985— ），男，山东临朐人，西北农林科技大学经济管理学院研究生。研究方向：农村人力资源管理与开发；李录堂（1962— ），男，陕西岐山人，西北农林科技大学经济管理学院教授、博士生导师。研究领域：管理理论与农村人力资源管理、现代企业管理。

自组织小脑神经网络 篇4

关键词：可视化沟通；自组织学习；网络学习；家长

中图分类号：G434 文献标志码：A 文章编号：1673-8454（2016）14-0091-03

一、引言

“2016年1月22日，中国互联网络信息中心（CNNIC）发布第37次《中国互联网络发展状况统计报告》”[1]，截至2015年12月，中国网民规模达6.88亿，互联网普及率达到50.3%，而我国手机网民规模达6.20亿，有90.1%的网民通过手机上网。只使用手机上网的网民达到1.27亿人，占整体网民规模的18.5%，可见网民的上网设备正在向手机端集中，格式信息与知识都以最简单明了的可视化方式展现在家长们的眼前，面对着浩瀚的数据和信息海洋，挑战就在于筛选掉无用信息，挑选出契合自身需求的相关信息与知识。但是数字化、网络化、智能化的信息环境，正在改变家长们的思维方式乃至教育方式和学习方式；家长也从传统的网上家长学校的盲目自学中转向社交媒体平台上的自组织交流与碎片化学习；视觉化是现如今知识信息最有效的传递方式，家长学习方式和习惯的转变是否给我国家校协同教育管理和平台资源建立者带来一些启示呢？

二、家长网络自组织学习的现状分析

笔者通过全国39个省、市级网上家长学校和10个国家级专题家长学习网站分析与对比发现，传统网上家长学校致力于提供海量的家长学习资源，资源形式多为纯文本文章和少量的讲座、活动图文视频，形式单一，导致不能形象直观地将相关教育理念和方式有效传达给家长，导致家长无效学习甚至失去学习兴趣。

现正处于一个网络化社会，“信息生产力具有分布式协同的特征，不断涌现的新媒体和海量的信息已超出了家长的处理能力。”[2]而家长信息素养层次不齐，家长对知识的筛选和甄别能力不足，因此家长开始无意识地自发组成群体，通过网络社会化媒体软件走在了一起，从网站、论坛、贴吧过渡到现在的家长学习交流QQ群、微信群等，通过集体的力量，在QQ空间、微博、专题家长学习网站、微信公众订阅号上分享好的学习资料和教育方法供大家学习与讨论，这种现象都可称之为自组织网络学习。而“学习型组织通常是一开放系统，在没有外部来源引导或管理之下会自行增加其复杂性，能熟练地创造、获取和传递知识的组织，同时也要善于修正自身的行为，以适应新的知识和见解。”[3]现阶段新媒体如微信、微博、QQ等家庭教育知识资料良莠不齐，自组织中的讨论与学习资料也出自家长自身，其学习实践价值的有效性值得怀疑。笔者在全国教育科学“十二五”规划课题《基于网络平台的学校、家庭与社会协同教育研究》中了解到，很多新媒体协同教育平台的资料来源于网上家长学校和网上家长学习平台，可谓是知识的简单搬家，其表现形式没有太大区别。家教知识和信息的可视化在协同教育知识领域并未系统地运用，家长获取知识的效果大打折扣。网络学习自组织尚未成为真正意义上行之有效的学习型组织。

三、可视化沟通在家长网络自组织学习中的作用

Remo A.Burkhard和Martin J.Eppler共同撰写的工作档案Knowledge Visualization-Towards a New Discipline and its Fields of Application中将知识可视化界定为：“知识可视化领域研究的是视觉表征在改善两个或两个以上人之间知识创造和传递中的应用。”[4]可视化沟通就是利用计算机图形学和图像处理技术，将数据转换成图形或图像在屏幕上显示出来，并进行人际交互与沟通的理论、方法和技术。可视化沟通又体现在数据、知识与信息可视化创造传递的过程中。在网络自组织学习中，知识信息的分布具有草根性和分散性，而受众主体呈现个性化、碎片化需求趋势，家长针对自身情况对知识和信息需求广泛而分散，家长自身的教育理念隐性知识也需要通过可视化技术来转化成显性知识，从而与学校、社会、家长群体间进行传递交流与分享。

可视化沟通主要有以下三个作用：

1.辅助碎片化家教知识系统重构

知识的海洋是广泛的，家长容易在网络知识的海洋中发生信息迷航、信息超载现象，而家长个人的需求是个性化的，每个家长都会在子女成长过程的各个阶段去发现问题，解决问题，寻求老师和网络的支持与帮助，汲取多元观点，通过判断与吸收整合至个人境况，个性化地重构碎片化知识，再加工从而灵活运用。“王竹立认为可以把表面上似乎没有联系、乃至互相矛盾的不同理论、观点、思想，通过加工改造，使之互相兼容、有机组合、融为一体，使不同的理论或观点和平共处、互为补充。”[5]使学习者在自组织学习环境中灵活运用碎片化知识，个性化地实践。灵活运用碎片化知识的关键所在就是可视化，可视化沟通提供了自组织群体灵活获取知识更为方便的工具与途径。例如家庭教育相关的微信公众平台家庭教育知识分类，用可视化将不同类别的家庭教育知识以形象的图形和配套的文字来构建可视化的分级交互菜单，让家长在碎片化海洋中快速找到自己所需的数据和知识，并对其贴上标签，进行下一步碎片化知识关联和重组，赋予自我特定的情境，重构成更为复杂的个性化知识体系，能解决个人情境下的教育问题。

2.促进内隐化家教理念高效传递

可视化对于人类来说是更有效的传播手段。在《大脑法则》一书中，发展分子生物学家John Medina写道：视觉是迄今我们最主要的感官，50%-80%的人类大脑用于不同形式的视觉处理，例如视觉、视觉记忆、颜色、形状、物体运动、形态、空间意识，以及形象记忆。从知识管理角度看，学习是一个从数据到信息、知识和智慧的过程，是一个不断情境化的过程。教学理念不仅来自于专业教育学校教育实践，从某种程度上来说也来自于家庭教育，例如在相同的教育环境中，配备相同的教师和教育资源，但必定会产生不同的教育结果，这一差异与学生自身能力素质和家庭教育理念方法有关。而其中优秀的教育理念是隐形的知识，需要由可视化将其转化为显性的知识来分享传递，将这些隐性的教育理念以可视图的方式表现出来，例如中小学的绘本阅读，教育专家通过多年的研究与调查，发掘学校和家庭教育中优秀的教育理念，但这些教育理念是隐性知识，只可意会不可言传，绘本给予了可视化沟通，利用可视化插画图配上相应简练的文字，并赋予一定的教学情境，家长从可视化图中发现这些要素之间各自的联系，从而与以前所学知识联系起来，并对已有知识进行再认识，使隐藏的新旧知识联系得以显示，有利知识的重新组织和高效传递。

3.提升家长学习注意力和积极性

在网络自组织学习环境中，家长容易出现信息超载的现象，“所谓信息超载指信息接收者或处理者所接收的信息远远超出其信息处理能力。”[6]家长在学习过程中，需要在自组织学习环境中找寻与自身情境相似的个性化知识内容，从而产生联系，构建对知识内容的系统概念，若家长迷失于众多的信息之中，可能会给家长带来不安情绪，使其产生挫折感，对学习内容产生恐惧感，进而降低学习的兴趣和积极性，甚至产生厌学情绪。更糟糕的是，现如今的多数专题协同教育网站和新媒体平台发布的家庭教育知识信息多为纯文字纯理论性文章，没有相对的语境和可视化表达的策略运用，家长往往在学习的过程中会感到乏味，难以持续学习，同样会降低学习兴趣和积极性；而图文可视化沟通表达的形式会更好的吸引家长的眼球和注意力，减少家长理解内容和数据信息的时间，可视化还能提供对比的语境使家长更形象地去理解内容，通过图片效应，颜色、构图、形状等去提升家长的关注度，让所表达的教育理念和知识重点更突出，从而提升家长学习注意力和积极性。

四、可视化沟通应用模式

家庭、学校、社会之间是一个开放的网络生态系统，而家长、老师和社会之间互为信源和接受者，以可视化沟通的方式动态平衡相互联系着，可视化沟通应用模式图如图1所示。

1.学校和社会与网络自组织间层面

家庭与学校和教师之间建立沟通机制，用可视化沟通技术交换分享教育心得、教育知识、教育理念、教育数据，学校和社会则通过平日的教学、观察与沟通获取一线的数据与信息，将这些数据与信息重新解码、重新编译，将隐形知识通过可视化表达出来，国家及社会应顺应当下读图时代发展要求，尤其官方专题家庭教育媒体平台系统化运用可视化沟通技术，增强可视化图文在数字化教育资源的建设，并在可视化图文教学资源中赋予一定的教学情境，减少成篇的纯文字大论。

重点建设优质资源的网上公共平台，尤其是移动新媒体平台，家长群体中需求的是碎片化学习、移动学习，所以社会教育系统应当充分利用当下时兴的微博、微信等新媒体平台，在有条件的情况下，社会和教师应发挥自身优势，悄无声息地在网上自组织群体中充当引路人的角色，帮助群体更好地进行优质资源筛选与分享。让家长对学习资源更好的意义建构，更好地选择性碎片化学习，不再迷失在繁杂的信息冗余之中。

2.家庭与网络自组织间层面

苏伽特·米特拉教授在“墙中洞”实验中得出结论，认为学习的本质深藏在自组织之中。自然界中充满了自组织现象和涌现，他认为教育如同自然界的蚂蚁群居、蜜蜂筑巢一样，是一个自组织系统，学习就是其中“涌现”的现象。而家长为了自己子女的健康与发展，为了共同的目的与愿景自发聚集在网络之中，结成特殊群体，这也是涌现现象，家长在自组织网络中的沟通也应充分利用可视化沟通技巧。在信息化社会，家长的信息素养也极其重要，家长可在MOOC平台上学习可视化沟通技术，从而更好地参与到自组织学习中，将自己的教育观点可视化分享出来。

绘本阅读是可视化沟通的一种体现方式，以绘本为例说明家庭内部亲子之间的可视化沟通方式；家长与孩子一起进行绘本阅读，打破以往家长教育孩子的传统非可视化方式，家长在网络自组织中获取优质的绘本，在子女的儿童时期，以绘本为通道，将成长中健康的、正确的经验传递教育给子女，以一种形象的思维方式与子女进行可视化沟通，其教育效果大大超出传统教育方式。

五、总结与反思

随着网络信息化的逐步完善与发展，学习理论与模式也在随着适应与更新，终身学习体系的建立，碎片化学习趋势的显现，让学习不再仅仅是传统意义上学生的事，也是教育工作者、家庭成员的必需参与的，网络提供了学习的无限可能，利用新技术、新理论去丰富学习的方式与通道，教育工作者应发现学习者真正的需求和现状，基于现状和需求去改变教学资源和教学策略。李康之惑，让我们警惕数字废墟，让教育系统和社会关注网络教育资源利用率低、使用效果差的现状，顺应时代发展的要求，系统地去应用可视化沟通技术，契合家长群体学习习惯与碎片化学习方式的需求，及时更新建设符合信息化碎片化自组织群体要求的数字资源，改变教学策略。

参考文献：

[1]中国互联网络信息中心.第37次《中国互联网络发展状况统计报告》[EB/OL]. http：//cnnic.cn/gywm/xwzx/rdxw/2015/201601/t20160122_53283.htm，2016-01-22.

[2]陈媛.微内容的自组织学习模式研究[J].浙江广播电视大学，2014（1）.

[3]邵泽斌.国内学习型组织研究综述[J].河北师范大学学报，2007（3）.

[4]赵国庆，黄荣怀，陆志坚.知识可视化的理论与方法[J].教育导刊，2012（6）.

[5]王竹立.新建构主义：网络时代的学习理论[J].远程教育杂志，2011（2）：11-18.

[6]郭磊，郭华.网络环境下学习者信息超载和迷航的成因及化解[J].远程教育杂志，2004（4）：31.