馮相榕 李鵬 孟旭瑩

摘要：為探究傳統(tǒng)成績?cè)u(píng)定模型與綜合考評(píng)模型的不同，以及對(duì)學(xué)生最后成績進(jìn)行科學(xué)準(zhǔn)確地預(yù)測(cè)，提出通過搭建神經(jīng)網(wǎng)絡(luò)，基于Code Blocks和Matlab平臺(tái)，運(yùn)用BP算法分別對(duì)傳統(tǒng)成績?cè)u(píng)定模型和綜合考評(píng)模型進(jìn)行預(yù)測(cè)分析。結(jié)果表明，使用神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)成績的正確性及有效性，并對(duì)比得出使用綜合考評(píng)模型預(yù)測(cè)時(shí)，對(duì)學(xué)生的評(píng)估效果更優(yōu)。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；BP算法；成績預(yù)測(cè)模型；綜合素質(zhì)教育

中圖分類號(hào)：TP301.6文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1008-1739（2019）20-65-4

0引言

目前部分高校的綜合考評(píng)制度存在一些問題，在秦非[1]的研究中，針對(duì)目前綜合考評(píng)體系存在的問題提出了相應(yīng)的改進(jìn)措施。以往的工作中，普遍采用通過各項(xiàng)成績占比進(jìn)行算術(shù)運(yùn)算的方式，得出學(xué)生最終綜合考評(píng)成績。據(jù)調(diào)研，目前已有基于機(jī)器學(xué)習(xí)、對(duì)話流、數(shù)據(jù)挖掘和卡爾曼濾波算法等方法對(duì)成績進(jìn)行預(yù)測(cè)的研究。本文主要利用已知的傳統(tǒng)測(cè)評(píng)方式及綜合測(cè)評(píng)方式，結(jié)合BP神經(jīng)網(wǎng)絡(luò)模型得出學(xué)生最終綜合考評(píng)成績。BP神經(jīng)網(wǎng)絡(luò)能通過反復(fù)學(xué)習(xí)，將大量已知的匹配輸入量和輸出量及其映射關(guān)系保存下來，而不需要提供相應(yīng)的數(shù)學(xué)方程，通過學(xué)習(xí)訓(xùn)練樣本發(fā)掘映射關(guān)系。通過神經(jīng)網(wǎng)絡(luò)搭建的模型具有自組織自學(xué)習(xí)性、便捷性、有效性和容錯(cuò)性等優(yōu)點(diǎn)。通過此模型預(yù)測(cè)出學(xué)生的綜合考評(píng)成績與學(xué)生實(shí)際綜合考評(píng)成績是相擬合的。

1反向傳播神經(jīng)網(wǎng)絡(luò)

1.1網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)分為輸入層、輸出層和隱藏層[2]。同一層的神經(jīng)元之間沒有連接，相鄰2層之間有連接，每一個(gè)連接均具有一個(gè)權(quán)值。不同的神經(jīng)網(wǎng)絡(luò)中，連接規(guī)則不同。例如，在全連接神經(jīng)網(wǎng)絡(luò)中，第-1層神經(jīng)元的輸出是第層神經(jīng)元的輸入，第-1層的所有神經(jīng)元和第層的每個(gè)神經(jīng)元相連。除此之外，還有很多不同的神經(jīng)網(wǎng)絡(luò)，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）等。

基于ConvNetJS平臺(tái)對(duì)神經(jīng)網(wǎng)絡(luò)的立體結(jié)構(gòu)進(jìn)行模擬，如圖1所示。

該神經(jīng)網(wǎng)絡(luò)可將數(shù)據(jù)簡單分成2類。通過模擬，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)可為處理數(shù)據(jù)而變換坐標(biāo)空間，降低維度，也可以升高維度；可以變成圓形，也可以變成方形；可以放大，也可以收縮。

1.2 BP算法

1.2.1基本思想

學(xué)習(xí)規(guī)則采用有導(dǎo)師學(xué)習(xí)的連續(xù)感知器規(guī)則，學(xué)習(xí)過程由信號(hào)的前向傳輸和誤差的逆向反饋構(gòu)成。

前向傳輸過程中，逐層波浪式地傳遞輸出值。將輸入樣本傳入輸入層，經(jīng)過每個(gè)隱藏層計(jì)算和處理，在輸出層傳出[3]。當(dāng)輸出層的期望值與實(shí)際輸出值有偏差時(shí)，進(jìn)入誤差的反向傳播階段。

逆向反饋過程中，將實(shí)際輸出經(jīng)過隱藏層反饋給輸入層，以將誤差劃分到各層，從而得到各部分的誤差信號(hào)，即得到對(duì)每層調(diào)整的依據(jù)[4]。依此，對(duì)每層的權(quán)重及偏置進(jìn)行修正。

1.2.2偽代碼

2模型建立

2.1傳統(tǒng)成績?cè)u(píng)定模型

2.1.1理論模型

學(xué)生素質(zhì)綜合測(cè)評(píng)實(shí)行百分制，考評(píng)內(nèi)容分為平時(shí)成績與期末卷面成績，傳統(tǒng)成績?cè)u(píng)定模型如表1所示。

2.1.2神經(jīng)網(wǎng)絡(luò)模型

利用隨機(jī)函數(shù)產(chǎn)生800組同學(xué)的數(shù)據(jù)樣本，各項(xiàng)成績作為輸入，即平時(shí)成績與卷面成績，所以輸入層選用2個(gè)神經(jīng)元，隱藏層選用6個(gè)神經(jīng)元，輸出層選用1個(gè)神經(jīng)元將對(duì)應(yīng)的期末成績輸出。利用Neural Network Playground平臺(tái)對(duì)模型架構(gòu)進(jìn)行模擬，如圖2所示。

2.2綜合考評(píng)評(píng)定模型

2.2.1理論模型

將前14組同學(xué)各項(xiàng)成績作為輸入，對(duì)應(yīng)的綜測(cè)成績作為輸出。其中，思想政治、組織紀(jì)律、集體觀念和品性表現(xiàn)各占總成績的2.5%，智育成績占總成績的80%，科研能力占總成績的5%，實(shí)踐能力占總成績的4%，組織能力占總成績的1%。

2.2.2神經(jīng)網(wǎng)絡(luò)模型

實(shí)驗(yàn)采用單隱層的神經(jīng)網(wǎng)絡(luò)模型，即3層多輸入單輸出。搭建神經(jīng)網(wǎng)絡(luò)時(shí)，假如隱層網(wǎng)絡(luò)神經(jīng)元個(gè)數(shù)過多，則會(huì)導(dǎo)致機(jī)器運(yùn)算量直線上升，造成結(jié)果過度擬合；過少又會(huì)給運(yùn)算結(jié)果帶來較大偏差，難以得到預(yù)期結(jié)果。

因此，隱層網(wǎng)絡(luò)神經(jīng)元個(gè)數(shù)的確定與實(shí)際問題息息相關(guān)，并且與輸入層及輸出層神經(jīng)元個(gè)數(shù)及設(shè)定的期望誤差值等因素都有關(guān)系。在建模過程中，使用下面的公式確定隱層網(wǎng)絡(luò)神經(jīng)元個(gè)數(shù)[5]：

2.3學(xué)習(xí)過程建模

建模過程中，采用的激活函數(shù)是Sigmoid函數(shù)（S函數(shù)）。在輸入層中，歸一化樣本數(shù)據(jù)，初始化偏置與權(quán)值，使BP神經(jīng)網(wǎng)絡(luò)的收斂速度變快，訓(xùn)練效率得到有效提升[6]。反饋調(diào)節(jié)從輸出層開始逆向進(jìn)行修正網(wǎng)絡(luò)的權(quán)重值和偏置值，按權(quán)重累加隱藏層通過下一層的所有結(jié)點(diǎn)的誤差，計(jì)算出誤差率之后，根據(jù)誤差率的值，對(duì)偏置值和權(quán)重進(jìn)行修正，更新偏置，對(duì)整個(gè)網(wǎng)絡(luò)的平均誤差進(jìn)行記錄，當(dāng)與其設(shè)置的訓(xùn)練精度一致時(shí)，停止訓(xùn)練。

3模型訓(xùn)練與結(jié)果

3.1傳統(tǒng)成績?cè)u(píng)定模型

基于Code Blocks平臺(tái)，采用C語言編寫程序，對(duì)模型進(jìn)行仿真。訓(xùn)練代碼如下：

該部分是BP神經(jīng)網(wǎng)絡(luò)的反饋學(xué)習(xí)的核心，將實(shí)際預(yù)測(cè)結(jié)果與樣本預(yù)期的結(jié)果進(jìn)行對(duì)比，然后對(duì)網(wǎng)絡(luò)中各層各單元涉及的權(quán)重進(jìn)行逐層修正。

3.2綜合成績?cè)u(píng)定模型

該部分是核心代碼，完成了從樣本數(shù)據(jù)歸一化、創(chuàng)建神經(jīng)網(wǎng)絡(luò)、設(shè)置相關(guān)參數(shù)和進(jìn)行測(cè)試等全過程。

4預(yù)測(cè)與分析

4.1傳統(tǒng)成績?cè)u(píng)定模型預(yù)測(cè)

手動(dòng)給定數(shù)據(jù)進(jìn)行期末成績的預(yù)測(cè)，結(jié)果如圖4所示。

比較預(yù)測(cè)成績和期望成績可知，在進(jìn)行了314次訓(xùn)練之后，通過神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)的成績與期望成績相差在0～0.6之間。

4.2綜合模型預(yù)測(cè)

測(cè)試數(shù)據(jù)對(duì)比結(jié)果如圖5所示。

首先對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理，將歸一化后的數(shù)據(jù)輸入網(wǎng)絡(luò)。然后根據(jù)輸入層及輸出層神經(jīng)元個(gè)數(shù)確定隱層神經(jīng)元的個(gè)數(shù)為6[9]。設(shè)置神經(jīng)網(wǎng)絡(luò)中輸入層、隱藏層和輸出層的激勵(lì)函數(shù)分別為tansig，tansig，purelin函數(shù)，將traingdx函數(shù)設(shè)置為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)，并設(shè)置學(xué)習(xí)速率等網(wǎng)絡(luò)參數(shù)。最后對(duì)數(shù)據(jù)進(jìn)行反歸一化進(jìn)行輸出。本次采用Matlab平臺(tái)的神經(jīng)網(wǎng)絡(luò)工具箱對(duì)搭建的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練[10]，從實(shí)驗(yàn)結(jié)果來看，通過神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)的成績與期望成績相差在0.04～0.5之間。

5結(jié)束語

針對(duì)目前高校教育中廣泛關(guān)注的成績?cè)u(píng)估問題，進(jìn)行了仿真實(shí)驗(yàn)與驗(yàn)證。發(fā)現(xiàn)了綜合素質(zhì)教育及評(píng)定在目前大學(xué)教育中仍舊是非常重要的，所以學(xué)校在加強(qiáng)文化課的同時(shí)要積極拓展素質(zhì)教育。實(shí)驗(yàn)基于Code Blocks和Matlab平臺(tái)，實(shí)現(xiàn)了關(guān)鍵算法，并將傳統(tǒng)成績?cè)u(píng)定模型和綜合考評(píng)模型結(jié)合，對(duì)最終成績開展預(yù)測(cè)，證明了算法的正確性和有效性。

參考文獻(xiàn)

[1]秦非.論高校綜合考評(píng)積分實(shí)施細(xì)則[J].陜西師范大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2008，37（S2）：142-144.

[2]孫文.基于深度學(xué)習(xí)模型的感應(yīng)電機(jī)故障診斷方法研究[D].南京：東南大學(xué)，2017.

[3]賀清碧.BP神經(jīng)網(wǎng)絡(luò)及應(yīng)用研究[D].重慶：重慶交通學(xué)院， 2004.

[4]吳濤.車型識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].桂林：廣西師范大學(xué)， 2011.

[5]韓航星，王金全，方建華，等.全釩液流電池SOC估算方法研究[J].電源技術(shù)，2017，41（4）：661-664.

[6]薛航.神經(jīng)網(wǎng)絡(luò)用于地基輻射計(jì)大氣參量反演算法研究[D].武漢：華中科技大學(xué)，2016.

[7]張方.基于BP神經(jīng)網(wǎng)絡(luò)的稅收預(yù)測(cè)研究[D].西安：長安大學(xué)，2016.

[8]肖霜.神經(jīng)網(wǎng)絡(luò)方法在收益法參數(shù)確定中的應(yīng)用[D].重慶：重慶理工大學(xué)，2016.

[9]韓少波，邵婷婷.基于BP神經(jīng)網(wǎng)絡(luò)的油井井斜角誤差補(bǔ)償研究[J].內(nèi)蒙古石油化工，2015，41（1）：37-38.

[10]郭凌云.基于RBF神經(jīng)網(wǎng)絡(luò)的液體細(xì)分器的設(shè)計(jì)[D].北京：北京郵電大學(xué)，2013.