王 軍

(安徽財(cái)貿(mào)職業(yè)學(xué)院 公共教學(xué)部，安徽 合肥 230601)

大學(xué)生是我國(guó)社會(huì)經(jīng)濟(jì)發(fā)展的主力軍，大學(xué)生擁有健康的體質(zhì)是社會(huì)可持續(xù)發(fā)展的基本條件.經(jīng)調(diào)查研究我國(guó)大學(xué)生的體質(zhì)健康狀況的總體情況不容樂觀，大學(xué)生的身體素質(zhì)呈緩慢下降的趨勢(shì).如何改變大學(xué)生體質(zhì)健康的下降趨勢(shì)，進(jìn)一步增強(qiáng)體質(zhì)，增進(jìn)大學(xué)生的身體健康已是迫切需要解決的問題.

目前廣大學(xué)者對(duì)學(xué)生的體質(zhì)健康現(xiàn)狀、學(xué)生體質(zhì)健康評(píng)價(jià)、學(xué)生體質(zhì)健康測(cè)試進(jìn)行了大量的研究，并且針對(duì)各地、各區(qū)域高校學(xué)生體質(zhì)健康的研究較多.但是這些研究大部分都是簡(jiǎn)單的統(tǒng)計(jì)比較和數(shù)據(jù)處理，文獻(xiàn)[1-2]提出了影響大學(xué)生體質(zhì)測(cè)試成績(jī)的因素剖析，給出了影響體質(zhì)測(cè)試成績(jī)的因素體系；文獻(xiàn)[3-6]提出了各個(gè)國(guó)家地區(qū)的大學(xué)生體質(zhì)測(cè)試成績(jī)分析，給出了數(shù)據(jù)的簡(jiǎn)單比較分析；文獻(xiàn)[7] 提出一種基于因子分析的大學(xué)生體質(zhì)測(cè)試成績(jī)的影響因素研究；文獻(xiàn)[8-9]中給出了高等學(xué)校中學(xué)生體測(cè)數(shù)據(jù)分析，給出了簡(jiǎn)單的比較分析方法.有些模型也只是停留在理論上，沒有根據(jù)事實(shí)存在的數(shù)據(jù)進(jìn)行處理，也沒取得很好的效果，更談不上幫助教師及學(xué)生更好地了解學(xué)生的體質(zhì)狀態(tài)，選擇鍛煉方法，提高大學(xué)生健康質(zhì)量.

為此本文通過適當(dāng)?shù)臄?shù)學(xué)模型深度挖掘體測(cè)數(shù)據(jù)的所隱藏的信息，建立具有代表性、科學(xué)性，又有實(shí)用性、可操作性的指標(biāo)體系，分析大學(xué)生體質(zhì)健康的類別和綜合評(píng)價(jià)級(jí)別，提供操作簡(jiǎn)單的評(píng)估方法，對(duì)于科學(xué)地評(píng)價(jià)與監(jiān)測(cè)大學(xué)生的體質(zhì)健康狀況和為學(xué)生提供適當(dāng)?shù)腻憻挿椒ň哂蟹浅Ｖ匾默F(xiàn)實(shí)意義.

1 數(shù)據(jù)來源與指標(biāo)體系構(gòu)建

1.1 數(shù)據(jù)來源與處理

研究所用數(shù)據(jù)來自于合肥市5所同類型高校大學(xué)生體測(cè)數(shù)據(jù)，本文采取整群抽樣方法，從2011-2018級(jí)身體健康、無重大疾病的在校學(xué)生中擬抽取10000 人，男女分級(jí)，剔除無效數(shù)據(jù)，以此10000名學(xué)生作為樣本，在此基礎(chǔ)上展開實(shí)證分析.

選取的樣本數(shù)據(jù)依據(jù)《國(guó)家學(xué)生體質(zhì)健康標(biāo)準(zhǔn)》對(duì)身高、體重、握力、肺活量、立定跳遠(yuǎn)、速度等指標(biāo)量化評(píng)分，本研究是在量化評(píng)分的基礎(chǔ)上做定量分析.

1.2 體測(cè)數(shù)據(jù)評(píng)價(jià)指標(biāo)構(gòu)建

1.2.1 構(gòu)建多層次結(jié)構(gòu)的評(píng)價(jià)指標(biāo)體系

體質(zhì)健康測(cè)試成績(jī)?cè)u(píng)價(jià)體系的構(gòu)架關(guān)鍵在于如何設(shè)計(jì)評(píng)價(jià)指標(biāo)體系，其首要問題是指標(biāo)設(shè)計(jì)有客觀的標(biāo)準(zhǔn)可以度量.從考察大學(xué)生體質(zhì)健康測(cè)試成績(jī)的全面性，根據(jù)《大學(xué)生體質(zhì)健康標(biāo)準(zhǔn)》以及指標(biāo)設(shè)定的針對(duì)性、科學(xué)性和合理性原則，參照國(guó)內(nèi)院校大學(xué)生體質(zhì)健康測(cè)試成績(jī)測(cè)評(píng)體系建立多層次結(jié)構(gòu)的評(píng)價(jià)指標(biāo)體系，具體內(nèi)容見表1.

表1 大學(xué)生體質(zhì)健康測(cè)試成績(jī)?cè)u(píng)價(jià)指標(biāo)體系

2 大學(xué)生體質(zhì)健康綜合評(píng)價(jià)分級(jí)分析

2.1 模型指標(biāo)與權(quán)重的確定

模型中評(píng)價(jià)指標(biāo)的確定是大學(xué)生體質(zhì)健康綜合評(píng)價(jià)的關(guān)鍵，選擇的變量不同，最終預(yù)測(cè)的效果也自然各異.依據(jù)《國(guó)家學(xué)生體質(zhì)健康標(biāo)準(zhǔn)》，其指標(biāo)的確定由學(xué)生體質(zhì)綜合評(píng)價(jià)研究小組推出的，具有一定權(quán)威性與科學(xué)性，對(duì)最終模型都是有顯著貢獻(xiàn)的.因此，從身體形態(tài)發(fā)育水平、生理機(jī)能水平、身體素質(zhì)與運(yùn)動(dòng)能力發(fā)展水平3個(gè)方面選取了身高、體重、握力、肺活量、立定跳遠(yuǎn)、速度6項(xiàng)指標(biāo)，確定為構(gòu)建模型的評(píng)價(jià)指標(biāo).由于各個(gè)評(píng)價(jià)指標(biāo)影響不同，故權(quán)重分配尤為重要，分配權(quán)重系數(shù)本文采用二元對(duì)比排序法和專家調(diào)查法相結(jié)合的方法確定，結(jié)合實(shí)時(shí)數(shù)據(jù)，確定權(quán)重真實(shí)反映大學(xué)生的體質(zhì)狀況.

2.2 綜合評(píng)價(jià)分級(jí)研究

2.3 分析與計(jì)算

現(xiàn)結(jié)合模糊綜合評(píng)價(jià)分級(jí)模型，對(duì)某一學(xué)生的體質(zhì)健康測(cè)試成績(jī)進(jìn)行綜合評(píng)價(jià)分級(jí)，其中權(quán)重的確定是采用專家調(diào)查法得到A=(0.24，0.35，0.41)，A1=(0.29，0.30，0.41)，A2=(0.55，0.45)，A3=(0.47，0.53).其評(píng)價(jià)結(jié)果為：

一級(jí)指標(biāo)的評(píng)價(jià)向量：

計(jì)算綜合評(píng)價(jià)結(jié)果以及模糊綜合評(píng)價(jià)值：

根據(jù)評(píng)價(jià)分級(jí)原則，B中最大隸屬度為0.5084，超過0.5，說明其成績(jī)等級(jí)屬于“優(yōu)秀”級(jí)別.其模糊綜合評(píng)價(jià)值為

(0.5084，0.2363，0.1579，0.1047)·(100，85，70，30)T=85.1116

因此，該學(xué)生體測(cè)成績(jī)的模糊綜合評(píng)價(jià)值為85.1116，屬于“優(yōu)秀”級(jí)別.

3 基于遺傳—模糊C均值算法的大學(xué)生體質(zhì)健康分類分析

3.1 遺傳—模糊C均值算法

模糊C均值聚類算法作為無監(jiān)督機(jī)器學(xué)習(xí)的主要技術(shù)之一，是用模糊理論對(duì)重要數(shù)據(jù)分析和建模的方法，建立了樣本類屬的不確定性描述，能比較客觀地反映現(xiàn)實(shí)世界，它通過優(yōu)化目標(biāo)函數(shù)得到每個(gè)樣本點(diǎn)對(duì)所有類中心的隸屬度，從而決定樣本點(diǎn)的類屬以達(dá)到自動(dòng)對(duì)樣本數(shù)據(jù)進(jìn)行分類的目的.模糊C均值算法的步驟如下：

模糊C均值聚類算法是一個(gè)逐步迭代來完成的.但傳統(tǒng)的模糊C均值聚類算法采用基于高斯最小二乘法的數(shù)值優(yōu)化方法，需要函數(shù)的導(dǎo)數(shù)信息，容易出現(xiàn)不收斂、局部極小點(diǎn)問題，而遺傳算法原理本身可保證實(shí)現(xiàn)全局最優(yōu)逼近，可避免收斂到局部最優(yōu)點(diǎn)上，從而具有良好的收斂性、內(nèi)在的隱并行性和很強(qiáng)的全局尋優(yōu)能力，且不依賴于目標(biāo)函數(shù)的梯度信息，克服了基于梯度的下降法的一些缺點(diǎn).遺傳算法的基本操作主要包括：編碼、生成初始種群、適應(yīng)度函數(shù)、選擇、交叉、變異.基于遺傳算法的模糊C均值聚類算法的步驟：

1、對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化；

2、計(jì)算初始指標(biāo)權(quán)重；

3、將數(shù)據(jù)進(jìn)行編碼，選擇方式簡(jiǎn)單、易于理解的二進(jìn)制編碼；

4、利用遺傳算法中選擇、交叉和變異算子進(jìn)行運(yùn)算；

5、利用終止條件去確定聚類中心的個(gè)數(shù)m和m個(gè)聚類中心點(diǎn)的坐標(biāo)；

6、計(jì)算變化后的模糊分類矩陣；

7、計(jì)算變化后的指標(biāo)權(quán)重；

3.2 實(shí)驗(yàn)結(jié)果分析與對(duì)比

利用SPSS軟件對(duì)10000名學(xué)生樣本進(jìn)行數(shù)據(jù)處理，采取一般的K均值聚類算法得到表2中的初始聚類中心和表3最終聚類中心：

表2 10000名學(xué)生的體質(zhì)測(cè)試成績(jī)初始聚類中心

表3 10000名學(xué)生的體質(zhì)測(cè)試成績(jī)最終聚類中心

通過利用K均值聚類算法和SPSS得到表3中10000名學(xué)生的體質(zhì)測(cè)試成績(jī)的分類情況如下：

表4 10000名學(xué)生的體質(zhì)測(cè)試成績(jī)的分類情況分布表

針對(duì)10000名學(xué)生體測(cè)數(shù)據(jù)，用遺傳—模糊C-均值聚類算法進(jìn)行體測(cè)數(shù)據(jù)的分類，根據(jù)指標(biāo)類型把學(xué)生體質(zhì)分成若干類，并進(jìn)行判別，這些類型由算法本身自動(dòng)生成.在Matlab軟件環(huán)境下數(shù)據(jù)處理結(jié)果，見表5和表6.

表5 10000名學(xué)生的體質(zhì)測(cè)試成績(jī)最終聚類中心

表6 10000名學(xué)生的體質(zhì)測(cè)試成績(jī)的分類情況分布表

根據(jù)表6的聚類結(jié)果可以看出，遺傳—模糊C均值聚類算法相比較K均值聚類算法，迭代次數(shù)少，收斂速度快，得到的聚類結(jié)果較理想，聚類結(jié)果顯示：2類肺活量欠缺，這一類大學(xué)生應(yīng)該加強(qiáng)耐力的鍛煉，可通過長(zhǎng)跑、登山、騎自行車等方式進(jìn)行鍛煉；1類中肺活量和彈跳力不足，這一類大學(xué)生除了增加肺活量的鍛煉以外，還應(yīng)加強(qiáng)“負(fù)重深蹲”、蛙跳、俯臥背起，懸垂舉腿等活動(dòng)的練習(xí)；3類跑步等速度指標(biāo)不足，這一類大學(xué)生應(yīng)進(jìn)行速度類鍛煉，可通過蹲踞式起跑、高抬腿、快速起跳等方式鍛煉速度素質(zhì)；5類中力量指標(biāo)明顯低于其他指標(biāo)，這一類大學(xué)生可以多做一些力量活動(dòng)的練習(xí)，比如手臂運(yùn)動(dòng)、啞鈴等等；而4類中指標(biāo)比較均衡，4類中的數(shù)量占樣本總數(shù)的38%左右，這一類中可以認(rèn)為是優(yōu)秀類型.根據(jù)不同類型的欠缺和不足項(xiàng)目，建立學(xué)生體質(zhì)健康狀況評(píng)價(jià)模塊，用以幫助教師及學(xué)生更好地了解學(xué)生的體質(zhì)狀態(tài)，對(duì)每位學(xué)生提出合理建議，選擇鍛煉方法，提高學(xué)生健康質(zhì)量.

4 結(jié) 語

針對(duì)近年來大學(xué)生的體質(zhì)健康水平呈下降趨勢(shì)，本研究以身高、體重、臺(tái)階指數(shù)、肺活量、立定跳遠(yuǎn)、握力6項(xiàng)指標(biāo)作為模型構(gòu)建的指標(biāo)體系，運(yùn)用模糊綜合評(píng)價(jià)方法對(duì)樣本進(jìn)行了多元判別分析，構(gòu)建了分級(jí)模型；采用基于遺傳算法的模糊C均值聚類算法，在一定程度上避免了模糊C均值算法對(duì)初始值敏感和容易陷入局部最優(yōu)解的缺陷，給出一種對(duì)大學(xué)生體質(zhì)健康測(cè)試成績(jī)模糊分類的方法，量化評(píng)價(jià)學(xué)生體質(zhì)健康情況，根據(jù)每位學(xué)生身體素質(zhì)得分對(duì)學(xué)生進(jìn)行分類，了解每位學(xué)生體質(zhì)發(fā)展?fàn)顩r，對(duì)提高不同學(xué)生的體質(zhì)健康水平提出有效性的建議.