王 琪

（中國(guó)礦業(yè)大學(xué) 教務(wù)部，江蘇 徐州 221116）

基于數(shù)據(jù)挖掘技術(shù)的高校學(xué)業(yè)預(yù)警管理

王 琪

（中國(guó)礦業(yè)大學(xué) 教務(wù)部，江蘇 徐州 221116）

隨著我國(guó)高等教育從“精英教育”進(jìn)入“大眾化教育”，學(xué)生的學(xué)業(yè)問(wèn)題日益突出。基于數(shù)據(jù)挖掘技術(shù)研究，結(jié)合高校信息化現(xiàn)狀，綜合運(yùn)用遺傳算法、BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)預(yù)警模型，并使用現(xiàn)有教務(wù)管理系統(tǒng)的實(shí)際數(shù)據(jù)對(duì)學(xué)生的未來(lái)狀態(tài)做出有效預(yù)測(cè)，實(shí)現(xiàn)對(duì)學(xué)生的學(xué)業(yè)預(yù)警管理。

數(shù)據(jù)挖掘；BP神經(jīng)網(wǎng)絡(luò)；遺傳算法；學(xué)業(yè)預(yù)警管理

0 引 言

2013年全國(guó)各類高等教育在?？傄?guī)模已達(dá)到3 460萬(wàn)人，高等教育毛入學(xué)率達(dá)到34.5%。在如此規(guī)模宏大的高等教育階段，提高高校人才培養(yǎng)質(zhì)量顯得尤為重要，《國(guó)家中長(zhǎng)期教育改革和發(fā)展規(guī)劃綱要（2010-2020年）》中明確指出“提高質(zhì)量是高等教育發(fā)展的核心任務(wù)”。而要提高人才培養(yǎng)質(zhì)量，高校的教務(wù)部門、學(xué)工部門就不能僅根據(jù)現(xiàn)有的學(xué)生數(shù)據(jù)狀況和主觀感官對(duì)學(xué)生進(jìn)行管理，而應(yīng)預(yù)測(cè)學(xué)生在校期間未來(lái)可能出現(xiàn)的狀態(tài)，并采取相應(yīng)的措施，進(jìn)行積極引導(dǎo)?？v觀國(guó)內(nèi)高校信息化建設(shè)的現(xiàn)狀，我國(guó)幾乎所有的高校都建立了自己的校園網(wǎng)和信息系統(tǒng)，尤其是現(xiàn)代教務(wù)管理信息系統(tǒng)，幾乎每個(gè)高校都已積累相當(dāng)多的數(shù)據(jù)，但對(duì)這些數(shù)據(jù)各高?；旧隙紱](méi)有進(jìn)行深入挖掘開(kāi)發(fā)。現(xiàn)階段，高等學(xué)校的教務(wù)管理信息系統(tǒng)功能主要集中在數(shù)據(jù)的收集和初步統(tǒng)計(jì)方面，如：輸入數(shù)據(jù)的準(zhǔn)確性、及時(shí)性，學(xué)生成績(jī)的不及格門次、學(xué)分統(tǒng)計(jì)，算術(shù)平均分、學(xué)分加權(quán)平均分以及班級(jí)成績(jī)統(tǒng)計(jì)、班級(jí)排名、專業(yè)排名計(jì)算等；也有部分學(xué)校采取根據(jù)學(xué)生成績(jī)的預(yù)警管理機(jī)制，但只是依據(jù)其現(xiàn)有的成績(jī)對(duì)學(xué)生進(jìn)行預(yù)警管理，如學(xué)生不及格門次、成績(jī)平均分等，并沒(méi)有深層次分析處理學(xué)生成績(jī)。

1 數(shù)據(jù)挖掘簡(jiǎn)述

在信息爆炸的時(shí)代，數(shù)據(jù)挖掘的相關(guān)研究十分活躍，其在諸多行業(yè)中逐漸成為研究熱點(diǎn)。數(shù)據(jù)挖掘技術(shù)是為解決“數(shù)據(jù)豐富、知識(shí)貧乏”這一現(xiàn)象，在數(shù)據(jù)庫(kù)管理系統(tǒng)基礎(chǔ)上發(fā)展起來(lái)的一門新技術(shù)。數(shù)據(jù)挖掘的實(shí)質(zhì)是一種發(fā)現(xiàn)知識(shí)的應(yīng)用技術(shù)，是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用信息和知識(shí)的過(guò)程，它是一門集統(tǒng)計(jì)學(xué)、人工智能、模式識(shí)別、并行計(jì)算、機(jī)器學(xué)習(xí)、知識(shí)工程、面向?qū)ο蠓椒?、信息檢索、數(shù)據(jù)庫(kù)等技術(shù)為一體的一個(gè)交叉性的研究領(lǐng)域。數(shù)據(jù)挖掘出現(xiàn)于20世紀(jì)80年代后期，90年代有了突飛猛進(jìn)的發(fā)展；現(xiàn)在數(shù)據(jù)挖掘的研究重點(diǎn)正逐漸從發(fā)現(xiàn)方法轉(zhuǎn)向系統(tǒng)應(yīng)用，且注重多種發(fā)現(xiàn)策略和技術(shù)的集成，以及多種學(xué)科之間的相互滲透。

因此，將數(shù)據(jù)挖掘技術(shù)相關(guān)理論及算法用于高?，F(xiàn)代教務(wù)管理系統(tǒng)中，充分利用高校教務(wù)管理系統(tǒng)數(shù)據(jù)庫(kù)數(shù)據(jù)來(lái)設(shè)計(jì)開(kāi)發(fā)學(xué)生管理預(yù)警模型，既擴(kuò)充了數(shù)據(jù)挖掘技術(shù)的應(yīng)用領(lǐng)域、也有效解決了高校學(xué)生的預(yù)警管理問(wèn)題。

2 基于數(shù)據(jù)挖掘技術(shù)的預(yù)警模型研究

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋映射網(wǎng)絡(luò)，是目前廣泛應(yīng)用的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法之一。遺傳算法類似于自然進(jìn)化，通過(guò)作用于染色體上的基因?qū)ふ液玫娜旧w來(lái)求解問(wèn)題。

基于BP算法的神經(jīng)網(wǎng)絡(luò)通過(guò)多個(gè)具有簡(jiǎn)單處理功能的神經(jīng)元的復(fù)合作用，使網(wǎng)絡(luò)具有非線性映射能力，由于BP算法的訓(xùn)練是基于誤差梯度下降的權(quán)重修改原則，其結(jié)果不可避免的存在局部最小問(wèn)題，結(jié)構(gòu)設(shè)計(jì)問(wèn)題以及實(shí)時(shí)性差問(wèn)題等，因此將其用于學(xué)生未來(lái)狀態(tài)預(yù)測(cè)中尚存在一定缺陷。遺傳算法是根據(jù)生物進(jìn)化思想而啟發(fā)得出的一種全局優(yōu)化算法，在本質(zhì)上是一種不依賴具體問(wèn)題的直接搜索方法，僅需給出目標(biāo)函數(shù)的描述，從一組隨機(jī)產(chǎn)生的稱為“種群（Population）”的初始解開(kāi)始，從全局空間出發(fā)搜索問(wèn)題的最優(yōu)解。由于遺傳算法善于全局搜索，且能以較大的概率找到全局最優(yōu)解，故用它來(lái)完成前期搜索能較好地克服BP算法局部極小的缺陷。將GA和BP結(jié)合起來(lái)，形成GAOBP混合訓(xùn)練算法，以GA優(yōu)化BP網(wǎng)絡(luò)。這種方法既避免了BP網(wǎng)絡(luò)易陷入局部極小問(wèn)題，同時(shí)也達(dá)到優(yōu)化網(wǎng)絡(luò)目的，更能實(shí)現(xiàn)對(duì)學(xué)生未來(lái)狀態(tài)的較好預(yù)測(cè)?；谝陨戏治?，本文采用遺傳算法和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法解決學(xué)生未來(lái)姿態(tài)的預(yù)測(cè)問(wèn)題。

2.1 目標(biāo)數(shù)據(jù)的建立及清洗

本文從高校教務(wù)信息系統(tǒng)中抽取部分?jǐn)?shù)據(jù)進(jìn)行學(xué)業(yè)預(yù)警管理研究，現(xiàn)選取專業(yè)甲2010級(jí)學(xué)生相關(guān)信息作為挖掘數(shù)據(jù)庫(kù)進(jìn)行數(shù)據(jù)挖掘。本次學(xué)業(yè)預(yù)警管理系統(tǒng)研究中選擇學(xué)生入學(xué)時(shí)成績(jī)情況、大一結(jié)束時(shí)成績(jī)以及第一學(xué)年的學(xué)生素質(zhì)發(fā)展綜合測(cè)評(píng)情況等三大部分組成輸入量指標(biāo)，共計(jì)29個(gè)輸入指標(biāo)，指標(biāo)構(gòu)成如表1所示。選擇大學(xué)4年共計(jì)7學(xué)期所有成績(jī)的加權(quán)平均分作為輸出量。

在此次選次的目標(biāo)數(shù)據(jù)中，2010級(jí)學(xué)生并不一定全部報(bào)到，同時(shí)也不一定全部順利畢業(yè)，因此要清除其中的未報(bào)到、試讀、結(jié)業(yè)的學(xué)生信息及其相關(guān)數(shù)據(jù)。

表1 輸入量指標(biāo)構(gòu)成

2.2 數(shù)據(jù)的處理及標(biāo)準(zhǔn)化

從輸入、輸出變量的性質(zhì)來(lái)看，變量一般分為兩類：一類是數(shù)值變量，一類是語(yǔ)言變量。數(shù)值變量的值是數(shù)值確定的連續(xù)量或離散量，語(yǔ)言變量是用自然語(yǔ)言表示的概念。其“語(yǔ)言值”是用自然語(yǔ)言表示的事物的各種屬性，如：顏色、性別及規(guī)模等都是語(yǔ)言變量。當(dāng)選語(yǔ)言變量作為網(wǎng)絡(luò)的輸入或輸出變量時(shí)，需將其語(yǔ)言值轉(zhuǎn)換為離散的數(shù)值量，此次數(shù)據(jù)挖掘研究所確定的目標(biāo)數(shù)據(jù)庫(kù)中，“優(yōu)秀”記為“90”，“良好”記為“80”，“中等”記為“70”，“及格”記為“60”，“不及格”記為“0”。

標(biāo)準(zhǔn)化就是所有分量都在0～1或-1～1之間變化，從而使網(wǎng)絡(luò)訓(xùn)練一開(kāi)始就給各輸入分量以同等重要的地位。本次數(shù)據(jù)挖掘研究中采用的處理公式是

其中，pn為樣本數(shù)據(jù)；min p為樣本數(shù)據(jù)中的最小值；max p為樣本數(shù)據(jù)中的最大值。編寫輸入變量標(biāo)準(zhǔn)化函數(shù)Standard.m，對(duì)指標(biāo)值以及樣本值進(jìn)行標(biāo)準(zhǔn)化處理，將上述數(shù)據(jù)標(biāo)準(zhǔn)化處理為［0.2，0.8］之間的標(biāo)準(zhǔn)數(shù)據(jù)。

2.3 模型設(shè)計(jì)及結(jié)構(gòu)和參數(shù)的選取

本文采取同時(shí)優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及初始權(quán)值、閾值方法建立模型，其原理是通過(guò)遺傳算法的嵌套，實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、網(wǎng)絡(luò)結(jié)構(gòu)的同時(shí)優(yōu)化。遺傳算法嵌套，第一層為優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，對(duì)隱層節(jié)點(diǎn)的個(gè)數(shù)進(jìn)行編碼；第二層為優(yōu)化網(wǎng)絡(luò)的初始權(quán)值，對(duì)固定網(wǎng)絡(luò)結(jié)構(gòu)的初始權(quán)值進(jìn)行編碼。每一個(gè)第一層個(gè)體對(duì)應(yīng)一類固定的網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)對(duì)這一固定結(jié)構(gòu)進(jìn)行第二層遺傳優(yōu)化可得到該第一層個(gè)體所對(duì)應(yīng)的初始權(quán)值編碼最優(yōu)個(gè)體。以最優(yōu)個(gè)體的適應(yīng)度值（網(wǎng)絡(luò)輸出誤差）作為對(duì)應(yīng)第一層個(gè)體的適應(yīng)度值，并通過(guò)遺傳操作即可得到網(wǎng)絡(luò)結(jié)構(gòu)和初始權(quán)值的最佳組合。

利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，關(guān)鍵是對(duì)于隱層節(jié)點(diǎn)數(shù)的確定，本文選擇含有1個(gè)隱層的三層BP神經(jīng)網(wǎng)絡(luò)作為模型的基本結(jié)構(gòu)；同時(shí)，為避免節(jié)點(diǎn)個(gè)數(shù)過(guò)多導(dǎo)致模型過(guò)擬合，確定模型隱層節(jié)點(diǎn)數(shù)的上限為bounds。優(yōu)化算法的具體步驟主要包括：①編碼和群體的產(chǎn)生；②群體中個(gè)體適應(yīng)度的檢測(cè)評(píng)估；③選擇適應(yīng)度值高的染色體進(jìn)入下一代；④通過(guò)交叉、變異操作產(chǎn)生新的染色體；⑤不斷重復(fù)步驟②～④直到預(yù)定的進(jìn)化代數(shù)，得出最優(yōu)個(gè)體x。經(jīng)過(guò)步驟①-⑤，求解到最優(yōu)個(gè)體x，對(duì)于x進(jìn)行解碼將二進(jìn)制序列轉(zhuǎn)化為十進(jìn)制即可得出模型隱層節(jié)點(diǎn)數(shù)，x所對(duì)應(yīng)的適應(yīng)度值即為該模型當(dāng)初始權(quán)值和閾值為最優(yōu)的情況下所對(duì)應(yīng)的網(wǎng)絡(luò)輸出誤差的倒數(shù)，進(jìn)而可列出模型的最優(yōu)初始權(quán)值及閾值。

經(jīng)過(guò)深層次分析并結(jié)合本次研究實(shí)際情況，確定隱層節(jié)點(diǎn)數(shù)的上限為bounds=15，同時(shí)經(jīng)過(guò)多次實(shí)驗(yàn)確定遺傳算法參數(shù)Pc=0.45，Pm=0.05，M=25，G=17。在確定隱層節(jié)點(diǎn)數(shù)、初始權(quán)值和閾值時(shí)，采用遺傳算法相互嵌套的方法同時(shí)對(duì)網(wǎng)絡(luò)模型的初始權(quán)值進(jìn)行選擇，解決了遺傳算法在優(yōu)化神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域中，僅能單獨(dú)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)或權(quán)值進(jìn)行優(yōu)化的問(wèn)題，將兩者合理的結(jié)合在一起能夠提高建模過(guò)程中的客觀性和精確性。利用MATLAB軟件調(diào)用主程序mfunction（編寫）得到隱層節(jié)點(diǎn)數(shù)、始權(quán)值及閾值分別為n、W1、W2、B1、B2，具體如下：

最終學(xué)生未來(lái)狀態(tài)預(yù)測(cè)模型是一個(gè)有29個(gè)輸入、1個(gè)輸出、1個(gè)隱層的三層、4個(gè)隱層節(jié)點(diǎn)的BP神經(jīng)網(wǎng)絡(luò)，初始權(quán)值及閾值分別為W1、W2、B1、B2，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.4 模型的訓(xùn)練及結(jié)果分析

在確定BP網(wǎng)絡(luò)結(jié)構(gòu)后，要通過(guò)輸入和輸出樣本集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，也就是對(duì)網(wǎng)絡(luò)的閾值和權(quán)值進(jìn)行學(xué)習(xí)和修正，以使網(wǎng)絡(luò)實(shí)現(xiàn)給定的輸入輸出關(guān)系?；诖舜窝芯砍跏紮?quán)值比較少，現(xiàn)選取LM算法的trainlm作為學(xué)業(yè)預(yù)警研究的訓(xùn)練函數(shù)，其參數(shù)選取見(jiàn)圖2。

圖2 訓(xùn)練函數(shù)的參數(shù)選取

利用MATLAB語(yǔ)言編寫的程序TrainModel（編寫），亦可使用MATLAB函數(shù)，采用經(jīng)過(guò)執(zhí)行MATLAB程序fenkai（編寫）后生成的標(biāo)準(zhǔn)化輸入數(shù)據(jù)P、TP及相應(yīng)的標(biāo)準(zhǔn)化輸出數(shù)據(jù)T、TT作為Input Data和Target Data進(jìn)行模型訓(xùn)練及檢測(cè)，輸入P，T經(jīng)上機(jī)運(yùn)行可得到BP迭代過(guò)程誤差曲線神經(jīng)網(wǎng)絡(luò)模型輸出誤差。由運(yùn)行結(jié)果可知，模型僅通過(guò)11次迭代就達(dá)到了誤差目標(biāo)要求，輸出誤差平均值僅為7.2e-03，處理為正學(xué)成績(jī)平均誤差為0.69分，121個(gè)訓(xùn)練樣本的輸出值與期望輸出值之間的誤差均小于0.03，樣本最大誤差絕對(duì)值為0.028 2，最小誤差為1.9696e-005，76%的樣本輸出誤差小于0.01，這說(shuō)明該模型具有很好的擬合精度。對(duì)于模型的泛化性能通過(guò)數(shù)據(jù)檢驗(yàn)數(shù)據(jù)進(jìn)行檢測(cè)，如圖3所示。

圖3 模型的泛化性能檢測(cè)

2.5 模型的檢驗(yàn)

將TP、TT作為檢驗(yàn)數(shù)據(jù)Input Data和Target Data輸入模型，運(yùn)行得到神經(jīng)網(wǎng)絡(luò)模型檢驗(yàn)結(jié)果，由結(jié)果可知，該模型的誤差平均值為0.026 6，全部檢測(cè)樣本誤差均小于0.1，最大誤差絕對(duì)值為0.095 3，最小誤差絕對(duì)值為2.1230e-005，50%的輸出誤差小于0.02，83%的輸出誤差小于0.04，分析可知該神經(jīng)網(wǎng)絡(luò)模型具有良好的泛化性能。

由模型訓(xùn)練結(jié)果和檢測(cè)結(jié)果不難看出，模型訓(xùn)練的誤差相當(dāng)?shù)?，模型檢測(cè)結(jié)果的誤差也比較小，在誤差允許范圍內(nèi)，可用于對(duì)學(xué)生進(jìn)行預(yù)警管理。

3 學(xué)業(yè)預(yù)警管理

通過(guò)數(shù)據(jù)挖掘技術(shù)和現(xiàn)代教務(wù)管理信息系統(tǒng)的有機(jī)結(jié)合，可實(shí)現(xiàn)對(duì)學(xué)生2～3年后未來(lái)狀態(tài)的預(yù)測(cè)，高校學(xué)生管理工作者完全可利用此模型對(duì)在校學(xué)生進(jìn)行有效預(yù)警管理。有效預(yù)警管理是基于現(xiàn)有多方面數(shù)據(jù)深層次分析后的結(jié)果所做出的預(yù)警管理，不僅是依據(jù)現(xiàn)有的成績(jī)進(jìn)行預(yù)警。在使用模型預(yù)測(cè)后，可根據(jù)預(yù)測(cè)結(jié)果將預(yù)警管理分為紅色預(yù)警、黃色預(yù)警及綠色預(yù)警。所謂紅色預(yù)警是指將來(lái)在校學(xué)習(xí)期間成績(jī)可能會(huì)較差的學(xué)生、綠色預(yù)警是指將來(lái)學(xué)習(xí)成績(jī)可能比較優(yōu)秀的學(xué)生，黃色預(yù)警介于二者之間。

3.1 紅色預(yù)警管理

針對(duì)紅色預(yù)警學(xué)生，可逐一分析其學(xué)習(xí)困難原因，并安排互幫互學(xué)。輔導(dǎo)員或班主任要盡可能和紅色預(yù)警的每位同學(xué)進(jìn)行逐個(gè)談話，幫助分析原因，以期盡快找到合適的學(xué)習(xí)方法，提高學(xué)習(xí)成績(jī)。同時(shí)，可以實(shí)施“學(xué)院－課堂－寢室－家長(zhǎng)”四位一體的模式，全方位對(duì)其進(jìn)行幫扶，對(duì)于紅色預(yù)警的學(xué)生也可適當(dāng)?shù)臏p少其課外活動(dòng)，增加學(xué)習(xí)時(shí)間，在學(xué)習(xí)內(nèi)容方面要也以學(xué)習(xí)本專業(yè)課程為主，不鼓勵(lì)其過(guò)多涉獵非本專業(yè)培養(yǎng)計(jì)劃內(nèi)課程。此外，對(duì)于紅色預(yù)警的學(xué)生，也可以分為兩類管理，區(qū)別對(duì)待。

一類是學(xué)而不好。這類學(xué)生，學(xué)習(xí)時(shí)間用的不少，就是學(xué)習(xí)方法不對(duì)，不要過(guò)多批評(píng)；其學(xué)習(xí)不太好，不是主觀不努力造成的，要以合適的方式幫扶，在鼓勵(lì)的同時(shí)進(jìn)行幫扶，如：學(xué)院安排以學(xué)習(xí)優(yōu)秀的學(xué)生對(duì)其進(jìn)行一對(duì)一幫扶，在潛移默化中把好的學(xué)習(xí)方法傳授過(guò)去。

另一類是不學(xué)而不好。這類學(xué)生，自主性較差，要進(jìn)行批評(píng)教育，嚴(yán)格管理。比如，對(duì)該類學(xué)生進(jìn)行集中自習(xí)管理，非上課時(shí)間規(guī)定去指定教室上自習(xí)，實(shí)行點(diǎn)名統(tǒng)計(jì)制度，自習(xí)次數(shù)過(guò)少采取一定處理措施等。

3.2 黃色預(yù)警管理

針對(duì)此類學(xué)生，要以鼓勵(lì)為主，既肯定其現(xiàn)有成績(jī)，也要對(duì)其提出更高的要求，比如：你人很聰明，以現(xiàn)在情況來(lái)看，未來(lái)畢業(yè)時(shí)，成績(jī)還是可以的，不過(guò)以你的學(xué)習(xí)能力來(lái)說(shuō)，你完全可以取得更好的成績(jī)，這樣不管將來(lái)你是考研還是工作都會(huì)有更多的機(jī)遇等。

3.3 綠色預(yù)警管理

這類學(xué)生的成績(jī)優(yōu)秀，要注意控制其驕傲、自滿情緒，既要表?yè)P(yáng)、鼓勵(lì)，同時(shí)也要提出更高要求，使其在保持現(xiàn)有成績(jī)并不斷提高的同時(shí)，注意綜合能力的培養(yǎng)。一方面優(yōu)秀不是優(yōu)，多方面優(yōu)秀才是真正優(yōu)。大學(xué)時(shí)間非常寶貴，要充分利用，鼓勵(lì)其在學(xué)好本專業(yè)的同時(shí)進(jìn)行輔修課程學(xué)習(xí)，同時(shí)對(duì)其的計(jì)算機(jī)水平、英語(yǔ)能力等可高標(biāo)準(zhǔn)要求。另外，以自愿參加的原則組織其對(duì)學(xué)習(xí)落后學(xué)習(xí)進(jìn)行互幫互助、參加義務(wù)勞動(dòng)、公益活動(dòng)、獻(xiàn)愛(ài)心等。

4 結(jié) 語(yǔ)

學(xué)業(yè)預(yù)警管理是根據(jù)學(xué)生現(xiàn)有的情況，以科學(xué)化的手段分析并發(fā)掘現(xiàn)實(shí)數(shù)據(jù)背后隱藏的真相，對(duì)學(xué)生進(jìn)行有針對(duì)性的管理、引導(dǎo)，在減輕高校教師、管理人員工作壓力的同時(shí)，提高高校學(xué)生的培養(yǎng)質(zhì)量及成才率。

［1］中華人民共和國(guó)教育部.2013年全國(guó)教育事業(yè)發(fā)展統(tǒng)計(jì)公［EB/OL］.(2014-08-23)［2015-05-23］.http://www.moe.edu.cn/publicfiles/business/htmlfiles/moe/moe_633/201407/171144.html.

［2］儲(chǔ)誠(chéng)山,張宏偉,郭軍.基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的用水量預(yù)測(cè)［J］.中國(guó)農(nóng)村水利水電,2006(4):36-37.

［3］劉奕君,趙搖強(qiáng),郝文利.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛阮A(yù)測(cè)研究［J］.礦業(yè)安全與環(huán)保,2015(2):56-60.

［4］袁安府,張娜,沈海霞.大學(xué)生學(xué)業(yè)預(yù)警評(píng)價(jià)指標(biāo)體系的構(gòu)建與應(yīng)用研究［J］.黑龍江高教研究,2014(3):79-83.

10.3969/j.issn.1673 - 0194.2015.18.177

TP311；G647

A

1673-0194(2015)18-0242-03

2015-07-27