馮相榕 李鵬 孟旭瑩

摘要：為探究傳統(tǒng)成績評定模型與綜合考評模型的不同，以及對學生最后成績進行科學準確地預測，提出通過搭建神經(jīng)網(wǎng)絡(luò)，基于Code Blocks和Matlab平臺，運用BP算法分別對傳統(tǒng)成績評定模型和綜合考評模型進行預測分析。結(jié)果表明，使用神經(jīng)網(wǎng)絡(luò)算法預測成績的正確性及有效性，并對比得出使用綜合考評模型預測時，對學生的評估效果更優(yōu)。

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

中圖分類號：TP301.6文獻標志碼：A文章編號：1008-1739（2019）20-65-4

0引言

目前部分高校的綜合考評制度存在一些問題，在秦非[1]的研究中，針對目前綜合考評體系存在的問題提出了相應的改進措施。以往的工作中，普遍采用通過各項成績占比進行算術(shù)運算的方式，得出學生最終綜合考評成績。據(jù)調(diào)研，目前已有基于機器學習、對話流、數(shù)據(jù)挖掘和卡爾曼濾波算法等方法對成績進行預測的研究。本文主要利用已知的傳統(tǒng)測評方式及綜合測評方式，結(jié)合BP神經(jīng)網(wǎng)絡(luò)模型得出學生最終綜合考評成績。BP神經(jīng)網(wǎng)絡(luò)能通過反復學習，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，而不需要提供相應的數(shù)學方程，通過學習訓練樣本發(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習性、便捷性、有效性和容錯性等優(yōu)點。通過此模型預測出學生的綜合考評成績與學生實際綜合考評成績是相擬合的。

1反向傳播神經(jīng)網(wǎng)絡(luò)

1.1網(wǎng)絡(luò)拓撲結(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，每一個連接均具有一個權(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平臺對神經(jīng)網(wǎng)絡(luò)的立體結(jié)構(gòu)進行模擬，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

學習規(guī)則采用有導師學習的連續(xù)感知器規(guī)則，學習過程由信號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)過每個隱藏層計算和處理，在輸出層傳出[3]。當輸出層的期望值與實際輸出值有偏差時，進入誤差的反向傳播階段。

逆向反饋過程中，將實際輸出經(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，即得到對每層調(diào)整的依據(jù)[4]。依此，對每層的權(quán)重及偏置進行修正。

1.2.2偽代碼

2模型建立

2.1傳統(tǒng)成績評定模型

2.1.1理論模型

學生素質(zhì)綜合測評實行百分制，考評內(nèi)容分為平時成績與期末卷面成績，傳統(tǒng)成績評定模型如表1所示。

2.1.2神經(jīng)網(wǎng)絡(luò)模型

利用隨機函數(shù)產(chǎn)生800組同學的數(shù)據(jù)樣本，各項成績作為輸入，即平時成績與卷面成績，所以輸入層選用2個神經(jīng)元，隱藏層選用6個神經(jīng)元，輸出層選用1個神經(jīng)元將對應的期末成績輸出。利用Neural Network Playground平臺對模型架構(gòu)進行模擬，如圖2所示。

2.2綜合考評評定模型

2.2.1理論模型

將前14組同學各項成績作為輸入，對應的綜測成績作為輸出。其中，思想政治、組織紀律、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

實驗采用單隱層的神經(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，假如隱層網(wǎng)絡(luò)神經(jīng)元個數(shù)過多，則會導致機器運算量直線上升，造成結(jié)果過度擬合；過少又會給運算結(jié)果帶來較大偏差，難以得到預期結(jié)果。

因此，隱層網(wǎng)絡(luò)神經(jīng)元個數(shù)的確定與實際問題息息相關(guān)，并且與輸入層及輸出層神經(jīng)元個數(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)元個數(shù)[5]：

2.3學習過程建模

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)點的誤差，計算出誤差率之后，根據(jù)誤差率的值，對偏置值和權(quán)重進行修正，更新偏置，對整個網(wǎng)絡(luò)的平均誤差進行記錄，當與其設(shè)置的訓練精度一致時，停止訓練。

3模型訓練與結(jié)果

3.1傳統(tǒng)成績評定模型

基于Code Blocks平臺，采用C語言編寫程序，對模型進行仿真。訓練代碼如下：

該部分是BP神經(jīng)網(wǎng)絡(luò)的反饋學習的核心，將實際預測結(jié)果與樣本預期的結(jié)果進行對比，然后對網(wǎng)絡(luò)中各層各單元涉及的權(quán)重進行逐層修正。

3.2綜合成績評定模型

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)和進行測試等全過程。

4預測與分析

4.1傳統(tǒng)成績評定模型預測

手動給定數(shù)據(jù)進行期末成績的預測，結(jié)果如圖4所示。

比較預測成績和期望成績可知，在進行了314次訓練之后，通過神經(jīng)網(wǎng)絡(luò)進行預測的成績與期望成績相差在0～0.6之間。

4.2綜合模型預測

測試數(shù)據(jù)對比結(jié)果如圖5所示。

首先對樣本數(shù)據(jù)進行歸一化處理，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)元個數(shù)確定隱層神經(jīng)元的個數(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)的訓練函數(shù)，并設(shè)置學習速率等網(wǎng)絡(luò)參數(shù)。最后對數(shù)據(jù)進行反歸一化進行輸出。本次采用Matlab平臺的神經(jīng)網(wǎng)絡(luò)工具箱對搭建的神經(jīng)網(wǎng)絡(luò)進行訓練[10]，從實驗結(jié)果來看，通過神經(jīng)網(wǎng)絡(luò)進行預測的成績與期望成績相差在0.04～0.5之間。

5結(jié)束語

針對目前高校教育中廣泛關(guān)注的成績評估問題，進行了仿真實驗與驗證。發(fā)現(xiàn)了綜合素質(zhì)教育及評定在目前大學教育中仍舊是非常重要的，所以學校在加強文化課的同時要積極拓展素質(zhì)教育。實驗基于Code Blocks和Matlab平臺，實現(xiàn)了關(guān)鍵算法，并將傳統(tǒng)成績評定模型和綜合考評模型結(jié)合，對最終成績開展預測，證明了算法的正確性和有效性。

參考文獻

[1]秦非.論高校綜合考評積分實施細則[J].陜西師范大學學報（哲學社會科學版），2008，37（S2）：142-144.

[2]孫文.基于深度學習模型的感應電機故障診斷方法研究[D].南京：東南大學，2017.

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

[4]吳濤.車型識別系統(tǒng)的設(shè)計與實現(xiàn)[D].桂林：廣西師范大學， 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)用于地基輻射計大氣參量反演算法研究[D].武漢：華中科技大學，2016.

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

[8]肖霜.神經(jīng)網(wǎng)絡(luò)方法在收益法參數(shù)確定中的應用[D].重慶：重慶理工大學，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)的液體細分器的設(shè)計[D].北京：北京郵電大學，2013.