婁顏超

摘要：鑒于目前高校貧困生認定工作的重要性，針對資助過程中存在的認定困難等問題，在梳理影響高校貧困生認定工作的基礎(chǔ)上，提出采用 LVQ 神經(jīng)網(wǎng)絡(luò)建立高校貧困生認定模型。通過訓練、測試，驗證了 LVQ 神經(jīng)網(wǎng)絡(luò)能夠有效應用于高校貧困生認定，以期為基于神經(jīng)網(wǎng)絡(luò)與貧困生認定的實踐與研究提供借鑒，將精準資助落到實處，為形成更加完善、可靠的學生資助工作體系提供技術(shù)支持。

關(guān)鍵詞：高校貧困生認定;LVQ神經(jīng)網(wǎng)絡(luò);精準資助

中圖分類號：G647 ????文獻標識碼：A

黨和國家始終堅持教育事業(yè)優(yōu)先發(fā)展，高校也逐步不斷建立健全資助體系，學生資助推動了我國教育事業(yè)快速發(fā)展，而且在人力資源開發(fā)、扶貧脫貧等方面發(fā)揮了重要作用，取得了顯著成效。

精準資助的本質(zhì)是要明確地劃分資助的等級，并對不同等級給予不同的資助，通過更加科學的程序，從而有效達到精準資助的目的。因此，有必要建立準確高效的貧困認定系統(tǒng)，確定家庭經(jīng)濟困難學生的認定標準和資助檔次。

1高校資助困境

高校在推進學生資助工作取得成效的同時，依然存在分配不均、實施力度不強等現(xiàn)象。

（1）高校資助模式有待改進。由于資助摸排范圍受限、資助力度有限、資助形式單一、材料的真實性等諸多因素所帶來的局限性，都給高校貧困生認定增加了困難，導致無法真實反映家庭經(jīng)濟困難學生的實際訴求。

（2）由于高校貧困資助采用生源地—輔導員—班級為主線的主觀評定程序，缺乏客觀量化標準，導致認定結(jié)果不準確。因此，如何依托現(xiàn)代信息技術(shù)構(gòu)建認定管理系統(tǒng)十分重要。

（3）貧困生數(shù)據(jù)更新不及時，缺乏對數(shù)據(jù)資源的實時性和動態(tài)性管理。認定工作的預判要依賴數(shù)據(jù)更新、分析以及反饋所形成的完整資助過程，以便保持與資助工作的前置性相契合。

2建立高校貧困生認定評價指標

精準認定家庭經(jīng)濟困難學生是資助工作的首要環(huán)節(jié)。按照高校家庭經(jīng)濟困難學生認定標準，參照生源地、家庭情況、學生個人量化以及民主測評4項指標，所包含若干不同認定參考內(nèi)容，將貧困生分為五個等級：特困學生、困難學生、一般困難學生、特殊困難學生以及非貧困學生。可以通過學生登錄系統(tǒng)，提交個人相關(guān)信息，建立貧困資源數(shù)據(jù)庫，該數(shù)據(jù)庫中包含的大量知識規(guī)則用于通過神經(jīng)網(wǎng)絡(luò)對樣本信息進行訓練，最后根據(jù)各個因素的影響程度來決定貧困生等級評定。

3基于 LVQ神經(jīng)網(wǎng)絡(luò)的貧困生認定模型

人工神經(jīng)網(wǎng)絡(luò)是采用電子器件實現(xiàn)或通過軟件在計算機上模擬，可以具備生物神經(jīng)系統(tǒng)的某種特殊功能。同時，人工神經(jīng)網(wǎng)絡(luò)是由大量處理單元并行連接而構(gòu)成的信息處理系統(tǒng)，具有自組織、自學習以及泛化推廣能力。鑒于高校貧困生認定方法存在局限性，本文以神經(jīng)網(wǎng)絡(luò)為技術(shù)依托，建立簡單、高預測率的高校貧困生認定模型。

3.1學習向量量化神經(jīng)網(wǎng)絡(luò)

學習向量量化（Learning Vector ?Quantization，LVQ）神經(jīng)網(wǎng)絡(luò)屬于前向有監(jiān)督神經(jīng)網(wǎng)絡(luò)類型，是一種基于統(tǒng)計分布的自適應數(shù)據(jù)分類思想，可以通過競爭性的競爭層（隱含層）實現(xiàn)函數(shù)傳遞，廣泛應用于模式識別和故障診斷等領(lǐng)域。

LVQ神經(jīng)網(wǎng)絡(luò)由輸入層、競爭層與線性輸出層三個神經(jīng)元構(gòu)成，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。其中，輸入層和競爭層之間為完全連接，每個輸出層神經(jīng)元與競爭層神經(jīng)元的不同組相連接。競爭層神經(jīng)元個數(shù)總是大于線性輸出層神經(jīng)元個數(shù)，競爭層與輸出層神經(jīng)元之間的連接權(quán)值固定為1。但是每個線性輸出層神經(jīng)元能夠與多個競爭層神經(jīng)元相連接。注意：競爭層神經(jīng)元和線性輸出層神經(jīng)元的值只能為1或0。在網(wǎng)絡(luò)訓練過程中，輸入層和競爭層神經(jīng)元間的權(quán)值將被修改，即當某個輸入模式被送至網(wǎng)絡(luò)時，與輸入模式距離最近的競爭層神經(jīng)元被激活而贏得競爭，其狀態(tài)變?yōu)椤?”，但其它競爭層神經(jīng)元的狀態(tài)均為“0”。因此，與被激活神經(jīng)元相連接的輸出神經(jīng)元也發(fā)出“1”，而其它線性輸出層神經(jīng)元狀態(tài)均為“0”。

其中，p為輸入層神經(jīng)元個數(shù)，s1為競爭層神經(jīng)元數(shù)，和分別為競爭層神經(jīng)元的輸入與輸出。和分別為線性輸出層神經(jīng)元的輸入與輸出。為輸入層與競爭層間的連接權(quán)系數(shù)矩陣，為競爭層與線性輸出層間的連接權(quán)系數(shù)矩陣。

3.2 LVQ2算法

LVQ2算法通常被用來劃分相似類別的混疊邊界，使得不同類別的判斷趨近于Bayes判決。該算法的具體步驟為：

步驟1：對輸入層和競爭層之間的權(quán)值以及學習率進行初始化。

步驟2：將訓練樣本作為輸入向量送入輸入層，計算競爭層與輸入向量之間的距離：

其中，為輸入層到競爭層之間的權(quán)值。

步驟3：選擇與輸入向量距離最小的兩個競爭層神經(jīng)元。

步驟4：如果神經(jīng)元 ，滿足以下兩個條件：

（1）神經(jīng)元和的標簽類別分別記為和;

（2）神經(jīng)元和與當前輸入向量的距離和滿足：

其中，為輸入向量可能落進的接近于兩個向量中段平面的窗口寬度，通常取2/3左右。則有

（1）如果神經(jīng)元i對應的類別與輸入向量對應的類別相同，即，則神經(jīng)元i和j的權(quán)值采用下面方法進行調(diào)整：

（2）如果神經(jīng)元對應的類別與輸入向量對應的類別相同，即，則神經(jīng)元和的權(quán)值采用下面方法進行調(diào)整：

步驟5：如果神經(jīng)元和神經(jīng)元 不滿足步驟4中所提到的條件，則只需采用下列公式更新距離輸入向量最近的神經(jīng)元權(quán)值：

3.3建立基于 LVQ神經(jīng)網(wǎng)絡(luò)的貧困生認定模型

3.3.1認定模型設(shè)計思路

將采集到的300名貧困學生數(shù)據(jù)集分為訓練集和測試集。其中，隨機選取數(shù)據(jù)集中的280名學生數(shù)據(jù)作為訓練集數(shù)據(jù)，剩余的20名學生數(shù)據(jù)作為測試集數(shù)據(jù)。將訓練集作為LVQ神經(jīng)網(wǎng)絡(luò)的輸入，貧困等級作為網(wǎng)絡(luò)的輸出。利用訓練集數(shù)據(jù)對設(shè)計的LVQ神經(jīng)網(wǎng)絡(luò)進行訓練，通過測試集對訓練模型進行驗證，最后對測試結(jié)果進行分析，說明訓練模型的有效性。