盧毅

(陜西學前師范學院 經濟與管理學院， 陜西 西安 710061)

0 引言

大學生與高中生相比，其學習主動性和積極性有所下降，導致學業(yè)狀態(tài)存在較大波動。如何及時發(fā)現(xiàn)大學生的真實學業(yè)狀態(tài)并進行預警，可以從理論研究和教學實踐兩方面提升學生成績和學校教學管理，價值巨大[1]。

關于狀態(tài)預測與警示方面常規(guī)算法包括有決策樹、聚類、關聯(lián)規(guī)則和支持向量機等[2-4]。這些研究主要集中研究歷史課程學習成績對后續(xù)學習課程成績的影響，以及生活習慣、家庭情況對學業(yè)狀態(tài)的影響，但是綜合生活特征和學習特征的學業(yè)狀態(tài)預警的文獻較為少見。本文在對支持向量機模型基本的參數(shù)(懲罰參數(shù)以及核值參數(shù))對建模性能的影響的基礎上，從對參數(shù)優(yōu)化的角度出發(fā)，綜合使用天牛須搜索算法，創(chuàng)新性的提出了基于SVM模型的BAS-SVM模型用于大學生就業(yè)狀態(tài)模型的生成。在實驗論證的過程中，通過與其他的預測模型(極限學習機和前饋神經網絡算法)進行詳細的比較后，發(fā)現(xiàn)本文提出的BAS-SVM算法可以更加準確的預測學生學業(yè)狀態(tài)，有利于改善、調整主客觀因素提升學業(yè)水平[5]。

1 BAS算法

作為經典的數(shù)據(jù)建模算法，BAS算法基于天牛覓食而建立的效率較高的群智能算法，算法的關鍵步驟如下[6-7]。

(1) 方向向量的明確

明確方向向量的目的是為了對天牛的搜索過程進行模擬，如式(1)。

(1)

式中，j表示空間維度；round()的作用為制作隨機數(shù)。

(2) 確定天牛頭部的左右觸須的坐標值，如式(2)。

(2)

式中，設置函數(shù)值xr和xl分別表示天牛的左邊觸須和右邊觸須出現(xiàn)在t次的空間坐標值，其中t表示循環(huán)參數(shù)，d是常量值，左右側觸須的須距。

(3) 生成適應度的基本值，如式(3)。

(3)

式中，f(x)表示了適應度獲取函數(shù)，fr和fl表示天牛的左邊觸須和右邊觸須與目前空間的位置比對適應度。

(4) 生成搜索步長，如式(4)。

δt=c1δt-1+δ0,dt=δt/c2

(4)

式中 ，δ值表示天牛搜索的最終步長值；δ0表示天?；境跏蓟介L，向大取值；δt表示經過t次搜索后的步長的因子數(shù)值；c1、c2表示常量步長因子。

(5) 生成最新位置，如式(5)。

(5)

式中，sign()表示位置函數(shù)；δt仍然表示第t次搜索的步長因子。

(6) 判斷是否符合預測的規(guī)則

主要通過當前位置的適應度的數(shù)值與前一次的空間位置適應度值的比較，如果位置更優(yōu)則更新新的位置，相反的則不更新。

2 支持向量機

ξi≥0,i=1,2,…,n

(6)

(7)

3 基于BAS-SVM的學生就業(yè)動態(tài)預警

3.1 評價指標

為準確合理地實現(xiàn)學業(yè)動態(tài)預警，參考文獻[8-10]的基礎上，選擇考勤指數(shù)、學習指數(shù)、成績指數(shù)、“宅”指數(shù)和家境等5個關鍵指標作為學業(yè)預警的主要指標，并將學業(yè)預警結果劃分為好、中、差三個等級，如表1所示。

表1 學業(yè)動態(tài)預警評價指標

3.2 適應度函數(shù)

在SVM模型中，核心參數(shù)g的主要作用于分類的準確度，而懲罰參數(shù)值C所影響的是模型控制方面的接近程度、誤差大小和復雜度。懲罰參數(shù)值與模型準確度成正比，與泛化能力成反比。由于SVM模型算法與懲罰參數(shù)值的大小和核函數(shù)的關系緊密相關性，因此，引入了BAS算法，主要是對上述兩個參數(shù)值的合理計算，來提升SVM模型的準確度，如式(8)。

(8)

式中，Total表示選擇的樣本集合數(shù)量值，right函數(shù)表示中分類合理的樣本集。

3.3 算法主要流程

本文提出的BAS-SVM模型進行學生就業(yè)預警執(zhí)行步驟如下。

(1) 第一步通過BAS算法，明確最優(yōu)懲罰參數(shù)和核函數(shù)，選擇步長因子c1和c1，并使用BAS算法計算迭代最優(yōu)次數(shù)和當前循環(huán)量。將預先準備好的用于學業(yè)預警的準備數(shù)據(jù)分為訓練樣本、測試樣本兩種，分別用于本文提出的模型的生成和準確度實驗。

(2) 執(zhí)行迭代。首先設置t的值為0，同時對天牛的初始位置進行定義，選擇最佳位置后，通過式(8)來完成天牛的左觸須和右觸須的位置計算。

(3) 循環(huán)結束后，將t的指針下一位，重復步驟(2)，并計算出天牛左右須的適應度f(xr)和f(xl)。

(4) 將第三步生產左右須的位置值，帶入式(5)中，更新位置xt，同時算出新的適應度值f(xt)；

(5) 完成天牛最新位置的獲得并更新值。做法為接受概率的數(shù)值P，引入式(6)首先判斷如果f(xt)

(6) 進行判斷，如果t

(7) 最后，獲得最準確的預警值，通過最終一輪循環(huán)獲得的xbest與fbest，使用式(8)計算最合理的懲罰系數(shù)C和核函數(shù)g，并在二者的基礎上完成最佳學生學業(yè)預警值測速和核對。

4 仿真實驗與結果分析

4.1 數(shù)據(jù)來源

通過實驗，進一步完成本文提出的算法的測算，并對比其他經典算法，數(shù)據(jù)源選擇陜西學前師范學院經濟與管理學院各專業(yè)學生為研究對象，好、中和差等3種學業(yè)狀態(tài)的樣本數(shù)據(jù)各150組。不同學業(yè)狀態(tài)樣本數(shù)據(jù)，如表2所示。

表2 不同學業(yè)狀態(tài)樣本

操作系統(tǒng)為Windows10，CPU為Intel(R)Core(TM)i5-2400 4-core，主頻為2.60 GHz，內存8 GB，仿真軟件為Matlab2015(a)。

4.2 評價指標

對于學生學業(yè)預警的準確性提出了評價指標，使用準確率和誤判率作為評判基本指標[11-12]。

(1) 準確率T：假設學業(yè)狀態(tài)被正確識別的數(shù)量為A，而學業(yè)狀態(tài)的實際數(shù)量為B，則學業(yè)狀態(tài)評估的準確率，如式(9)。

(9)

(2) 誤判率F：假設學業(yè)狀態(tài)是第i類的實際數(shù)量為H，而將第i類學業(yè)狀態(tài)誤判為第j類學業(yè)狀態(tài)的數(shù)量為W，則學業(yè)狀態(tài)判斷的誤判率，如式(10)。

(10)

4.3 結果分析

為了驗證學業(yè)狀態(tài)預警的效果，將BAS-SVM和ELM[13]、SVM[14]和BP[15]經典算法橫向對比，選擇4.2節(jié)基于BAS算法獲得參數(shù)：最大迭代次數(shù)gen=100，步長因子c1=0.997，c2=10，算法橫向比對的值，如表3和圖1-圖4所示。

表3 學業(yè)狀態(tài)預警結果

圖1 BAS-SVM學業(yè)狀態(tài)評估結果

圖2 ELM學業(yè)狀態(tài)評估結果

圖1-圖4中，“*”為學業(yè)狀態(tài)的預警類別，“○”為示學業(yè)狀態(tài)的實際類別，結合圖1和圖4的結果可以發(fā)現(xiàn)，通過本文算法的學業(yè)預警結果非常的精確的體現(xiàn)了實際的學學業(yè)狀態(tài)，圖例使用1代表學業(yè)較好、2代表學業(yè)一般、3代表學業(yè)差。在“*”與“○”重疊時，學業(yè)狀態(tài)的預警分類值與現(xiàn)實的實際值完全相同，代表學業(yè)狀態(tài)預警結果準確；在“*”和“○”不完全重疊時，說明預警狀態(tài)與實際狀態(tài)發(fā)生偏差，預警出現(xiàn)失誤。由表3和圖1-圖4可知，采用基于BAS-SVM模型做出的學業(yè)狀態(tài)預警結果的準確率高達97.12%，而誤判率僅有2.88%，優(yōu)于ELM的92.28%和7.72%，SVM的90.46%和9.54%和BPNN的86.35%和13.65%。與ELM、SVM和BPNN對比發(fā)現(xiàn)，BAS-SVM可以有效提高學業(yè)狀態(tài)預警結果的準確率，為學業(yè)狀態(tài)預警評估提供了新的方法和途徑。

圖3 SVM學業(yè)狀態(tài)評估結果

圖4 BPNN學業(yè)狀態(tài)評估結果

5 總結

為提高大學生學業(yè)狀態(tài)的預警準確度，在經典的SMV模型的基礎上，調整核參數(shù)以及性能被懲罰的參數(shù)值，創(chuàng)建了改進的BAS-SVM的大學生學業(yè)狀態(tài)動態(tài)預警模型。將BAS-SVM模型的輸入變量為影響學業(yè)狀態(tài)的5個關鍵KPI值(考勤指數(shù)、學習指數(shù)、成績指數(shù)、“宅”指數(shù)和家境)，經過模型運算后輸出預警判斷結果值。與ELM、SVM和BPNN對比發(fā)現(xiàn)，BAS-SVM可以有效提高學業(yè)狀態(tài)預警結果的準確率，為學業(yè)狀態(tài)預警評估提供了新的方法和途徑。