基于ＢＰ神經網絡的學生綜合素質評價的算法設計

摘要:該文對學生綜合素質的各種評價方法進行了深入的分析，探討了利用BP神經網絡理論進行綜合素質評價的可行性，并提出了基于BP神經網絡的學生綜合素質評價的算法設計。

關鍵詞:學生綜合素質評價;BP神經網絡;算法設計

中圖分類號:TP311文獻標識碼:A文章編號:1009-3044(2009)24-6786-03

BP neural Network Based on the Overall Quality of the Student Evaluation of Algorithm Design

ZHANG Wen-sheng

(Xiamen Gongshang Lvyou Xuexiao， Xiamen 3610012，China)

Abstract: In this paper， the overall quality of the students a variety of evaluation methods carried out in-depth analysis to explore the use of BP neural network theory to evaluate the feasibility of the overall quality， and BP neural network based on the overall quality of the student evaluation of algorithm design.

Key words: evaluation of the overall quality of students; BP neural network; algorithm design

學校德育教育是提高學生綜合素質的重要一環，在學校工作中占有舉足輕重的地位。德育涉及大量定性和定量的數據處理，為了體現其科學性和公平性，采用先進的計算機技術進行學生綜合素質量化評估勢在必行。

1 問題的提出

據調查，目前在學校里對學生素質評價的方法，主要有以下幾種:

1) 定性描述法

在學期或學年結束時，班主任根據學生在班級、學校和社會活動中的行為表現，運用文字對學生的綜合素質進行描述，作為對學生的評價。這種方法在評價學生綜合素質時起過一定的作用，但是，由于教師對學生綜合素質評價的內容不明確，要求不統一，帶有一定的主觀片面性和模糊性。

2) 等級劃分法

班主任根據平時對學生的觀察和了解，對學生的綜合素質行為劃分出優、良、中、差四個等級。它只能說明每個學生綜合素質發展的程度，在班集體中所處的地位，但缺乏具體內容，學生對于自己或他人的優點和缺點、以及個人今后的努力方向都不明確。

3) 自我總結法

這種方法是以學生為主，在教師的指導下總結自己的收獲，存在的問題、以及今后的努力方向，并寫成書面材料，然后寫在操行表的自我總結欄內。這種方法是以學生的自我評價為主，它對于提高學生的自我評價能力，具有一定的促進作用。但是，由于沒有老師和同學們參加評價，其評價結果缺乏客觀性。

4) 小組評議法

是以班級小組評議為主。通過開評議會的形式，對全組成員分別進行評議，肯定成績，提出缺點，最后把大家的意見集中起來，作為對學生的評價結果。它具有一定的客觀性，可是，沒有教師參加評議，影響了評價結果的可信度。

上述各種方法的都有一定的長處，也有一定的缺點。例如，對學生的綜合素質的結構，沒有明確統一的規定和具體要求;不能同時吸收各方面的意見參加評價;沒有制定較為符合需要的綜合素質量表和采用科學的測量手段等等。所以，評價的結果往往帶有主觀片面性，評語內容的不確定性，以及處在同一等級的同學之間存在差異的模糊性。于是最近又提出了對學生綜合素質定量進行測量和評價。

5) 定量分數法

將構成學生綜合素質的各種因素數量化，并制定出綜合素質量表。在具體的進行測量和評價時，把學生綜合素質所含每種因素的發展程度分為優、良、中、差四個等級，每個等級分別對應一定的標準值。對不同因素確定不同的權重大小，再綜合學生每個因素所取得的標準值，最后得出學生的綜合素質分。

用定量的方法對學生的綜合素質發展程度進行評價時，不同因素需要確定不同的權重大小。權重的大小對評估結果十分重要，它反映了各指標的相對重要性。由于對不同的因素的權重是人為給定的，而學生綜合素質的各項因素對學生的整體素質存在不可確定的影響程度，因些在對學生的測量和評定過程中必然受到主觀因素及模糊隨機性的影響。并且這種方法需要消耗大量的人力和時間。

為了探討這個問題，我們根據BP神經網絡的基本概念和原理，用神經網絡自我學習的方法，對中學生綜合素質進行測量和評價。BP神經網絡能利用經驗樣本對神經網絡的訓練，達到神經網絡的自我學習，在網絡中自動建立一個多輸入變量與輸出變量間的非線性映射過程，無需建立具體的數學模型和規則，可以處理那些難以用模型或規則描述的過程或系統。神經網絡具有自組織、自學習、自適應的特點，能通過連接權重的不斷調整，克服權重確定的困難，弱化人為因素，自動適應信息、學習新知識，最終通過學習訓練對實際學習樣本提出合理的求解規則，對學生的綜合素質的整體評定具有十分重要的意義。首先我們來了解BP神經網絡的基本原理。

2BP神經網絡的基本原理

1) 神經元網絡基本概念

神經網絡是單個并行處理元素的集合，從生物學神經系統得到啟發。在自然界，網絡功能主要由神經節決定，可以通過改變連接點的權重來訓練神經網絡完成特定的功能。如圖1所示。這里，網絡將根據輸出和目標的比較而進行調整，直到網絡輸出和目標匹配。

2) 神經元網絡結構

圖2所示為一個單標量輸入且無偏置的神經元。

神經元輸出計算公式為:a=f(wp+b)。神經元中的w和b都是可調整的標量參數。可以選擇特定的傳輸函數，通過調整權重 和偏置參量 訓練神經網絡做一定的工作，或者神經網絡自己調整參數以得到想要的結果。

3) BP結構及算法描述

在實際應用中，神經網絡用得最廣泛的是反向傳播網絡(BP網絡)，典型的BP網絡是三層網絡，包括輸入層、隱含層和輸出層，各層之間實行全連接。

BP網絡是采用Widrow-Hoff學習算法和非線性可微傳輸函數的多層網絡。網絡的學習過程由正向和反向傳播兩部分組成。在正向傳播過程中，每一層神經元的狀態只影響到下一層神經元網絡，如果輸出層不能得到期望輸出，就是實際輸出值與期望輸出值之間有誤差，那么轉入反向傳播過程，將誤差信號沿原來的連接通路返回，通過修改各層神經元的權值，逐次地向輸入層傳播去進行計算，再經過正向傳播過程，這兩個過程的反復運用，使得誤差信號最小。實際上，誤差達到人們所希望的要求時，網絡的學習過程就結束了。

4) 反向傳播算法

反向傳播學習算法最簡單的應用是沿著性能函數最速增加的方向一梯度的負方向更新權重和偏置。這種遞歸算法可以寫成:

xk+1=xk-ak*gk

這里xk是當前權重和偏置向量，gk是當前梯度，ak是學習速率。在神經元中，學習速度又稱為“學習速率”，它決定每一次循環訓練中所產生的權值變化量(即該值的存在是神經元網絡的一個必須的參數)。大的學習速度可能導致系統的不穩定，但小的學習速度將會導致訓練較長，收斂速度很慢，通常情況下取值在0-01～0，8之間。

3 基于BP神經網絡的學生綜合素質量化評估模型

從上述對神經元網絡基本概念的研究，我們可以看出BP神經網絡主要根據所提供的數據，通過學習和訓練，找出輸入與輸出之間的內在聯系，從而求取問題的解，而不是完全依據對問題的經驗知識和規則，因而具有自適應功能，這對于弱化權重確定中的人為因素是十分有益的;其次能夠處理那些有噪聲或不完全的數據，具有泛化功能和很強的容錯能力;由于實際對學生量化評估往往是非常復雜的，各個因素之間相互影響，呈現出復雜的非線性關系，人工神經網絡為處理這類非線性問題提供了強有力的工具。因此與其它評定方法相比，基于神經網絡的評價方法越來越顯示出它的優越性。結合學校對學生進行綜合素質評估考核的具體問題，我們提出以下設計。

3.1量化評估內容的確定

1) 確定學生的綜合素質結構

學生的綜合素質結構，主要是根據一定歷史階段的社會要求、學校對學生的傳統要求，以及各個不同年齡階段學生心理和生理發展的特征來確定的，它具有一定的社會性、科學性、可行性。以教育部提出的職業學校學生發展目標為依據，評定內容包括:道德品質與公民素養、學習能力、交流與合作能力、運動與健康、審美與表現、職業技能等6個層次。每個層次又包括各種因素，各層次和因素之間又是相互聯系和相互促進的，它既反映了社會的、學校的具體要求，又符合學生綜合素質發展和形成的規律。當然，在實際評價學生中，可以根據學校的實際特點進一步確定各要素，進一步構成學生綜合素質評價的綜合評價指標體系。

2) 學生綜合素質評價的結構設計

用BP神經網絡進行學生綜合素質評價結構的設計如圖3所示。對學生的綜合素質進行量化評估時，從輸入層輸入評價學生綜合素質的n個評價指標因素信息，經隱含層處理后傳入輸入層，其輸出值y即為學生評估結果。這n個評價指標因素的設置，要考慮到能符合學生綜合素質發展和形成的規律，能全面評價學生的綜合素質狀況。

網絡結構的參數選擇十分重要，由于輸入層與隱含層神經元個數的增加會增加網絡的表達能力，不僅會降低系統的性能，同時也會影響其收斂速度和增加噪聲干擾。所以首先必須確定輸入層神經元的數目。為使模型即有理論價值又有可操作性，本例對應于對學生綜合素質考核結構的六個因素，本文采用6個輸入神經元，分別為道德品質與公民素養、學習能力、交流與合作能力、運動與健康、審美與表現、職業技能等評價指標。由于目前隱單元數尚無一般的指導原則，為了兼顧網絡的學習能力和學習速度，隱含層神經元的個數選擇采用試算法，在網絡訓練過程中進行調整。筆者首先選定15，用訓練樣本來學習，然后減少隱含層單元數后再進行學習，通過觀察訓練誤差變化的大小來調整隱單元數。其原則是:若在減少隱單元數進行訓練時過程平衡(即逐步收斂并達到較小的誤差)且誤差無顯著增加，則說明減少隱單元數是合適的;否則表明隱單元數不宜減少，而應增加隱單元數直到滿意為止。選擇一個輸入神經元為學生綜合素質最終評價結果，分別以0、0，5、1對應于學生評議等級的優、良、中三種不同的評價結果。經過多次實驗，最后得到適宜的網絡模型為6-4-1網絡模式。

3.2 量化評估模型

1) 指標體系的規范化處理

根據神經網絡計算規則，為了保證輸出在線性部分，不到兩端去，應保證輸入輸出在0-1之間，反傳達時也一樣，輸出應在0~1之間。因此要將原始數據歸一預處理，變換為[0，1]區間的數值，得到規范化數據，作為輸入輸出節點的樣本數據。原始數據采用我校高一年一個班級的50名學生的學生綜合素質各項指標因素樣本數據，將實際數據分為兩組:前40名學生的各項指標因素成績樣本數據作為學習樣本，后10名學生的成績數據作為測試樣本。

2) 學習算法

本模型采用6-4-1BP神經網絡結構，其中輸入層為6個指標值和一個閾值。模型初始化時對所有的連接權賦予(0，1)上分布的隨機數，閾值取1。權值的修正依據帶慣性因子的delta規則。根據多次試驗的結果，其中，慣性因子α=0.075，學習率η=0.85，將樣本數據40組為一次循環，每次循環記錄40組樣本中最大的學習誤差。經過多次的學習，最后觀察網絡輸入與期望輸出的相對誤差，當誤差小于0.005時，學習結束。可以得到如果增大樣本的個數，精度還會進一步提高。

本文探討了神經網絡在學生綜合素質評價上的應用方法，可取得較為理想的結果，它可以解決用傳統統計方法不能或不易解決的問題。但是由于它是一種黑盒方法，無法表達和分析評估系統的輸入與輸出間的關系，因此也難于對所得結果作任何解釋，對求得的結果作統計檢驗;再者，采用神經網絡作評價系統時，由沒有一個便于選定最合適的神經網絡結構的標準方法，只能花大量時間采用湊試法，從許多次實驗中找出“最合適”的一種;還有樣本數據需要足夠的多，才能得到較為理想的結果。

參考文獻:

[1] 高長梅，趙承志，白昆榮.學校德育工作全書(上)[M].北京:人民日報出版社，2005.

[2] 聞新，周露，李翔，張寶偉.MATLAB神經網絡仿真與應用[M].北京:科學出版社，2008.

[3] J.P.Marques de sa，Pattern Recognition—Concepts，Methods and Applications[M].北京:清華大學出版社，2006.

[4] 詹萬生.整體構建德育體系總論[M].北京:教育科學出版社，2007.

[5] 飛思科技產品研發中心.MATLAN6.5輔助神經網絡分析與設計[M].北京:電子工業出版社，2003.