BP神經網絡在高職學生體質綜合評價中的應用

李革 覃紀武

【摘 要】分析影響學生體質的指標，闡述BP神經網絡的基本概念，探討B(tài)P神經網絡在高職學生體質綜合評價中的應用。

【關鍵詞】BP神經網絡 高職 學生 體質 綜合評價 應用

【中圖分類號】 G 【文獻標識碼】A

【文章編號】0450-9889（2014）02C-0156-03

體質，是指在遺傳性和獲得性的基礎上表現出來的人體形態(tài)結構、生理功能和心理因素的綜合的、相對穩(wěn)定的特征。對學生體質進行綜合評價，是一項復雜的工作。建立健全學生的體質評價體系，科學地評價學生的體質狀況，引導學生進行有針對性的體育鍛煉，對提高學生的身體素質將起到十分重要的作用。當前，數據挖掘技術在各領域的應用研究已取得很大的進展，而在學生身體素質方面的應用卻很少。基于此，本文探討B(tài)P神經網絡在高職學生體質綜合評價中的應用。

一、影響學生體質的指標分析

體質綜合評價是體育界研究健康問題的一個領域，它由人體的骨骼形態(tài)、身體機能、身體的綜合素質和人體所具備的運動能力等一系列綜合因素組成。這些綜合因素又可以通過若干個相互聯系、相互制約的數據指標體系來反映。學生的體質，除先天因素外，后天合理、系統(tǒng)、科學的運動訓練是必不可少的。對學生體質進行監(jiān)測，指標的選取是一個很重要的因素。本文根據現試行的《大學生體質健康標準》，采用身體形態(tài)、身體機能和運動能力3個方面對學生的體質健康進行綜合評價。其中，身體形態(tài)用克托萊指數（體重/身高×1000）表示，該指標能有效地反映人體形態(tài)發(fā)育水平和勻稱程度。身體機能采用肺活量—體重指數和臺階試驗指數。肺活量—體重指數指標反映每千克體重肺活量的大小，即每1kg體重的肺活量的相對值來反映肺活量與體重的相關程度，從而能比較客觀地對不同年齡、性別的個體與群體進行定量比較分析。臺階試驗指標則通過有節(jié)律的登臺階運動持續(xù)時間（s）與恢復期測定的脈搏次數相應的比值來評價人體心血管功能，該指標反映學生的心血管系統(tǒng)功能，并間接推斷機體的耐力。本文采用的是中國改良臺階試驗，這兩個指標都是越趨于極值表示其身體機能越好。運動能力用立定跳遠、50米跑和引體向上表示。立定跳遠能體現人體在運動中的靈敏度，50米短跑表現人體在運動中的速度，引體向上能體現人體的靜力性力量。各要素之間密切相關，互相制約，又互相影響，是不可分割的整體。通過以上分析，可得本文所用學生體質健康評價指標體系，詳見表1。

表1 高職學生體質健康評價指標體系

項目 評價指標

身體形態(tài) 克托萊指數

身體機能 肺活量—體重指數

臺階試驗

運動能力 立定跳遠

50米跑

引體向上

二、BP神經網絡的基本概念

BP神經網絡是一種對可微分非線性函數進行權值訓練的多層前饋網絡，其基本結構如圖1所示。

輸入層 隱藏層 輸出層

圖1 BP神經網絡的基本結構

從圖1可以看到，BP神經網絡的基本結構是一個前向的多層網絡，該網絡由輸入層、輸出層以及一層或多層的隱藏層組成。BP網絡的輸出yk可以用公式描述為：

（1）

其中，Xj為輸入信號，Wkj為網絡的權值，θk為網絡的閾值，為 網絡的激活函數，k，j∈[1，n]。

在BP網絡中，同層的各神經元之間互不連接，相鄰層的神經元則通過權值連接。BP網絡的學習過程由兩部分組成：一是信息的正向傳播；二是信息的誤差反向傳播。在信息的正向傳播過程中，輸入的信息Xj經隱含層單元逐層處理，最終由輸出層輸出。在這個信息的傳播過程中，每一層神經元只對緊連接它的下一層神經元的狀態(tài)產生影響。如果網絡的輸出yk與實際期望的輸出產生的誤差△E達不到預先設定的要求，此時，BP網絡轉入信息反向傳播階段。算法將誤差信號沿原來的連接通路反傳回來，并修正各層連接權值和閾值，直到網絡的輸出達到預期目標。

三、BP神經網絡在高職學生體質綜合評價中的具體應用

（一）數據的采集。這里以某高校為例，由于男生、女生個體之間的差異，為了簡化問題，本文選取2006～2008年大一的男生共8500人按表1所列指標進行各項測試。在測試過程中，遵循先靜止后運動的測試原則，在測試時各項目之間留有一定的間隔，從而使學生的體力與機能得到完全恢復，以保證學生能以最佳狀態(tài)參加測試。測試完成后，組織10個一線的、長期從事學生體質評測的體育教師對測試所得數據進行評測，所用評語為優(yōu)、良、中、差4個等級。為了便于BP神經網絡的處理，將4個評價等級轉換為相應的二進制數值，如表2所示。收集到的原始測試數據如表3所示。

表2 評語等級對應的分值標準

評語等級 對應的分值

優(yōu) 1000

良 0100

中 0010

差 0001

表3 高職學生體質測試原始數據（部分）

序號 克托萊指數（kg/cm×1000） 肺活量—體重指數（ml/kg） 臺階試驗 立定跳遠 50米跑（秒） 引體向上 綜合評價

1 352 90 78 2.45 7”3 16 良

2 318 73 65 2.39 7”7 13 差

3 372 81 83 2.61 7”1 13 優(yōu)

4 349 61 81 2.52 7”2 8 中

5 356 87 89 2.63 6”7 11 優(yōu)

6 323 73 73 2.39 7”6 12 中

7 367 79 85 2.61 7”2 11 良

8 373 75 82 2.46 6”9 15 優(yōu)

9 326 83 69 2.39 7”7 11 中

（二）網絡的訓練過程。BP神經網絡處理的是[0，1]范圍內的數值，但是從表3學生體質測試的原始數據中可以看出，各評測指標所得數據差別較大，且屬性的取值多是大于1。因此，必須將這些數據轉化為[0，1]之間的數據。所用歸一化公式為：

（2）

其中，X是所收集的一組數據，MIX（X）和MIN（X）分別是這組數據的最大值和最小值，是映射后的數據。經過歸一化后的數據如表4所示。

表4 高職學生體質測試歸一化數據（部分）

序號 克托萊指數（kg/cm×1000） 肺活量—體重指數（ml/kg） 臺階試驗 立定跳遠 50米跑（秒） 引體向上 綜合評價

1 0.6182 1 0.5417 0.25 0.6 1 良

2 0 0.4138 0 0 1 0.625 差

3 0.9818 0.6897 0.75 0.9167 0.4 0.625 優(yōu)

4 0.5636 0 0.6667 0.5417 0.5 0 中

5 0.6909 0.8966 1 1 0 0.375 優(yōu)

6 0.0909 0.4138 0.3333 0 0.9 0.5 中

7 0.8909 0.6207 0.8333 0.9167 0.5 0.375 良

8 1 0.4826 0.7083 0.2917 0.2 0.875 優(yōu)

9 0.1455 0.7586 0.1667 0 1 0.375 中

取2006、2007年的學生數據共6500筆作為訓練網絡用，余下的數據作為測試數據。

關于隱含層節(jié)點數的選擇是一個十分復雜的問題，隱層神經元數目的選擇對BP神經網絡的性能影響較大。如果網絡隱層神經元數量過少，則網絡所能獲取的用以解決問題的信息太少；如果隱層神經元數量過多，增加了網絡的訓練時間，甚至還會出現網絡過度匹配現象。實踐證明，隱層神經元個數n2和輸入層個數n1之間有以下近似關系：

n2+2n1+1 （3）

因此，本文采用三層BP網絡來進行建模。

從表4的數據可知，本例的BP網絡有6個輸入層，1個輸出層。根據公式（3）可求出BP網絡的隱層神經元個數為13。雖然有公式（3）作為指導，但BP網絡隱層的神經元個數并非一成不變。在BP網絡的訓練過程中，需要對同一樣本集采用不同隱層節(jié)點數的網絡進行訓練，直到網絡輸出穩(wěn)定為止。最后，根據BP網絡的測試結果，把網絡輸出誤差最小的隱層節(jié)點數確定為該BP網絡的最佳隱節(jié)點數。經過對同一樣本集的多次測試，本例的BP網絡最終確定的隱層節(jié)點數為11。實驗采用的軟件環(huán)境為matlab7，采用S型正切函數tan sig作為本實驗的網絡中間層傳遞函數。由于實驗中數據的輸出模式為0～1，因此采用S型的對數函數log sig作為輸出層的傳遞函數。其余訓練參數的設定如表5所示。

表5 訓練參數

訓練次數 訓練目標 學習速率

1000 0.01 0.1

經過242次訓練后，網絡的性能就達到了要求，如圖2所示。

圖2 訓練結果

接下來需要對訓練好的網絡進行測試。隨機抽取3筆2009級大一學生的測試數據進行測試，結果如表6所示。

表6 抽樣數據測試結果

序號 BP神經網絡測試結果 實際情況

1 0.0327 0.9796 0.0125 0.0001 良

2 0.0000 0.0001 0.9611 0.0321 中

3 0.9840 0.0000 0.0150 0.0001 優(yōu)

（三）結果分析。從表6的結果來看，抽樣數據的測試結果和實際值相互吻合。把該網絡模型用于2009級大一男生的體質健康綜合評測中，有效率為96.3%，完全能滿足應用要求。

綜上所述，目前《學生體質健康標準》實施工作的重點在數量，難點在質量。本文采用BP神經網絡對高職學生的體質進行綜合評價是一次新的嘗試，有利于更科學地對（下轉第163頁）（上接第157頁）學生的體質進行綜合評價，從而更好地把握學生的健康狀況，為學生今后的學習和工作打下良好的基礎。該模型的應用對于縱向研究大學生的體質發(fā)展態(tài)勢和體質等級的方法更具有現實意義。

【參考文獻】

[1]陳明達，于道中.實用體質學[M].北京：北京醫(yī)科大學、中國協和醫(yī)科大學聯合出版社，1993

[2]王童，徐明欣，李瑞年.大學生體質等級綜合評定判別分類的方法[J].天津體育學院學報，2005（2）

[3]孫文爽.體質的綜合評價方法[J].楚雄師專學報，2001（3）

[4]S Horikawa.On fuzzy modelling using fuzzy nerual networks with BP algorithm.IEEE Trans[J].nerual Networks， 1992（2）

[5]包健，趙建勇，周華英.基于BP網絡曲線擬合方法的研究[J].計算機工程與設計，2005（7）

[6]韋萌.BP神經網絡在高校教學實驗室綜合評價中的應用[J].柳州職業(yè)技術學院學報，2010（1）

[7]王秀春，智會強，毛一之，等.多宗量導熱反問題求解的神經網絡法[J].航空動力學報，2004（4）

[8]張志立，程磊，何敏.基于人工神經網絡的煤與瓦斯突出檢測[J].礦業(yè)安全與環(huán)保，2005（6）

[9]French M.N. etal.Rainfall forecasting in space and time using a neural networks[J].J.of hydrol，1992（7）

【基金項目】2012年度廣西高等教育教學改革工程項目（2012JGA322）

【作者簡介】李 革（1966- ），男，廣西柳州人，柳州職業(yè)技術學院副教授，研究方向：高校體育教學與運動訓練；覃紀武 （1965- ），男，柳州職業(yè)技術學院副教授，研究方向：網絡安全、數據挖掘。

（責編 蘇 洋）