基于遺傳神經網絡成績預測的研究與實現

陳勇

摘 要： 針對BP神經網絡固有的局限性和在應用于成績預測時出現的問題，運用遺傳算法對BP神經網絡的權值和閾值進行優化，通過詳細設計遺傳算法的編碼方式、適應度函數，遺傳算子使二者結合后的遺傳神經網絡模型具有更快的學習訓練收斂速度，為了提高優化效果，設計了自適應的遺傳算法交叉算子和變異算子，并通過與基本BP神經網絡和自適應BP神經網絡的對比，顯示了優化的有效性和可行性。運用Matlab實現了遺傳神經網絡模型，并完成了模型的訓練，運用Java語言完成了模型的調用和成績預測系統的實現。分析結果表明，該遺傳神經網絡模型在成績預測方面具有較高的準確性，具有一定的實用價值。

關鍵詞： 成績預測； BP神經網絡； 遺傳算法； Matlab； Java

中圖分類號： TN711?34； TP183 文獻標識碼： A 文章編號： 1004?373X（2016）05?0096?05

0 引 言

近年來，神經網絡的研究被廣泛應用于如生物、醫學、經濟等諸多領域，基于神經網絡進行成績預測的研究也逐漸開始受到人們的關注[1]。有效的學生成績統計分析和預測在指導學校合理分配教學資源，全面提高教學質量方面都發揮著至關重要的作用。因此，將神經網絡技術應用于學生課程成績預測具有很強的現實意義與研究價值[2]。目前，在為數不多的課程成績預測實踐中，絕大部分的學者采取應用最為廣泛的BP神經網絡模型進行實現，這在取得一定成果的同時暴露了BP神經網絡算法收斂速度慢，效率低下等弊端和對課程成績預測領域的不適應性。本文通過與基本BP神經網絡和自適應BP神經網絡的對比，驗證模型的收斂速度，體現出算法改進的效果[3]。運用Matlab實現了設計好的遺傳神經網絡模型，并完成了模型的訓練，運用Java語言完成了模型的調用和成績預測系統的實現。研究結果能有效地指導學校合理分配教學資源，預防可能發生的重大教學事故，對于全面提高教學質量發揮著至關重要的作用。

1 遺傳算法結合BP神經網絡的設計

遺傳算法具有較強的全局搜索能力和很強的魯棒性，非常適合對BP神經網絡進行優化[4]。將二者結合起來，可大大減少網絡陷入局部極小的概率，同時進一步提高網絡的收斂速度，能較快的獲得所求問題的全局最優解。遺傳算法優化BP神經網絡的基本原理就是將BP神經網絡的權值交給遺傳算法來控制，即將BP神經網絡各隱層的節點權值和閾值作為遺傳算法的輸入，將它們進行編碼，生成初始種群，利用遺傳算法的選擇交叉和變異來產生新的后代，即新的神經網絡權值和閾值，再交還給BP神經網絡，由神經網絡進行后續的求解過程。

從算法的角度上講就是先通過遺傳算法在目標問題的解空間中進行搜索[5]，當搜索到一個較優的網絡形式時，再利用BP算法進行定位，確切地找到這個較優的解空間中的最優解或滿意解。遺傳算法結合BP算法的主要流程如圖1所示。

2 成績預測系統的實現

2.1 數據預處理及相關度分析

本文所進行的成績預測數據均來自學校網絡中心的真實學生成績數據，獲取的數據規格為：每一行為一組輸入，內容包括學號、學年、學期、課程名稱、課程代碼、課程性質、成績等項，預計輸入項在100 000以上。針對原始的學生課程成績數據，首先要做的是數據的預處理，主要內容為數據的清洗，刪除與成績預測無關的課程代碼等數據。主要步驟包括：去除空項，去除非正常考試項，去除非專業課成績，處理成績數據，處理課程名稱等。預處理后的學生課程成績數據格式如表1所示。

采取Apriori算法對課程進行相關度分析。在橫向比較所有學生成績歷史數據的過程中將隨目標課程成績的優秀而同樣取得高分、隨目標課程成績過低而同樣取得低分的課程稱為該課程的相關課程。即便有很多與目標課程成績相關的課程，也存在相關度的高低，如果將所有的相關課程都作為神經網絡的輸入項，不但使算法的參數變得復雜，收斂速度緩慢，而且也影響了預測的結果，成為了干擾項。因此，只選擇五門相關課程進行成績的預測。

經過Apriori算法對數據進行預處理后，大量原始數據被簡化為只有5門相關課程和目標課程成績的數據表，保存為一個文本文檔供神經網絡模型訓練使用，格式如表2所示。同時預留另一部分數據作為成績預測效果的驗證數據。

2.2 遺傳神經網絡模型的實現

根據遺傳算法與神經網絡相結合的遺傳神經網絡模型的總體設計，運用Matlab實現遺傳神經網絡模型的過程需要將BP神經網絡函數與遺傳算法的編碼解碼函數和適應度函數分別進行實現，主函數為gabpMain.m[6]，實現BP神經網絡的創建和神經網絡參數的設計。同時，gabpMain函數還需實現神經網絡與遺傳算法的對接工作，因此還要實現遺傳算法種群的初始化和基本參數的設定。

Matlab實現神經網絡模型后，開始用大量的數據對模型進行訓練。經過訓練的模型才能夠被應用于成績預測系統，通過調用該模型，輸入預測課程的5門相關課程成績數據，進行目標課程的成績預測。通過對模型的訓練，進行算法和參數的調整，同時比較各個算法的收斂曲線，驗證基于遺傳算法對BP神經網絡進行優化的效果。比較的對象選擇為一個沒有遺傳算法進行改進，基本BP神經網絡參數設置完全相同的神經網絡模型，采用同樣的數據源進行訓練，兩個模型分別進行仿真訓練各五次，分別選出其中目標進化函數收斂效果最好的結果圖進行比對，其中，采用基本BP神經網絡的模型收斂圖如圖2所示。而本文設計的采用遺傳算法進行優化的BP神經網絡模型收斂圖如圖3所示。

通過比較不難發現，單一BP算法和遺傳算法優化神經網絡的混合算法在收斂速度方面的差別十分巨大，兩者在訓練次數的上限均為500次，目標誤差平局方差均為10-3的情況下，基本BP神經網絡模型收斂速度緩慢，在進行了500次訓練后，誤差停留在了0.032 915，仍然沒有達到目標值，而遺傳神經網絡模型的收斂速度大大加快，僅在第56次訓練就達到了目標值。

為了進一步加強對比，再次建立基于自適應學習算法改進后的BP神經網絡模型，用同樣的樣本數據進行訓練，以驗證是否是特殊原因造成二者差距過大的現象，同時驗證遺傳算法相對其他算法優化BP神經網絡的優勢，訓練的結果如圖4所示。

網絡模型函數收斂效果圖

由圖中可以看出，在500次訓練后，函數的誤差均收斂于0.024 146，效果較之于基本的BP神經網絡模型大有提高，前期的收斂速度也有所加快，但是仍然沒有在500次訓練以內達到目標。在基于對兩種BP算法模型進行了對比之后，可以總結造成這種差距的原因是輸入的樣本數據數量相對較少，同時課程成績數據的特點是離散但是重復度很高，訓練的效果更加依賴隱層節點和權值的設計，而這正是遺傳算法對BP神經網絡優化的核心，因此體現出的效果比較顯著[7]。由此可見遺傳算法優化BP神經網絡確實在應用于成績預測等類似領域的時候具有一定的優越性。

3 預測結果分析

完成神經網絡模型的實現后，此處通過Java語言實現一個調用神經網絡模型[8]，允許使用者自行選擇目標課程，并直觀查看從數據預處理到成績預測結果的軟件系統。如圖5所示，該系統界面簡潔明了，進入軟件界面后，分別選擇年級、學院、科目等3項參數，并連續點擊“下一步”，即可直觀地看到用數據預處理開始到成績預測結果的全部中間數據。

成績預測的結果可以采取兩種查看方式，即列表方式與圖表方式。其中列表方式顯示了學生的學號和系統預測該目標課程取得的成績。能夠以紅顏色標記成績預測結果過低的學生，方便使用系統的用戶了解學生的成績和課程情況，如果成績過低的學生過多，則證明該課程存在發生教學事故的風險，需要采取嚴格管理等措施來防范。通過這種方式，成績預測系統達到了通過成績預測協助進行學生管理和教學事故預防的目的，成績預測的列表方式顯示如圖6所示。

為了驗證成績預測系統的預測準確度，需要以一些已經有成績的歷史數據進行預測。圖表方式以紅色的“*”標記目標課程的預測成績；以圓圈標記目標課程的實際成績；“*”和圓圈的距離形象地顯示了預測成績與實際成績之間的差距。成績預測的圖表方式顯示如圖7所示。

為了通過分析成績預測結果得知遺傳神經網絡應用于成績預測的實際效果，使用系統預測2009級軟件學院學生“軟件工程實踐”這門課程的成績，并以其中的16條數據進行誤差比對，測試的結果如表3所示。

由于預測的分數全部進行取整，所以精度有所影響，因此規定實際輸出與預計輸出相差小于或者等于3分的情況下，輸出的結果為正確，反之為錯誤。統計得知，使用遺傳神經網絡的成績預測系統對學生的學習成績進行預測，正確率為87.5%，證明遺傳神經網絡算法在應用于成績預測時確實取得了比較好的效果。

4 結 論

本文在對神經網絡和遺傳算法的基本理論和優劣勢的研究基礎上，設計了遺傳算法與BP神經網絡相結合的遺傳神經網絡模型，通過詳細設計遺傳算法的編碼方式、適應度函數、遺傳算子使二者結合后的遺傳神經網絡模型具有更快的學習訓練收斂速度，并通過與基本BP神經網絡和自適應BP神經網絡的對比，顯示了優化的有效性和可行性。進一步充分運用Matlab實現了設計好的遺傳神經網絡模型，并完成了模型的訓練，運用Java語言完成了模型的調用和成績預測系統的實現，以直觀的方式顯示了預測結果，經過分析，預測結果具有較高的準確率和效率。但是，將RBF神經網絡應用于成績預測領域，是不是會取得比BP神經網絡更好的效果，需要通過實驗進行進一步的驗證。

參考文獻

[1] 周凌翱.改進BP神經網絡在模式識別中的應用及研究[D].南京：南京理工大學，2010.

[2] SOCHA K， BLUM C. An ant colony optimization algorithm for continuous optimization： application to feed?forward neural network training [J]. Neural computing and applications， 2007， 16（3）： 239?247.

[3] 黃慶斌.BP算法的改進及其應用研究[D].西安：西安交通大學，2010.

[4] 尹然，丁曉明，李小亮，等.基于SA?BP神經網絡的軟件缺陷預測模型的研究[J].西南師范大學學報（自然科學版），2013，38（8）：147?152.

[5] 康珺，孟文俊.一種基于改進神經網絡的系統辨識方法[J].計算機與數字工程，2012，40（1）：31?33.

[6] 鄒麗娜，丁茜.基于BP算法的成績預測模型[J].沈陽師范大學學報（自然科學版），2011，29（2）：226?229.

[7] 陳文，龐琳娜.GABP神經網絡在交通流預測中的應用研究[J].微計算機信息，2009，25（14）：245?247.

[8] 易安.基于神經網絡的模糊推理模型和算法研究[D].重慶：西南大學，2010.