基于機(jī)器學(xué)習(xí)的高職院校智能科研績效研究

馮佳音，宋金玲,李密生，安麗紅

（河北科技師范學(xué)院數(shù)學(xué)與信息科技學(xué)院，河北秦皇島 066004）

1 相關(guān)理論

1.1 支持向量機(jī)及粒子群優(yōu)化算法

支持向量機(jī)（SVM）是在VC維和結(jié)構(gòu)風(fēng)險最小理論的基礎(chǔ)上，在模型訓(xùn)練復(fù)雜性和學(xué)習(xí)能力之中保持小范圍數(shù)據(jù)樣本的平衡[9]。SVM可分為線性可分、線性不可分和多分類[10]。 其擬合函數(shù)如下：①（g）n=fn（m）=｛ωn，φn（m）｝+an公式中，ωn顯示了 fn（m）的復(fù)雜情況，an為常數(shù)。 當(dāng)滿足（f）k-｛ωn，φn（m）｝-an=（ξn）k（k=1，2，3...，d）②時，最小化代價泛函為 Pn=0.5｛ωn和 ωn｝+③,其中 W為懲罰因子，ξn為松弛變量。建立尋優(yōu)函數(shù)：

粒子群優(yōu)化算法（PSO）中，每一個個體即為一個粒子，而每個粒子就是一個潛在的解[11]。初始粒子通過位置（Q），速度（V）和適應(yīng)值（F）來表示。 適應(yīng)值的好壞就是代表著粒子的優(yōu)劣。在所有粒子中有一個最優(yōu)粒子位置，稱為群體極值Fbest，同時在個體的適應(yīng)度最好位置有一個個體極值為Gbest。假設(shè)X維的解空間由h個粒子組成的種群Y=（Y1,Y2,…Yh），第n個粒子表示一個向量 Yn=（Yn1，Yn2，...YnX）T，同時也表示在 X維空間搜索的位置，得出適應(yīng)度值后求得第n個粒子速度：Vn=（Vn1，Vn2...Vnx）T, 個體極值為 Gn=（Gn1，Gn2，...GnX）T，種群的極值為 Fσ=（Gσ1，Gσ2，...GσX）T。 通過對粒子進(jìn)行迭代，粒子通過個體極值和群體極值的速度及位置進(jìn)行自我調(diào)整更新，結(jié)果如下：Vi+1nx=τVinx+l1r1（Dinx-Xind）+l2r2（Diax-Xiax），Vi+1nd=Yinx+Vi+1nd，其中 i為迭代次數(shù)，τ 為慣性權(quán)重，x=1,2,…X;n=1,2,…h(huán);Vnx是粒子速度，l1、l2為加速因子，r1、r2是[0,1]內(nèi)的隨機(jī)數(shù)。

1.2 BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)算法是基于輸出層的誤差來預(yù)估直接前導(dǎo)層的誤差情況，在此基礎(chǔ)上預(yù)估上層誤差，直到獲得所有層的誤差估計[12]。具體算法如下：將權(quán)值矩陣和閾值向量賦值隨機(jī)數(shù)，誤差設(shè)為0，精度值為E，最大學(xué)習(xí)次數(shù)為U；輸入樣本數(shù)據(jù)計算各層輸出結(jié)果；求出網(wǎng)絡(luò)實際輸出和神經(jīng)元偏導(dǎo)數(shù)，在此基礎(chǔ)上計算出隱含層神經(jīng)元偏導(dǎo)；計算網(wǎng)絡(luò)總誤差及各層誤差信號，調(diào)整各層權(quán)值；檢查所有樣本是否都經(jīng)過檢驗，檢查網(wǎng)絡(luò)總誤差是否達(dá)到要求。

2 仿真實驗

2.1 收集數(shù)據(jù)

2.1.1 科研評價體系的指標(biāo)選取

如表1所示，該體系由5個Ⅰ級指標(biāo)和28個Ⅱ級指標(biāo)組成。由于無統(tǒng)一的考核標(biāo)準(zhǔn)，因此該文以工科類高職學(xué)校為例，建立教師科研績效評價體系。

2.1.2 數(shù)據(jù)的獲取

數(shù)據(jù)采集于具有代表性的教師的科研數(shù)據(jù)，按照高職院校制定的科研工作績效計分為標(biāo)準(zhǔn)，對教師的科研活動進(jìn)行積分計算。教師的科研能力為,用1～4分來表示能力的強(qiáng)弱，1分為科研能力很弱，2分為一般，3分較好，4分表示能力很強(qiáng)，如表1所示，P1～P11、P12～P18、P19～P23、P24～P28分別為能力較強(qiáng)的教師的數(shù)據(jù)，能力一般教師的數(shù)據(jù)，能力較弱教師的數(shù)據(jù)和能力較差教師的數(shù)據(jù)。

2.1.3 實驗數(shù)據(jù)的預(yù)處理

所謂校風(fēng)，就是這個校園內(nèi)全體師生的精神面貌體現(xiàn)，是最直接地反映了這個學(xué)校師生的道德修養(yǎng)。校園文化建設(shè)的重點，還是在于校風(fēng)的建設(shè)，校風(fēng)好了，校園文化建設(shè)自然也就事半功倍。所以我們需要在校園文化建設(shè)的時候，鼓勵學(xué)生積極參與校風(fēng)的建立和設(shè)定，讓學(xué)生對自身進(jìn)行自我管理，提高他們的自我教育能力。同時，對于教師，也提出要求，讓教師能夠嚴(yán)于律己，樹立榜樣，嚴(yán)格要求自身的品德。教師作為學(xué)生最經(jīng)常接觸到的人，往往是學(xué)生的模仿以及學(xué)習(xí)對象，所以教師自身的道德品質(zhì)一定要過硬，要能夠讓教師能夠通過自身的一言一行去影響學(xué)生，做學(xué)生的道德楷模。

對教師科研評價指標(biāo)體系部分原始數(shù)據(jù)中的數(shù)據(jù)進(jìn)行預(yù)處理，公式為：

any=，n=1，2，3...，t，γ =1，2，3，...，ρ，1≤k≤t

表1 教師科研能力指標(biāo)體系

式中，Maxaky為ay變數(shù)屬性所在列的最小值，Maxaky-Minaky為變量ay能力情況的極差值。由于存在數(shù)據(jù)均為0的現(xiàn)象，因此需去除該指標(biāo)來確保實驗的準(zhǔn)確度。選取L1～L11為實驗樣本數(shù)據(jù)，得到的樣本數(shù)據(jù)如表2所示。

2.2 基于SVM算法的評價模型的建立

為了實現(xiàn)SVM算法對樣本分類錯誤的容忍程度與復(fù)雜度的平衡，本文用懲罰因子W來定義懲罰樣本錯誤分類的程度。模型包括訓(xùn)練函數(shù)和預(yù)測函數(shù)。訓(xùn)練后的科研評價模型為：SVMtrain(labels,research,‘-w 8–g 0.02-t 2),模型中l(wèi)abels為教師科研能力，分別為1～4分，research為樣本數(shù)據(jù)，-w、-g、-t分別為懲罰因子、核函數(shù)參數(shù)及核函數(shù)。懲罰因子和核函數(shù)參數(shù)的范圍均為[2-10,210]。

預(yù)測函數(shù)的分類模型為：（New label,accuracy）=SVMpredict(labels,research,model).其中 New label為新的能力評分，Accuracy為分類準(zhǔn)確率；Labels為預(yù)測科研能力評分；Research預(yù)測樣本數(shù)據(jù)；Nodel為訓(xùn)練后科研評價模型。

2.3 基于BP算法的評價模型的建立

訓(xùn)練過程中，通過不斷調(diào)節(jié)神經(jīng)元對應(yīng)權(quán)值減少學(xué)習(xí)預(yù)測輸出結(jié)果與實際結(jié)果的差距。由實驗樣本可得樣本數(shù)為11，輸入層節(jié)點為11，輸出層為4個，進(jìn)行以下設(shè)置：學(xué)習(xí)速率為0.01，最大訓(xùn)練次數(shù)為200，訓(xùn)練精度為E-3。模型為：net=new ff(research,labels,2);net=train(net,research,labels);sim=sim(net,labels)。其中，research為樣本數(shù)據(jù)；labels為網(wǎng)絡(luò)預(yù)測科研能力。

表2 預(yù)處理后的實驗樣本數(shù)據(jù)

3 仿真結(jié)果

圖1為兩種模型所得到的預(yù)測值與實際值的比較圖。從圖中可以看出，通過兩種算法預(yù)測值和11個樣本的能力評估實際值相比，樣本中BP預(yù)測值 有大部分和實際值保持著 基本的類似，但是還有小部分存在較大的誤差值，其最大能力評估誤差值達(dá)到了近乎1.5。BP預(yù)測值與實際值基本一致，但是還是存在較大的誤差值；而SVM預(yù)測值與實際值相比，其準(zhǔn)確度非常高，誤差較小，除了樣本7與實際值有誤差，其余的誤差可忽略不計。由此說明SVM算法較BP算法更能準(zhǔn)確地對教師的科研績效進(jìn)行評價。

4 基于SVM算法的評價體系的完善

將SVM算法與粒子群優(yōu)化結(jié)合起來，對SVM模型進(jìn)行優(yōu)化完善。通過驗證法求得w為8，g為0.25，進(jìn)行迭代求解是，在最優(yōu)準(zhǔn)確度條件下w為11.5，g為1.5。所得預(yù)測值如圖2所示。

圖1 預(yù)測結(jié)果與實際結(jié)果比較圖

圖2 粒子群優(yōu)化結(jié)合SVM算法的比較圖

與SVM預(yù)測值相比，采用粒子群優(yōu)化相結(jié)合使SVM算法的準(zhǔn)確度達(dá)到100%，說明粒子群優(yōu)化SVM的懲罰因子及核函數(shù)參數(shù)，確保了其預(yù)測的精確度，防止了個別樣本所帶來的誤差值，能有效提高預(yù)測結(jié)果。

5 計算機(jī)上的評價體系的實現(xiàn)

將SVM優(yōu)化算法運用到計算機(jī)中系統(tǒng)中，檢測結(jié)果與實際結(jié)果相同。在高職院校科研績效評價指標(biāo)體系運用中，體現(xiàn)了100%的準(zhǔn)確性（見圖4）。

圖3 預(yù)處理數(shù)據(jù)

圖4 完善后SVM算法的評價檢測

6 結(jié)語

該文通過對BP網(wǎng)絡(luò)計算法和SVM算法進(jìn)行比較研究，分別建立評價模型并進(jìn)行仿真，結(jié)果顯示SVM算法在小樣本多指標(biāo)的數(shù)據(jù)中比BP算法能更準(zhǔn)確的進(jìn)行評價。目前BP算法在相關(guān)領(lǐng)域的發(fā)展態(tài)勢比較好，但同時存在一些缺陷，而SVM算法則巧妙的避開了這些缺陷并實現(xiàn)了全局的優(yōu)化，因此在本次實驗中的評價更科學(xué)準(zhǔn)確。在此基礎(chǔ)上，我們更進(jìn)一步對SVM算法進(jìn)行優(yōu)化完善，結(jié)合粒子群優(yōu)化理論，使實驗結(jié)果的準(zhǔn)確率達(dá)到100%。該文最后選取了一個高職學(xué)校，利用SVM優(yōu)化算法對對其進(jìn)行科研績效評價，進(jìn)一步證明了其實驗結(jié)果的精確性。綜上所述，SVM算法在高職院校科研績效的評價方面值得被推廣使用。