BP神經(jīng)網(wǎng)絡(luò)在大學(xué)生社團(tuán)評(píng)價(jià)中的應(yīng)用

楊昌昌 武瑛 王唯 王薪涵 王潔

摘要：在分析了高校社團(tuán)評(píng)價(jià)的特點(diǎn)上，結(jié)合BP神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，探討了基于BP神經(jīng)網(wǎng)絡(luò)來(lái)評(píng)價(jià)社團(tuán)質(zhì)量的方法。利用神經(jīng)網(wǎng)絡(luò)建立起高校評(píng)價(jià)社團(tuán)的系統(tǒng)模型，將評(píng)價(jià)各項(xiàng)指標(biāo)作為輸入，最終評(píng)價(jià)結(jié)果作為輸出，運(yùn)用Tensorflow深度學(xué)習(xí)框架運(yùn)行得到符合條件的模型。為高校開(kāi)展學(xué)生社團(tuán)工作提供一些借鑒和幫助。

關(guān)鍵詞：高校社團(tuán)評(píng)價(jià);BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP399 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）08-0206-02

近年來(lái)我國(guó)高等教育發(fā)展迅速，高校中的社團(tuán)數(shù)量也隨之增多。面對(duì)新時(shí)期的挑戰(zhàn)，如何進(jìn)一步整合資源，加強(qiáng)和改進(jìn)高校學(xué)生社團(tuán)管理，提高社團(tuán)質(zhì)量，進(jìn)一步豐富學(xué)生社團(tuán)生活的形式，更加科學(xué)有效地管理和引導(dǎo)學(xué)生社團(tuán)的良性發(fā)展，不僅是適應(yīng)高等教育改革發(fā)展和大力推進(jìn)素質(zhì)教育的迫切需要，也是新時(shí)期高校人才培養(yǎng)和校園文化建設(shè)所面臨的重要課題[1]。社團(tuán)評(píng)價(jià)的目的是為了更好地發(fā)揮學(xué)生在社團(tuán)活動(dòng)中的積極作用，提高學(xué)生參與社團(tuán)活動(dòng)的積極性，促進(jìn)社團(tuán)管理的規(guī)范化，使社團(tuán)真正為學(xué)生的興趣課堂服務(wù)。目前，大多數(shù)高校評(píng)價(jià)社團(tuán)是否優(yōu)秀主要還是通過(guò)人為的進(jìn)行加權(quán)打分，這些方法為評(píng)估社團(tuán)質(zhì)量提供了參考，但也存在一些不足，如主觀性較強(qiáng)，導(dǎo)致最終結(jié)果誤差偏大，科學(xué)性不高等。而神經(jīng)網(wǎng)絡(luò)這一工具具有很強(qiáng)的自學(xué)能力以及魯棒性和容錯(cuò)性。為使評(píng)價(jià)結(jié)果更接近實(shí)際情況，本文提出應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對(duì)大學(xué)生社團(tuán)進(jìn)行評(píng)價(jià)的方法，可以避免傳統(tǒng)評(píng)價(jià)方法的主觀性。對(duì)社團(tuán)活動(dòng)評(píng)價(jià)的處理具有很好的效果。

1 BP神經(jīng)網(wǎng)絡(luò)原理

人工神經(jīng)網(wǎng)絡(luò)理論（Artificial Neural Network，即ANN）理論是20世紀(jì)80年代中后期世界范圍內(nèi)迅速發(fā)展起的一個(gè)機(jī)器學(xué)習(xí)。它可以模仿人腦進(jìn)行學(xué)習(xí)、訓(xùn)練，一直找到一個(gè)適合其訓(xùn)練內(nèi)容的一個(gè)結(jié)果。

BP（Back-propagation）神經(jīng)網(wǎng)絡(luò)是最傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，也是目前研究最多最廣的ANN模型。可以實(shí)現(xiàn)任何復(fù)雜的、多因素、不確定和非線性的映射關(guān)系，是目前應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)模型一[2]。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入一輸出模式映射關(guān)系，而無(wú)須事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱層（hidden lay-er）和輸出層（output layer）;在訓(xùn)練過(guò)程中由正向傳播和反向傳播組成。它是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，其主要特點(diǎn)是：信號(hào)是前向傳播的，而誤差是反向傳播的，每一神經(jīng)元只會(huì)影響下一層神經(jīng)元[3]。神經(jīng)網(wǎng)絡(luò)利用現(xiàn)有的數(shù)據(jù)找出輸入與輸出之間的權(quán)值關(guān)系（近似），然后利用這樣的權(quán)值關(guān)系進(jìn)行仿真。該算法實(shí)際上是求誤差函數(shù)的極小值，并采用最快的梯度下降法使得權(quán)值沿著誤差函數(shù)負(fù)方向改變，最終收斂于最小點(diǎn)。BP網(wǎng)絡(luò)三層節(jié)點(diǎn)分別表示為：輸入節(jié)點(diǎn)XJ，隱含層節(jié)點(diǎn)yi，輸出節(jié)點(diǎn)ol。典型的BP神經(jīng)網(wǎng)絡(luò)模型如圖l所示[4]。

2 基于BP神經(jīng)網(wǎng)絡(luò)的社團(tuán)活動(dòng)評(píng)估模型

我校對(duì)于社團(tuán)有年檢考核細(xì)則，主要從社團(tuán)管理，社團(tuán)活動(dòng)，社團(tuán)財(cái)務(wù)和社團(tuán)會(huì)員幾大塊，細(xì)分到幾十項(xiàng)來(lái)打分。在傳統(tǒng)方法中，通常只是將各項(xiàng)分?jǐn)?shù)相加得到總分，根據(jù)總分來(lái)評(píng)判活動(dòng)開(kāi)展的優(yōu)良，或人為地給出各指標(biāo)的權(quán)值來(lái)加權(quán)求和，其評(píng)價(jià)結(jié)果帶有非常大的主觀性。

本文將選用三層網(wǎng)絡(luò)結(jié)構(gòu)來(lái)構(gòu)建評(píng)價(jià)模型，即只設(shè)置一個(gè)隱含層。采用3層前向BP網(wǎng)絡(luò)結(jié)構(gòu)，即輸入層、隱含層、輸出層。通過(guò)輸入樣本數(shù)據(jù)，采用梯度下降法對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使網(wǎng)絡(luò)的誤差平方和最小，直到誤差符合指定要求后，所得到的網(wǎng)絡(luò)模型便是所需要的社團(tuán)評(píng)價(jià)模型。通過(guò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)自動(dòng)得到各項(xiàng)的權(quán)值，能更科學(xué)的得出社團(tuán)活動(dòng)評(píng)價(jià)結(jié)果[5]。

2.1 樣本的獲取與輸入

首先，根據(jù)我校社團(tuán)考核細(xì)則，設(shè)計(jì)了一份調(diào)查問(wèn)卷。該問(wèn)卷共有16個(gè)選項(xiàng)，每個(gè)選項(xiàng)滿分為100分，請(qǐng)同學(xué)們根據(jù)社團(tuán)活動(dòng)的開(kāi)展情況做出打分，最后一項(xiàng)是總評(píng)分。我們通過(guò)問(wèn)卷星形式發(fā)放電子調(diào)查問(wèn)卷，分發(fā)給不同專業(yè)不同社團(tuán)的同學(xué)，以期盡量使樣本數(shù)據(jù)更有客觀性和代表性。共收集了50份問(wèn)卷，將這些數(shù)據(jù)進(jìn)行清洗，去除掉了一些無(wú)用數(shù)據(jù)（如全是滿分的），將它存放到txt文檔中。選取了其中12條數(shù)據(jù)，如表1所示。

2.2 模型的建立

Tensorflow是谷歌開(kāi)發(fā)的深度學(xué)習(xí)系統(tǒng)，它可以做分類，也可以做擬合問(wèn)題，是目前非常流行的深度學(xué)習(xí)框架之一。本實(shí)驗(yàn)在tensorflow 2.0環(huán)境下搭建神經(jīng)網(wǎng)絡(luò)模型，設(shè)定訓(xùn)練次數(shù)為1000次，誤差為0.01，算法流程如圖2所示。

實(shí)驗(yàn)取樣本中前10條數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，其中每條數(shù)據(jù)前16項(xiàng)作為輸入數(shù)據(jù)，用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后作為實(shí)際輸出，第17項(xiàng)作為期望輸出，將實(shí)際輸出與期望輸出進(jìn)行相減得到誤差，我們?cè)O(shè)計(jì)訓(xùn)練1000次，以期誤差達(dá)到期望的最小值。訓(xùn)練成功后得到比較準(zhǔn)確的權(quán)值和閾值。我們用兩組檢驗(yàn)樣本對(duì)訓(xùn)練好的BP模型進(jìn)行了檢驗(yàn)，結(jié)果如表2所示。由表2可見(jiàn)，這2個(gè)樣本神經(jīng)網(wǎng)絡(luò)雖然沒(méi)有學(xué)習(xí)過(guò)，網(wǎng)絡(luò)訓(xùn)練后輸出的結(jié)果與專家評(píng)價(jià)結(jié)果誤差較小，表明網(wǎng)絡(luò)對(duì)原始數(shù)據(jù)進(jìn)行了很好的學(xué)習(xí)，已具有較強(qiáng)的推理能力，從某種程度上可以按照專家的方式進(jìn)行評(píng)價(jià)。

這樣就得到了我們想要的模型。以后進(jìn)行社團(tuán)評(píng)價(jià)時(shí)，只要輸入各項(xiàng)活動(dòng)評(píng)價(jià)指標(biāo)得分，就能得出比較公正的社團(tuán)活動(dòng)評(píng)價(jià)結(jié)果。

3 評(píng)價(jià)結(jié)果

BP神經(jīng)網(wǎng)絡(luò)具有非常優(yōu)秀的非線性逼近能力，但該方法的評(píng)價(jià)精度和科學(xué)性不僅取決于訓(xùn)練樣本的數(shù)量，也決定于訓(xùn)練樣本的質(zhì)量。訓(xùn)練樣本數(shù)量越多，質(zhì)量越優(yōu)。實(shí)踐證明，該方法既克服了人為和隨機(jī)因素的干擾，而且一旦建立網(wǎng)絡(luò)模型，其功能就實(shí)現(xiàn)了專家的判斷，而無(wú)須再邀請(qǐng)專家進(jìn)行評(píng)定，具有廣泛的適用性。另一方面通過(guò)應(yīng)用神經(jīng)網(wǎng)絡(luò)控制技術(shù)能夠解決評(píng)測(cè)過(guò)程中出現(xiàn)的更復(fù)雜多變的問(wèn)題，尋求在一定的條件下最優(yōu)的評(píng)測(cè)方法。

參考文獻(xiàn)：

[1]陳江麗，張嶸.基于BP神經(jīng)網(wǎng)絡(luò)的教材質(zhì)量評(píng)價(jià)研究[J].大理學(xué)院學(xué)報(bào)，2014，13（12）：31-34.

[2]趙萬(wàn)芹，孔令超.基于BP神經(jīng)網(wǎng)絡(luò)的教學(xué)質(zhì)量評(píng)價(jià)的探討[J].化工高等教育，2011，28（1）：101-105.

[3]左國(guó)平，謝紅艷，邱小平，等.基于神經(jīng)網(wǎng)絡(luò)的高校教師課堂教學(xué)質(zhì)量評(píng)價(jià)[J].中國(guó)現(xiàn)代教育裝備，2011（3）：97-99.

[4]王偉.人工神經(jīng)網(wǎng)絡(luò)原理：入門(mén)與應(yīng)用[M].北京：北京航空航天大學(xué)出版社，1995.

[5]傅莉.BP神經(jīng)網(wǎng)絡(luò)在教學(xué)質(zhì)量評(píng)價(jià)中的應(yīng)用[J].智能計(jì)算機(jī)與應(yīng)用，2012，2（5）：70-72.

【通聯(lián)編輯：唐一東】

基金項(xiàng)目：嘉興學(xué)院A1類SRT項(xiàng)目資助（NO.NH85179133）

作者簡(jiǎn)介：楊昌昌（1999-），男，江蘇鹽城人，本科，研究方向?yàn)橛?jì)算機(jī)科學(xué)與技術(shù)。