基于BAS-SVM的學生學業動態預警研究

盧毅

(陜西學前師范學院 經濟與管理學院， 陜西 西安 710061)

0 引言

大學生與高中生相比，其學習主動性和積極性有所下降，導致學業狀態存在較大波動。如何及時發現大學生的真實學業狀態并進行預警，可以從理論研究和教學實踐兩方面提升學生成績和學校教學管理，價值巨大[1]。

關于狀態預測與警示方面常規算法包括有決策樹、聚類、關聯規則和支持向量機等[2-4]。這些研究主要集中研究歷史課程學習成績對后續學習課程成績的影響，以及生活習慣、家庭情況對學業狀態的影響，但是綜合生活特征和學習特征的學業狀態預警的文獻較為少見。本文在對支持向量機模型基本的參數(懲罰參數以及核值參數)對建模性能的影響的基礎上，從對參數優化的角度出發，綜合使用天牛須搜索算法，創新性的提出了基于SVM模型的BAS-SVM模型用于大學生就業狀態模型的生成。在實驗論證的過程中，通過與其他的預測模型(極限學習機和前饋神經網絡算法)進行詳細的比較后，發現本文提出的BAS-SVM算法可以更加準確的預測學生學業狀態，有利于改善、調整主客觀因素提升學業水平[5]。

1 BAS算法

作為經典的數據建模算法，BAS算法基于天牛覓食而建立的效率較高的群智能算法，算法的關鍵步驟如下[6-7]。

(1) 方向向量的明確

明確方向向量的目的是為了對天牛的搜索過程進行模擬，如式(1)。

(1)

式中，j表示空間維度；round()的作用為制作隨機數。

(2) 確定天牛頭部的左右觸須的坐標值，如式(2)。

(2)

式中，設置函數值xr和xl分別表示天牛的左邊觸須和右邊觸須出現在t次的空間坐標值，其中t表示循環參數，d是常量值，左右側觸須的須距。

(3) 生成適應度的基本值，如式(3)。

(3)

式中，f(x)表示了適應度獲取函數，fr和fl表示天牛的左邊觸須和右邊觸須與目前空間的位置比對適應度。

(4) 生成搜索步長，如式(4)。

δt=c1δt-1+δ0,dt=δt/c2

(4)

式中 ，δ值表示天牛搜索的最終步長值；δ0表示天?；境跏蓟介L，向大取值；δt表示經過t次搜索后的步長的因子數值；c1、c2表示常量步長因子。

(5) 生成最新位置，如式(5)。

(5)

式中，sign()表示位置函數；δt仍然表示第t次搜索的步長因子。

(6) 判斷是否符合預測的規則

主要通過當前位置的適應度的數值與前一次的空間位置適應度值的比較，如果位置更優則更新新的位置，相反的則不更新。

2 支持向量機

ξi≥0,i=1,2,…,n

(6)

(7)

3 基于BAS-SVM的學生就業動態預警

3.1 評價指標

為準確合理地實現學業動態預警，參考文獻[8-10]的基礎上，選擇考勤指數、學習指數、成績指數、“宅”指數和家境等5個關鍵指標作為學業預警的主要指標，并將學業預警結果劃分為好、中、差三個等級，如表1所示。

表1 學業動態預警評價指標

3.2 適應度函數

在SVM模型中，核心參數g的主要作用于分類的準確度，而懲罰參數值C所影響的是模型控制方面的接近程度、誤差大小和復雜度。懲罰參數值與模型準確度成正比，與泛化能力成反比。由于SVM模型算法與懲罰參數值的大小和核函數的關系緊密相關性，因此，引入了BAS算法，主要是對上述兩個參數值的合理計算，來提升SVM模型的準確度，如式(8)。

(8)

式中，Total表示選擇的樣本集合數量值，right函數表示中分類合理的樣本集。

3.3 算法主要流程

本文提出的BAS-SVM模型進行學生就業預警執行步驟如下。

(1) 第一步通過BAS算法，明確最優懲罰參數和核函數，選擇步長因子c1和c1，并使用BAS算法計算迭代最優次數和當前循環量。將預先準備好的用于學業預警的準備數據分為訓練樣本、測試樣本兩種，分別用于本文提出的模型的生成和準確度實驗。

(2) 執行迭代。首先設置t的值為0，同時對天牛的初始位置進行定義，選擇最佳位置后，通過式(8)來完成天牛的左觸須和右觸須的位置計算。

(3) 循環結束后，將t的指針下一位，重復步驟(2)，并計算出天牛左右須的適應度f(xr)和f(xl)。

(4) 將第三步生產左右須的位置值，帶入式(5)中，更新位置xt，同時算出新的適應度值f(xt)；

(5) 完成天牛最新位置的獲得并更新值。做法為接受概率的數值P，引入式(6)首先判斷如果f(xt)

(6) 進行判斷，如果t

(7) 最后，獲得最準確的預警值，通過最終一輪循環獲得的xbest與fbest，使用式(8)計算最合理的懲罰系數C和核函數g，并在二者的基礎上完成最佳學生學業預警值測速和核對。

4 仿真實驗與結果分析

4.1 數據來源

通過實驗，進一步完成本文提出的算法的測算，并對比其他經典算法，數據源選擇陜西學前師范學院經濟與管理學院各專業學生為研究對象，好、中和差等3種學業狀態的樣本數據各150組。不同學業狀態樣本數據，如表2所示。

表2 不同學業狀態樣本

操作系統為Windows10，CPU為Intel(R)Core(TM)i5-2400 4-core，主頻為2.60 GHz，內存8 GB，仿真軟件為Matlab2015(a)。

4.2 評價指標

對于學生學業預警的準確性提出了評價指標，使用準確率和誤判率作為評判基本指標[11-12]。

(1) 準確率T：假設學業狀態被正確識別的數量為A，而學業狀態的實際數量為B，則學業狀態評估的準確率，如式(9)。

(9)

(2) 誤判率F：假設學業狀態是第i類的實際數量為H，而將第i類學業狀態誤判為第j類學業狀態的數量為W，則學業狀態判斷的誤判率，如式(10)。

(10)

4.3 結果分析

為了驗證學業狀態預警的效果，將BAS-SVM和ELM[13]、SVM[14]和BP[15]經典算法橫向對比，選擇4.2節基于BAS算法獲得參數：最大迭代次數gen=100，步長因子c1=0.997，c2=10，算法橫向比對的值，如表3和圖1-圖4所示。

表3 學業狀態預警結果

圖1 BAS-SVM學業狀態評估結果

圖2 ELM學業狀態評估結果

圖1-圖4中，“*”為學業狀態的預警類別，“○”為示學業狀態的實際類別，結合圖1和圖4的結果可以發現，通過本文算法的學業預警結果非常的精確的體現了實際的學學業狀態，圖例使用1代表學業較好、2代表學業一般、3代表學業差。在“*”與“○”重疊時，學業狀態的預警分類值與現實的實際值完全相同，代表學業狀態預警結果準確；在“*”和“○”不完全重疊時，說明預警狀態與實際狀態發生偏差，預警出現失誤。由表3和圖1-圖4可知，采用基于BAS-SVM模型做出的學業狀態預警結果的準確率高達97.12%，而誤判率僅有2.88%，優于ELM的92.28%和7.72%，SVM的90.46%和9.54%和BPNN的86.35%和13.65%。與ELM、SVM和BPNN對比發現，BAS-SVM可以有效提高學業狀態預警結果的準確率，為學業狀態預警評估提供了新的方法和途徑。

圖3 SVM學業狀態評估結果

圖4 BPNN學業狀態評估結果

5 總結

為提高大學生學業狀態的預警準確度，在經典的SMV模型的基礎上，調整核參數以及性能被懲罰的參數值，創建了改進的BAS-SVM的大學生學業狀態動態預警模型。將BAS-SVM模型的輸入變量為影響學業狀態的5個關鍵KPI值(考勤指數、學習指數、成績指數、“宅”指數和家境)，經過模型運算后輸出預警判斷結果值。與ELM、SVM和BPNN對比發現，BAS-SVM可以有效提高學業狀態預警結果的準確率，為學業狀態預警評估提供了新的方法和途徑。