基于IAHP-BP神经网络的大学生综合能力评价方法研究.pdf

第 卷第期 年月太 原 师 范 学 院 学 报(自然科学版)J OUR NA LO FT A I YUANNO RMA LUN I V E R S I T Y(N a t u r a lS c i e n c eE d i t i o n)V o l N o M a r 收稿日期:基金项目:山西省基础研究计划(自由探索类)();山西省高等学校科技创新计划(L )作者简介:段凯歌(),男,山西陵川人,在读硕士研究生,主要从事机器学习、数据挖掘等方面的研究通信作者:亓慧,教授,q i h u i t y n u e d u c n 基于I A H P B P神经网络的大学生综合能力评价方法研究段凯歌,亓慧,史颖,祁晓博,王笑斌,吴晨旭(太原师范学院 计算机科学与技术学院,山西 晋中 )摘要对大学生的综合评价需要考虑到德智体美劳多个方面,大多研究通过对大学生学习方面数据对大学生的综合能力水平进行评测,忽略了其他维度的信息应用I AH P B P神经网络算法对大学生综合能力进行评价,确保了评价的多维度,兼顾了I AH P的主观评价和B P神经网络的客观评价,使得评价结果更加接近于真实情况实验结果表明,应用此方法评价大学生的综合能力,相对误差可以控制在 以内,较为客观反映了大学生综合能力水平 关键词 I AH P B P神经网络;大学生综合能力;评价模型 文章编号 ()中图分类号T P 文献标识码A 引言随着时代的发展,大学生的综合能力素养越来越受到学校、企业和社会的重视,针对如何评测大学生综合能力的问题,许多研究提出了独特的解决方案文献 通过分析学生在线学习日志数据,改进了学习绩效评价模型,进而更好地评价学生的能力文献 通过研究学生在线学习的状态、态度、情感、交流互动、学习需求和兴趣等日常学习行为,构建出学生综合评价模型文献 通过分析学习者的能力水平,推荐了不同的学习路径,并通过是否选择推荐路径评测最终的学习绩效文献 通过对学生在线学习的数据挖掘,注重学习过程和学习产出,创建了在线教育的自动评价模式但是,文献 通过收集在线学习数据进行评价学生的综合能力,忽略了思想品德、身心健康、实践等维度的评测文献 通过S O FM(S e l f O r g a n i z i n gF e a t u r eM a p s)神经网络,将学生多个维度的高维数据映射到了低维空间,提高了学生综合评价的合理性但是随着样本数据的增多,S O FM网络的尺寸规模也会增大,并且样本数据在训练过程中进行降维时会产生畸变的现象文献 运用了AH P(T h eA n a l y t i cH i e r a r c h yP r o c e s s)和B P(B a c kP r o p a g a t i o n)神经网络对大学生进行评价,该文运用l o g s i g m o i d函数作为神经元传递函数,计算复杂度高,最终误差在以内,有很大的优化空间为了从多个维度更加精准地评测大学生的综合能力水平,本文基于I AH P B P(I m p r o v e dA n a l y t i cH i e r a r c h yP r o c e s sa n dB a c kP r o p a g a t i o n)神经网络对大学生综合能力进行测评研究首先,采用I AH P(I m p r o v e dA n a l y t i cH i e r a r c h yP r o c e s s)的方法确定大学生综合能力评价指标,确定了思想道德、学业文化、身心健康、知美爱美、躬行实践五个维度的信息,通过I AH P算法计算各项评价指标的权重,以减少主观设置权重的随意性,相对于AH P方法,简化了评价过程的流程和降低了计算复杂度其次,利用B P神经网络学习I AH P计算得到的权重信息,获取较为严谨的权重数据,降低人为赋值的主观性最后,本文将I AH P评价法和B P神经网络评价法组合使用,不仅对大学生的综合能力进行了定性评价,而且进行了定量分析,使得评价结果更加可靠研究发现,基于I AH P B P神经网络评价大学生的综合能力相对误差可以控制在以内,具有一定的可靠性 相关技术 I AH PI AH P是一种改进AH P的算法,AH P结合评价的主题将评价任务分解为目标、准则、方案等层次,构造判断矩阵进行定性评价和定量评价,由易到难评测,破解多指标评价难题但传统的AH P算法具有矩阵高阶运算复杂、一致性检验与矩阵运算分开进行的缺点,I AH P算法对前述问题进行了改进,其算法过程如下:S t e p 将评价问题分层处理,分解成目标、准则、方案等层次,根据评价任务,从宏观和微观的角度设置评价指标,形成合理的评价模型如图所示图 I AH P评价模型概念图S t e p 设准则层有n个评价指标,根据表对不同指标之间相互两两比较,构造准则层对于目标层的判断矩阵AAa a ana a anananan n(ai j)nn,(i,n;j,n),判断矩阵A满足:)所有标度均为正数,即ai j;)关于主对角线对称的两标度互为倒数,即ai jai j;)对角元素的标度均为,即ai j表判断矩阵的标度原则表标度含义两个指标相比,具有同样的重要性两个指标相比,前者比后者稍重要两个指标相比,前者比后者明显重要两个指标相比,前者比后者极其重要两个指标相比,前者比后者强烈重要,两个指标重要程度介于以上两者之间的倒数相应两个指标交换次序比较的重要性S t e p 使用N u m P y库中的e i g函数计算判断矩阵A的特征值m a x和相应的特征向量W(w,w,wn)T,对特征向量W计算权重向量,公式如下:WA(w,w,wn)TwiniwiT()式中w,w,wn为准则层各指标的权重值,WA即为准则层各指标的权重向量S t e p 将S t e p 计算得到的m a x和表中一致性检验标准m a x进行对比,如果m a xm a x,则一致性检验通过,不通过则返回S t e p,调整判断矩阵中的值,重新计算各指标的权重值方案层各指标的权重计算方法与前述算法步骤相同表 I AHP中n阶矩阵一致性检验标准m a x阶数nm a x B P神经网络B P神经网络是一种常用的人工神经网络,人工神经网络通过模拟大脑对事物认知的学习状态,对获取到的信息进行自适应处理,使得问题能够迎刃而解 B P神经网络通过对训练样本的学习,能够将输入对象和太 原 师 范 学 院 学 报(自然科学版)第 卷图三层B P神经网络的评价模型结构图输出对象之间的复杂对应关系显示出来 B P神经网络通过赋给输入层神经元不同的权重w和偏置b,将计算结果模拟为生物学神经元的电信号传递给下一层神经元,直至输出层如果在输出层不能得到期望的输出,则转入反向传播,将误差信号沿原来的连接通路返回,通过修改各神经元的权值,使得误差信号最小 神经网络在权向量空间进行误差函数梯度下降,动态迭代各层神经元权向量值,直到输出数据在误差范围内停止计算 本文采用的是三层结构的B P神经网络的评价模型,结构图如图所示 基于I A H P B P神经网络的大学生综合能力评价方法基于I AH P B P神经网络的大学生综合能力评价方法包括个步骤:)确定大学生综合能力评价指标;)计算评价指标权重;)评价样本数据预处理;)评价模型的训练;)评价模型的检验 确定大学生综合能力评价指标通过查阅大学生综合能力评价的相关文献 ,采用问卷调查的方式对教师、学生、企业人员等进行统计信息,发放 余份调查问卷,有效问卷 份,经过分析初步建立了大学生综合能力评价指标评价指标包括思想道德能力、学业文化能力、身心健康素质、知美爱美能力、躬行实践能力项二级指标和 项三级指标,如表所示表大学生综合能力评价指标一级指标二级指标三级指标思想道德能力B 政治表现C 参加党团活动次数、党团培训次数等遵纪守法C 迟到、旷课、通报次数等学业文化能力B 专业成绩C 各门专业课的总成绩学习表现C 专业竞赛次数、等级等身心健康素质B 体育活动C 参加院系运动会次数等知美爱美能力B 寝室建设C 寝室卫生评比、装饰评比排名等公益活动C 参加院系公益活动、社团活动次数等社会公德C 参加院系志愿者次数、献血次数等躬行实践能力B 集体活动C 参加班级活动次数等实践风采C 担任学生干部,获奖次数等 计算评价指标权重通过I AH P算法计算出各一级指标的权重,根据问卷调查统计所得的有效数据构造准则层判断矩阵,如表所示表准则层判断矩阵AB B B B B B/B B/B/B/使用N u m P y库中的e i g函数计算该矩阵的特征值m a x ,特征向量W(,)T,准则层各指标的权重向量WA(,)T根据表可知,阶矩阵一致性检验标准m a x ,而m a xm a x,判断矩阵有效第期段凯歌,等:基于I AH P B P神经网络的大学生综合能力评价方法研究表判断矩阵B CB C C C C C C 表大学生综合能力评价指标权重一级指标二级指标思想道德能力B:政治表现C :遵纪守法C :学业文化能力B:专业成绩C :学习表现C :身心健康素质B:体育活动C :知美爱美能力B:寝室建设C :公益活动C :社会公德C :躬行实践能力B:集体活动C :实践风采C :根据表,二级指标C 、C 、C 、C 、C 、C 、C 构建相对于一级指标的判断矩阵的阶数为,无法通过一致性检验,权重设为有效统计数据的平均值二级指标C 、C 、C 相对于B 的判断矩阵B C如表所示计算得出该判断矩阵的特征值m a x ,特征向量W(,)T,一级指标B 下各指标的权重向量W(,)T根据表可 知,阶 矩 阵 一 致 性 检 验 标 准m a x ,而m a xm a x,判断矩阵有效综上,大学生综合能力评价指标权重如表所示 评价样本数据预处理根据大学生综合能力评价指标,采取问卷调查的方式,收集某高校大学生综合测评数据根据综合测评数据对数据进行预处理,以百分制对二级评价指标进行打分,整理出大学生综合能力评分表整理后有效数据为 条,条数据作为学习样本,条数据作为检验样本,部分数据如表所示表大学生综合能力评分表(部分)序号C C C C C C C C C C 总分 由于收集到的数据具有不同的大小,训练中如果直接使用原数据值,则会增强高数值指标的比重为了保证分析结果的可靠性,需要对原始的数据进行归一化处理 常见的归一化处理方法有两种,M a x A b s S c a l e r是根据最大值的绝对值进行标准化,即某列原数据为x,则新数据为x|xm a x|,结果控制在,的范围而M i n M a x S c a l e r方法对原始数据进行线性变换,将结果保存在,区间,转化函数如下:x xxm i nxm a xxm i n()式中x为样本原数据,xm a x为样本最大值,xm i n为样本最小值,x为归一化结果 因为评分都为正数,不存在小于的情况,所以本文归一化处理方法选用M i n M a x S c a l e r 评价模型训练 网络结构的确定评价样本数据处理后使用B P神经网络进行训练 B P神经网络评价模型首先要明确各层神经元节点的太 原 师 范 学 院 学 报(自然科学版)第 卷数量以及合理的隐含层的层数,由于单隐含层的网络具有良好的非线性映射能力,所以本文采用单隐含层的网络结构 神经元数量的确定将二级评价指标的数量作为输入层,评价结果数量作为输出层,若隐含层的神经元数量较少,则容易出现网络学习精度不高、拟合性较差、学习时间过长等问题,若数量过多,会导致网络泛化能力变差根据经验,使用试凑法来确定隐含层的神经元数量,隐含层的神经元数量m计算公式如下:mnp,(,)()式中n为输入层神经元数量,p为输出层神经元数量,为 的常数 本文基于A d a m算法、随机梯度下降(S G D)算法、A d a g r a d算法的B P神经网络进行模型训练,使用试凑法确定隐含层神经元的数量采用T e n s o r F l o w构建神经网络,运用以上三种算法进行训练,设置最大迭代次数为 次设E(w)是所有样本训练一次后的均方误差值,通过E(w)的结果变化确定隐含层神经元的数量E(w)公式如下:E(w)Pp(dpop)()式中p是样本序号,P是样本数量,dp是样本p的期望输出,op是样本p的实际输出,w是网络权值和阈值组成的向量 通过实验确定隐含层神经元数量和E(w)最大值的关系,如表和图所示表隐含层神经元数量m与E(w)最大值的关系隐含层神经元数量mA d a m算法S G D算法A d a g r a d算法 经过分析可以发现,当隐含层神经元个数为时,E(w)三种算法下都达到了最小,所以本文的B P神经网络结构为 最佳优化算法的选择及模型训练本文运用A d a m算法、随机梯度下降(S G D)算法、A d a g r a d算法从网络均方误差、迭代次数对三种算法进行对比,因此部分参数的选取要一致,采用 的单隐层B P网络,最大迭代次数为 ,目标误差默认为,损失函数采用均方误差M S E(M e a nS q u a r e dE r r o r)使用表的训练数据,对评价模型进行训练当达到网络最大训练次数或目标误差时结束训练,保存网络的权重,作为对大学生综合能力评价的最优模型本文将A d a m算法、随机梯度下降(S G D)算法、A d a g r a d算法三种优化算法进行对比,选取最佳优化算法实验采用 的三层网络结构,设置学习次数为 次,最小收敛误差值为,损失函数采用均方误差函数M S E对表中的样本数据进行学习训练,实验如下:实验:验证基于A d a m算法的B P神经网络对大学生综合能力进行评价的效果,如图所示,实验利用该方法达到收敛时均方误差为 e,迭代次数为 次第期段凯歌,等:基于I AH P B P神经网络的大学生综合能力评价方法研究图网络最大误差与隐含层神经元个数关系图图基于A d a m算法的B P神经网络均分误差变化图实验:验证基于S G D算法的B P神经网络对大学生综合能力进行评价的效果,如图所示,实验利用该方法达到收敛时均方误差为 e,迭代次数为 次实验:验证基于A d a g r a d算法的B P神经网络对大学生综合能力进行评价的效果,如图所示,实验利用该方法达到收敛时均方误差为 e,迭代次数为 次图基于S G D算法的B P神经网络均方误差变化图图基于A d a g r a d算法的B P神经网络均方误差变化图通过实验结果可以发现基于A d a m算法的B P神经网络从网络均方误差、迭代次数两个方面都达到了最优值,选择A d a m算法作为构建评价模型的最佳算法 评价模型检验通过 条测试数据对评价模型进行检验,部分测试结果如表所示,真实值为学生综合能力的评价得分,可以反映出学生综合能力的大小,预测值为评价模型对测试数据的预测分数如果模型的真实值和预测值的相对误差在合理的范围内,则认为该大学生综合能力评价模型的普适性良好表评价模型的测试结果(部分)样本编号预测值真实值相对误差/太 原 师 范 学 院 学 报(自然科学版)第 卷本文评价模型对大学生综合能力的预测值与真实值的对比如图所示,实线为大学生综合能力的预测分数,虚线为真实分数,预测分数与真实分数重合程度较高,具有一定的可靠性 条测试数据的预测值与真实值的相对误差如图所示,其中最大相对误差为 ,最小相对误差为 ,平均相对误差为 ,该评价模型具有一定的普适性和容错性,对大学生综合能力的评价具有一定的参考意义图大学生综合能力预测值与真实值对比图图预测值与真实值相对误差分布图 评价结果分析本文提出的基于I AH P B P神经网络的大学生综合能力评价方法与文献 中方法对比数据如表 所示对比发现,选用优化算法为A d a m的I AH P B P大学生综合能力评价方法相对误差更小,评价模型更为可靠,具有更好的泛化能力表 不同评价模型下的优化算法和相对误差评价模型优化算法最大相对误差最小相对误差/平均相对误差/AH P B PS G D I AHP B PA d a m 结论为了从多个维度、客观地评价大学生的综合能力,本文提出了基于I AH P B P神经网络的大学生综合能力评价方法,兼顾了I AH P主观评价和B P神经网络客观评价的方式,使得评价结果更加接近于真实情况实验结果表明,应用本文方法进行评价大学生的综合能力,相对误差可以控制在以内,具有一定的评价效果参考文献:S CHMU C K E RR,WAN GJB,HUSJ,e ta l A s s e s s i n gt h ep e r f o r m a n c eo fo n l i n es t u d e n t s n e wd a t a,n e wa p p r o a c h e s,i m p r o v e da c c u r a c yJ J o u r n a l o fE d u c a t i o n a lD a t aM i n i n g,():郑勤华,陈耀华,孙洪涛,等基于学习分析的在线学习测评建模与应用 学习者综合评价参考模型研究J电化教育研究,():姜强,赵蔚,刘红霞,等能力导向的个性化学习路径生成及评测J现代远程教育研究,():魏顺平在线学习自动评价模式构建与应用研究J中国远程教育(综合版),():王晓雪,王林山基于S O FM神经网络的学生综合评价J河北师范大学学报(自然科学版),():许慧远基于AH P和B P神经网络理论的大学生综合素质测评研究J思想教育研究,(S):WAN GX,DUANQQ I m p r o v e dAH P T O P S I Sm o d e l f o r t h e c o m p r e h e n s i v e r i s ke v a l u a t i o no f o i l a n dg a sp i p e l i n e sJ P e t r o l e u mS c i e n c e,():吴福初,吴杰,陈邓安一种改进的AH P算法J计算机与数字工程,():,张亚青,王相,孟凡荣,等基于熵权和层次分析法的V O C s处理技术综合评价J中国环境科学,():李彦龙,蔡谦,孙久康,等基于B P神经网络的汽车外观设计评价方法J同济大学学报(自然科学版),():第期段凯歌,等:基于I AH P B P神经网络的大学生综合能力评价方法研究 程国平,齐晓红基于B P神经网络的私募股权投资项目评价J清华大学学报(自然科学版),():魏晶,贾曦,刘栋以促进发展为目标的大学生综合素质评价 第二课堂成绩单建设理念与实践J中国电化教育,():Q IH,S H IY,MUXF,e t a l K n o w l e d g eg r a n u l a r i t yf o r c o n t i n u o u s p a r a m e t e r sJ I E E EA c c e s s,:张小敏,宋一凡,杨超,等基于F AH P的大学生综合素质评价研究 以江西某高校为例J数学的实践与认识,():王桂芳,范秀娟基于模糊神经网络的大学生综合素质评价J微计算机信息,():,S H IY,Q IH,MUXF,e t a l A d j u s t a b l e f u z z yr o u g hr e d u c t i o n:an e s t e ds t r a t e g yJ C o m p u t a t i o n a l I n t e l l i g e n c ea n dN e u r o s c i e n c e,:张晋晶 S OM神经网络在师专学生素质评价中的应用J太原师范学院学报(自然科学版),():,S H IY,Q IH,Q IXB,e t a l A ne f f i c i e n t h y p e r p a r a m e t e r o p t i m i z a t i o nm e t h o d f o r s u p e r v i s e d l e a r n i n gJ A p p l i e dS o f tC o m p u t i n g,:C R O S S OUA R DB,P R Y O RJ H o wt h e o r ym a t t e r s:f o r m a t i v e a s s e s s m e n t t h e o r ya n dp r a c t i c e s a n d t h e i r d i f f e r e n t r e l a t i o n s t oe d u c a t i o nJ S t u d i e s i nP h i l o s o p h ya n dE d u c a t i o n,():史颖,亓慧一种基于LMB P神经网络的图像复原方法J太原师范学院学报(自然科学版),():A L IL,HA T A L A M,GA E V ICD,e t a l Aq u a l i t a t i v ee v a l u a t i o no f e v o l u t i o no fa l e a r n i n ga n a l y t i c s t o o lJ C o m p u t e r s&E d u c a t i o n,():R O D R I GU E SF,O L I V E I R AP As y s t e mf o r f o r m a t i v ea s s e s s m e n ta n dm o n i t o r i n go fs t u d e n t s p r o g r e s sJ C o m p u t e r s&E d u c a t i o n,:张翠玲,文太凤素质教育背景下学生学习评价模型构建J太原师范学院学报(自然科学版),():张乐乐,陈恩伦新时代高校大学生评价体系建构:理念、原则、要素与框架J现代教育管理,():刘佳基于B P神经网络的大学生科研能力评价D大连:大连海事大学,王明艳基于B P神经网络的大学生编程能力评价方法研究D衡阳:南华大学,YUF,XUXZ As h o r t t e r ml o a df o r e c a s t i n gm o d e lo fn a t u r a lg a sb a s e do no p t i m i z e dg e n e t i ca l g o r i t h ma n di m p r o v e dB Pn e u r a l n e t w o r kJ A p p l i e dE n e r g y,:董爱华,闵洲源基于B P人工神经网络的建筑废料管理评价方法J同济大学学报(自然科学版),():R e s e a r c ho nt h eE v a l u a t i o nM e t h o do fC o l l e g eS t u d e n t s C o m p r e h e n s i v eA b i l i t yB a s e do nI A H P B PN e u r a lN e t w o r kD U A NK a i g e,Q IH u i,S H IY i n g,Q IX i a o b o,WA N GX i a o b i n,WUC h e n x u(C o l l e g eo fC o m p u t e rS c i e n c ea n dT e c h n o l o g y,T a i y u a nN o r m a lU n i v e r s i t y,J i n z h o n g ,C h i n a)A b s t r a c tT h ec o m p r e h e n s i v ee v a l u a t i o no fc o l l e g es t u d e n t sn e e d st ot a k ei n t oa c c o u n tm a n ya s p e c t so fm o r a l i t y,i n t e l l i g e n c e,p h y s i c a l f i t n e s s,b e a u t ya n d l a b o r M o s t o f t h e s t u d i e s e v a l u a t et h e c o m p r e h e n s i v e a b i l i t y l e v e l o f c o l l e g e s t u d e n t s t h r o u g h t h ed a t ao f c o l l e g e s t u d e n t s l e a r n i n g,i g n o r i n gt h e i n f o r m a t i o no f o t h e rd i m e n s i o n s T h e I AH P B P(I m p r o v e dA n a l y t i c a lH i e r a r c h yP r o c e s sa n dB a c kP r o p a g a t i o n)n e u r a l n e t w o r ka l g o r i t h mi s a p p l i e d t oe v a l u a t e t h e c o m p r e h e n s i v ea b i l i t yo f c o l l e g es t u d e n t s,w h i c he n s u r e s t h em u l t i d i m e n s i o n a l e v a l u a t i o n,a n dt a k e s i n t oa c c o u n tt h es u b j e c t i v ee v a l u a t i o no f I AH P(I m p r o v e dA n a l y t i c a lH i e r a r c h yP r o c e s s)a n dt h eo b j e c t i v ee v a l u a t i o no fB P(B a c kP r o p a g a t i o n)n e u r a ln e t w o r k,m a k i n gt h ee v a l u a t i o nr e s u l t sc l o s e rt ot h er e a l s i t u a t i o n T h e e x p e r i m e n t a l r e s u l t s s h o wt h a t t h e r e l a t i v e e r r o r o f u s i n g t h i sm e t h o d t oe v a l u a t e t h ec o m p r e h e n s i v ea b i l i t yo fc o l l e g es t u d e n t sc a nb ec o n t r o l l e dw i t h i n,w h i c ho b j e c t i v e l yr e f l e c t s t h ec o m p r e h e n s i v ea b i l i t y l e v e l o f c o l l e g es t u d e n t s K e yw o r d sI AH P B Pn e u r a ln e t w o r k;C o m p r e h e n s i v ea b i l i t yo fc o l l e g es t u d e n t s;e v a l u a t i o nm o d e l太 原 师 范 学 院 学 报(自然科学版)第 卷