基于BP神经网络的学生综合考评预测研究
冯相榕1,3，李 鹏1,2,3，孟旭莹1,3
【摘 要】为探究传统成绩评定模型与综合考评模型的不同，以及对学生最后成绩进行科学准确地预测，提出通过搭建神经网络，基于Code Blocks和Matlab平台，运用BP算法分别对传统成绩评定模型和综合考评模型进行预测分析。结果表明，使用神经网络算法预测成绩的正确性及有效性，并对比得出使用综合考评模型预测时，对学生的评估效果更优。 【期刊名称】《计算机与网络》 【年(卷),期】2019(045)020 【总页数】4
【关键词】神经网络；BP算法；成绩预测模型；综合素质教育 【
文
献
来
源
】
https://www.zhangqiaokeyan.com/academic-journal-cn_computer-
network_thesis/0201275686330.html
基金项目：国家自然科学基金面项目（61877037）；陕西师范大学2018年“教师教学模式创新与实践研究”专项基金项目（JSJX2018L126）；陕西师范大学计算机科学学院创新实验班建设资助项目
0 引言
目前部分高校的综合考评制度存在一些问题，在秦非[1]的研究中，针对目前综合考评体系存在的问题提出了相应的改进措施。以往的工作中，普遍采用通过各项成绩占比进行算术运算的方式，得出学生最终综合考评成绩。据调研，目前已有基于机器学习、对话流、数据挖掘和卡尔曼滤波算法等方法对成绩进行预测的研究。本文主要利用已知的传统测评方式及综合测评方式，结合BP神
经网络模型得出学生最终综合考评成绩。BP神经网络能通过反复学习，将大量已知的匹配输入量和输出量及其映射关系保存下来，而不需要提供相应的数学方程，通过学习训练样本发掘映射关系。通过神经网络搭建的模型具有自组织自学习性、便捷性、有效性和容错性等优点。通过此模型预测出学生的综合考评成绩与学生实际综合考评成绩是相拟合的。
1 反向传播神经网络
1.1 网络拓扑结构
神经网络分为输入层、输出层和隐藏层[2]。同一层的神经元之间没有连接，相邻2层之间有连接，每一个连接均具有一个权值。不同的神经网络中，连接规则不同。例如，在全连接神经网络中，第 -1层神经元的输出是第 层神经元的输入，第-1层的所有神经元和第 层的每个神经元相连。除此之外，还有很多不同的神经网络，如卷积神经网络（CNN）、循环神经网络（RNN）等。 基于ConvNetJS平台对神经网络的立体结构进行模拟，如图1所示。
该神经网络可将数据简单分成2类。通过模拟，发现神经网络可为处理数据而变换坐标空间，降低维度，也可以升高维度；可以变成圆形，也可以变成方形；可以放大，也可以收缩。 1.2 BP算法 1.2.1 基本思想
学习规则采用有导师学习的连续感知器规则，学习过程由信号的前向传输和误差的逆向反馈构成。
前向传输过程中，逐层波浪式地传递输出值。将输入样本传入输入层，经过每个隐藏层计算和处理，在输出层传出[3]。当输出层的期望值与实际输出值有偏
差时，进入误差的反向传播阶段。
逆向反馈过程中，将实际输出经过隐藏层反馈给输入层，以将误差划分到各层，从而得到各部分的误差信号，即得到对每层调整的依据[4]。依此，对每层的权重及偏置进行修正。 1.2.2 伪代码 主函数main{ 读取样本数据； 初始化BP神经网络{
数据的归一化，神经元的初始化；} BP神经网络{ do{
for（i小于训练样本）{
计算按照第i个样本输入产生的对应输出； 偏置误差累加；
逆向调节BP神经网络中各个单元，完成第i个样本的学习；}} while（超过训练次数或者达到设置的误差值）；} 存储各神经元单元信息； 给定数据测试训练结果； return 0；}
2 模型建立
2.1 传统成绩评定模型
基于BP神经网络的学生综合考评预测研究
