引 言

在對本科生的教育過程中，有時會出現(xiàn)因?qū)W生成績過低、學(xué)分過少，而出現(xiàn)留級甚至延遲畢業(yè)的現(xiàn)象，這對學(xué)校和學(xué)生均造成了一定的負(fù)面影響。通過對學(xué)生成績數(shù)據(jù)的挖掘分析，可輔助教學(xué)管理，以便教師實施有效的教學(xué)活動，并刺激學(xué)生主動學(xué)習(xí)，幫助學(xué)生取得更好的成績。

文獻(xiàn)[1]利用數(shù)10種不同的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對學(xué)生成績進(jìn)行預(yù)測。文獻(xiàn)[2]通過不同的分類模型，利用學(xué)生的校園卡數(shù)據(jù)和成績數(shù)據(jù)預(yù)測成績，其中多層分類器（MLPC）的效果最好。文獻(xiàn)[3]的研究中表明，傳統(tǒng)教師講授式課堂下學(xué)生的不及格率是學(xué)生主動學(xué)習(xí)的不及格率的1.5倍。因此，教師在教導(dǎo)學(xué)生相關(guān)的科目時，可以通過提供預(yù)測數(shù)據(jù)來及時警告，促進(jìn)學(xué)生主動學(xué)習(xí)，從而降低不及格率。

文獻(xiàn)[4]使用神經(jīng)網(wǎng)絡(luò)來預(yù)測學(xué)生的學(xué)習(xí)成績，結(jié)果顯示，用神經(jīng)網(wǎng)絡(luò)算法比用線性回歸更準(zhǔn)確。但在這項研究中，主要選擇了網(wǎng)上學(xué)習(xí)的成績來研究，沒有涉及線下面對面的教育方式。文獻(xiàn)[5]在分析中學(xué)生的成績時，利用人工神經(jīng)網(wǎng)絡(luò)，從認(rèn)知因素和心理因素兩個角度對學(xué)生的成績進(jìn)行聚類。但心理因素的主觀性過強，容易影響結(jié)果的準(zhǔn)確性。

神經(jīng)網(wǎng)絡(luò)具有良好的學(xué)習(xí)性能，但也有較為明顯的缺點：收斂速度較慢、易陷入局部最小。用進(jìn)化算法優(yōu)化神經(jīng)網(wǎng)絡(luò)可以在一定程度上解決此問題。其中，差分進(jìn)化算法是一種高效的尋優(yōu)算法，通過對個體差異的處理實現(xiàn)變異，適用于非連續(xù)不可微分或噪音較強的函數(shù)。文獻(xiàn)[6]證明了優(yōu)化后的 DE?BPNN 模型預(yù)測效果要優(yōu)于 GA ?BPNN、CS?BPNN 和 PSO ?BPNN 模型。利用差分進(jìn)化優(yōu)化神經(jīng)網(wǎng)絡(luò)算法，也可以讓運算結(jié)果精度更高。

為了對大學(xué)生成績等級進(jìn)行更精準(zhǔn)的預(yù)測，本文提出一種自適應(yīng)差分進(jìn)化神經(jīng)網(wǎng)絡(luò)模型，并對比了遺傳算法與差分進(jìn)化算法的適應(yīng)度曲線。結(jié)果表明，采用差分進(jìn)化算法尋找最優(yōu)權(quán)值閾值的效果較好。

1、自適應(yīng)差分進(jìn)化算法

自適應(yīng)差分進(jìn)化算法（Adaptive Differential EvolutionAlgorithm，ADE）是一種基于種群的全局搜索算法。常用的差分進(jìn)化模式為 DE/rand/1/bin 和 DE/best/1/bin，第一種收斂速度慢于第二種，但第一種在種群的多樣性上較好，第二種易陷入局部最小值[8]。為了保持良好的多樣性，本文采用的模式為 DE/rand/1/bin，即隨機(jī)選擇當(dāng)前種群的個體進(jìn)行變異，差異向量個數(shù)為 1，且在交叉的模式中應(yīng)用二項交叉。差分進(jìn)化算法主要有以下幾個步驟：種群初始化、變異、交叉、選擇。本文引入自適應(yīng)變異因子 F，其值隨迭代次數(shù)的增加而減小。

2、 ADE 優(yōu)化 BP神經(jīng)網(wǎng)絡(luò)算法

BP 神經(jīng)網(wǎng)絡(luò)的特點為誤差反向傳播，具有較強的魯棒性和容錯性，但在運算中容易陷入局部最小，收斂速度較低[9]。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱含層、輸出層三層組成。根據(jù) Kolmogorov 定理[10]可知，隱含層層數(shù)為1 時，只要有足夠多的神經(jīng)元節(jié)點數(shù)，就可以任意精度逼近任意非線性連續(xù)函數(shù)。當(dāng)輸入層為 X1，X2，…，Xm，隱含層為 h1，h2，…，hn，輸出層為 Y 時，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖 1所示。

在該神經(jīng)網(wǎng)絡(luò)中，從輸入層到隱含層的權(quán)值為ωij，閾值為bj，從隱含層到輸出層的權(quán)值為ωjk，閾值為bk。其中，i=1，2，…，m；j=1，2，…，n；k=1。逐層傳遞輸入信號后，在輸出層計算預(yù)測值與實際值的誤差。再根據(jù)所得誤差，結(jié)合學(xué)習(xí)率 η，返回修改并更新權(quán)值與閾值。若迭代尚未結(jié)束，則進(jìn)行下一代計算。

差分進(jìn)化算法優(yōu)化 BP 神經(jīng)網(wǎng)絡(luò)的原理為：將神經(jīng)網(wǎng)絡(luò)預(yù)測值與真實值的差值的均方誤差作為適應(yīng)度函數(shù)，最終得到適應(yīng)度值最小時的權(quán)值閾值，并作為新的神經(jīng)網(wǎng)絡(luò)的權(quán)值閾值，最后進(jìn)行求解。流程圖如圖 2所示。

3、 ADE?BP 神經(jīng)網(wǎng)絡(luò)學(xué)生成績預(yù)測模型

3.1 數(shù)據(jù)預(yù)處理

為了便于后續(xù)數(shù)據(jù)的預(yù)測，并保證預(yù)測的準(zhǔn)確性，首先要獲得正確且合適的數(shù)據(jù)，因此需要對數(shù)據(jù)進(jìn)行預(yù)處理。從學(xué)校的服務(wù)器中調(diào)取出 2016 級的學(xué)生成績后，選擇某個學(xué)院的學(xué)生成績?yōu)楸疚牡难芯繉ο蟆Ｌ崛〕鲈搶W(xué)院所有學(xué)生從入學(xué)到大二下學(xué)期之間所有的課程成績，再選擇大三上學(xué)期的一門專業(yè)課成績作為被預(yù)測對象。由于在學(xué)生的所有成績中，“科目 h”這門課程的分?jǐn)?shù)較低。為了凸顯本模型的預(yù)測效果，并預(yù)防教學(xué)事故，本文將“科目 h”的分?jǐn)?shù)等級作為被預(yù)測數(shù)據(jù)。數(shù)據(jù)庫中的成績龐雜且部分?jǐn)?shù)據(jù)不完整，因此接下來需要提高數(shù)據(jù)質(zhì)量，對數(shù)據(jù)進(jìn)行預(yù)處理：數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)歸約。

1）數(shù)據(jù)清洗：去除空白數(shù)據(jù)和異常數(shù)據(jù)。

2）數(shù)據(jù)集成：將剩下的數(shù)據(jù)整理后，放在一個表格中，如表 1所示。

3）數(shù)據(jù)轉(zhuǎn)換：由于數(shù)據(jù)集維數(shù)較高，為了降低神經(jīng)網(wǎng)絡(luò)的計算開銷，本文在得到學(xué)生各科分?jǐn)?shù)后，將學(xué)生成績按照分?jǐn)?shù)的不同層次劃分為5個等級：分?jǐn)?shù)<60分，等級為 0；60≤分?jǐn)?shù)<70，等級為 1；70≤分?jǐn)?shù)<80，等級為2；80≤分?jǐn)?shù)<90，等級為 3；90≤分?jǐn)?shù)<100，等級為 4。等級越高，該門科目的成績越高，則該門科目的不及格率越低。

4）數(shù)據(jù)歸約：由于原始數(shù)據(jù)量過于龐大，僅留下和“科目 h”的課程屬性相同的科目，即均為“學(xué)科平臺課程”的 8門科目。

預(yù)處理后，得到 183條有效數(shù)據(jù)如表 2所示。

3.2 相關(guān)性分析

由于科目較多，為了簡化網(wǎng)絡(luò)結(jié)構(gòu)，提高預(yù)測的效率，需要找出與被預(yù)測科目成績最相關(guān)的科目，作為神經(jīng)網(wǎng)絡(luò)的輸入。因此，本文首先通過 SPSS 對所有科目的成績等級進(jìn)行 Pearson 相關(guān)性分析。部分分析結(jié)果如表 3所示。

相關(guān)性分析的結(jié)果在 0.01級別顯著，則認(rèn)為有 99%的把握認(rèn)為相關(guān)系數(shù)顯著，該相關(guān)性分析結(jié)果具有統(tǒng)計學(xué)意義。由表 3 可知，本次相關(guān)性分析結(jié)果可以信任。本文選擇與“科目 h”這門課程相關(guān)性系數(shù)大于 0.45 的科目分?jǐn)?shù)作為輸入數(shù)據(jù)，具體課程為：“科目 e”“科目 f”“科目 g”。

3.3 差分進(jìn)化優(yōu)化 BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測

3.3.1 輸入數(shù)據(jù)的歸一化

本模型利用 Matlab 實現(xiàn)神經(jīng)網(wǎng)絡(luò)。首先將所有數(shù)據(jù)的順序打亂，并隨機(jī)選取 150 條作為訓(xùn)練數(shù)據(jù)，33 條作為測試數(shù)據(jù)。為了提高模型準(zhǔn)確度，再將所有數(shù)據(jù)行歸一化處理，使其值均在[-1，1]區(qū)間內(nèi)。

3.3.2 輸入層、輸出層、隱含層節(jié)點數(shù)以及其他參數(shù)的選取

設(shè)置輸入層數(shù)據(jù)是與“科目 h”相關(guān)性系數(shù)大于等于 0.45 的三門課程的成績等級，輸入層神經(jīng)元節(jié)點數(shù)為 3；隱含層神經(jīng)元節(jié)點數(shù)的設(shè)定需要經(jīng)過多次測試，最終發(fā)現(xiàn)節(jié)點數(shù)為 9 時正確率最高，因此隱含層神經(jīng)元數(shù)設(shè)為9；輸出層為目標(biāo)課程即“科目 h”的成績等級，其神經(jīng)元節(jié)點數(shù)為1。本文神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點轉(zhuǎn)移函數(shù)選擇 tansig 函數(shù)。輸出層節(jié)點轉(zhuǎn)移函數(shù)為 purelin函數(shù)。

3.3.3 差分進(jìn)化算法優(yōu)化初始權(quán)值閾值

本模型中收斂誤差設(shè)置為 0.01。由于學(xué)習(xí)速率過小會導(dǎo)致速度降低，學(xué)習(xí)率過大會導(dǎo)致權(quán)值震蕩。結(jié)合經(jīng)驗，將學(xué)習(xí)速率 η設(shè)為 0.05。

為了使權(quán)值可以具有較快的收斂速度，同時求解精度較高，設(shè)定種群規(guī)模 NP為 50，最大迭代次數(shù) Gm為 30，縮放因子 F 隨迭代自適應(yīng)變化，F(xiàn) 最小值為 0.2，最大值為 1.5，交叉因子 CR 為 0.9。所求問題的維數(shù)為：輸入層節(jié)點數(shù)×隱含層節(jié)點數(shù)+隱含層節(jié)點數(shù)×輸出層節(jié)點數(shù)+輸入層節(jié)點數(shù)+輸出層節(jié)點數(shù)。

隨機(jī)產(chǎn)生初始種群后，進(jìn)行變異與交叉操作。在交叉操作中，有指數(shù)交叉與二項交叉兩種方式。本文選用二項交叉。如果隨機(jī)數(shù)大于 CR，則被選入新個體。再以神經(jīng)網(wǎng)絡(luò)訓(xùn)練出的預(yù)測值與真實值做差，其均方誤差作為適應(yīng)度函數(shù)。設(shè)置 GA?BP 的種群規(guī)模和最大迭代次數(shù)的值與 ADE?BP 的值一樣，交叉概率為 0.9，變異概率為 0.2。圖 3為差分進(jìn)化優(yōu)化 BP神經(jīng)網(wǎng)絡(luò)的適應(yīng)度變化曲線，圖 4 為遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)適應(yīng)度變化的曲線。在達(dá)到最大迭代次數(shù)時，搜索出適應(yīng)度值最小時的最優(yōu)解。

通過對比 ADE?BP 與 GA?BP 的適應(yīng)度曲線，可以明顯看出，用自適應(yīng)差分進(jìn)化優(yōu)化 BP 神經(jīng)網(wǎng)絡(luò)的適應(yīng)度下降更快，其誤差均方差的值約為 0.044。而遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)所得到的均方誤差值最終約為 0.049，可以看出，ADE?BP 的適應(yīng)度更小，其均方差較小。因此可以得出，用自適應(yīng)差分進(jìn)化算法優(yōu)化神經(jīng)網(wǎng)絡(luò)能更快、更好地找到函數(shù)的最優(yōu)值。

3.3.4 賦予神經(jīng)網(wǎng)絡(luò)新的權(quán)值閾值并進(jìn)行預(yù)測

將搜索出的最優(yōu)解轉(zhuǎn)換為神經(jīng)網(wǎng)絡(luò)新的權(quán)值閾值，并對測試輸入數(shù)據(jù)進(jìn)行預(yù)測。由于本文將分?jǐn)?shù)數(shù)據(jù)轉(zhuǎn)換為 5 個等級，因此所有結(jié)果應(yīng)為在區(qū)間[0，4]內(nèi)的整數(shù)。因此對神經(jīng)網(wǎng)絡(luò)的輸出值進(jìn)行取整。設(shè)正確率為預(yù)測正確的數(shù)量與輸出數(shù)據(jù)的數(shù)量的比值。本模型得到 的 正 確 數(shù) 量 為 27，輸 出 數(shù) 據(jù) 總 共 33 個，正 確 率 為81.82%，MSE 為 0.181 8，并且誤差值均為1，可見誤差較小，認(rèn)為預(yù)測效果較好。預(yù)測結(jié)果如圖 5所示。

4 、結(jié) 論

本文利用ADE算法和GA算法分別對神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，可以看出，ADE 算法的收斂效果優(yōu)于后者。利用學(xué)生的成績數(shù)據(jù)，結(jié)合 Matlab 實現(xiàn)了基于自適應(yīng)差分進(jìn)化的學(xué)生成績等級預(yù)測，并且該模型的預(yù)測效果較好。該模型在學(xué)生成績的預(yù)測中具有較強的實際意義，不僅可以讓學(xué)生進(jìn)行有目的的主動學(xué)習(xí)、合理安排學(xué)習(xí)時間、提高科目的通過率，還能協(xié)助教師及時了解學(xué)生的學(xué)習(xí)情況，改善教學(xué)策略。在將來的研究中，可以進(jìn)一步獲取學(xué)生多方面的信息，并進(jìn)行量化，對大學(xué)生的期末成績進(jìn)行深入研究。

審核編輯：郭婷