CN104867074A - 基于遗传算法优化bp神经网络的学生综合素质测定方法 - Google Patents
基于遗传算法优化bp神经网络的学生综合素质测定方法 Download PDFInfo
- Publication number
- CN104867074A CN104867074A CN201510252506.6A CN201510252506A CN104867074A CN 104867074 A CN104867074 A CN 104867074A CN 201510252506 A CN201510252506 A CN 201510252506A CN 104867074 A CN104867074 A CN 104867074A
- Authority
- CN
- China
- Prior art keywords
- neural network
- student
- genetic algorithm
- students
- comprehensive quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于遗传算法优化BP神经网络的学生综合素质测定方法,包括以下步骤:S1,构造样本数据:获取学生各项素质指标的样本数据,作为BP神经网络的训练样本;S2,确定网络拓扑结构:确定BP神经网络隐含层层数以及各层所含神经元的个数,同时初始化神经网络的权值阈值;S3,权值阈值优化:采用遗传算法优化BP神经网络的权值阈值;S4,训练及测试:对BP神经网络进行训练,并利用未曾训练过的数据进行测试;S5,学生综合素质测定:将学生的各项素质指标数据输入训练好的BP神经网络,从而实现了对学生综合素质的测定。本发明提高了学生综合素质评定的效率和准确性。
Description
技术领域
本发明涉及一种素质测定方法,尤其是一种基于遗传算法优化BP神经网络的学生综合素质测定方法。
背景技术
当前的教育理论认为,每个人在后天都能得到充分的发展,然而现在的评价体系存在很多弊端,已经越来越不适应学生的发展,反而背道而驰。主要表现在:
1.评价途径单一,只是对一张试卷的得分情况进行评价,成绩是评价的唯一途径;
2.评价内容单一,以书面考试为主,只关注了学生的知识掌握情况,缺乏对学生学习态度、学习创新能力的关注;
3.评价方式单一,只通过学科考试来评价学生,逐步把学生培养成会应付考试的机器,淹没了学生在课外的实践、人际交往能力。
目前,中高考的“一考定终身制度”,导致中学教育过于偏重知识性、技巧性训练,抹杀了学生的个性和差异。在一个个鲜活的学生个体面前,这一制度显得过于冰冷和僵化,使我们错失了很多综合素质高或学有专长的可造之才。也有越来越多的教育界人士承认,学生只有差异,没有优劣之分。一张再好的试卷也考不出学生的综合素质,在学生能力多元化、社会人才需求多样化的今天,用分数这一把尺子衡量个性、专长各异的人才并不公平。
学生素质评价是新课程改革的主要内容,是二期课程改革精神的要求,新的《课程标准》对学科学习评价及时地提出了新的理念。理念明确指出,评价的主要目的是为了全面了解学生的学习过程,激励学生主动的学习和不断改进教师的教学过程,应建立评价目标多元化,评价方法多样化,评价过程灵活化的教育评价体系。对学生学科学习的评价不仅要关注学生的学习成果,更要关注学生的学习态度和学习过程;不仅要关注学科学习能力,更要关注他们的劳动能力、审美能力和人际交往能力。帮助学生认识自我,实现德智体美劳全面发展。在以人为本,促进学生可持续发展思想的指导下,很多学者对学生综合素质的评价进行了研究。
目前的研究成果有,《第5届教育教学改革与管理工程学术年会论文集》2012中的《BP神经网络在高校学生综合素质评价中的应用》,提出了基于BP神经网络的学生综合素质评价模型;《电脑知识与技术》2009中的《基于BP神经网络的学生综合素质评价的算法设计》,提出了基于BP神经网络的学生综合素质评价的算法设计;《河北师范大学学报》2011中的《基于SOFM神经网络的学生综合评价》,提出了基于SOFM神经网络的学生综合评价模型;《辽宁师范大学》2011中的《基于层次分析的初中学生综合素质评价研究》,提出了基于层次分析的初中学生综合素质评价模型;《长江大学学报》2008,5(4):317-319中的《基于遗传算法的学生综合素质评价》,提出了基于遗传算法的学生综合素质评价模型;《山东师范大学》2007中的《基于模糊评判的高校学生综合素质评价体系研究》,提出基于模糊评判的高校学生综合素质评价模型;《武汉理工大学学报》2007中的《基于模糊层次分析法的大学生综合素质评价》,提出了基于模糊层次分析法的大学生综合素质评价模型。
但是现有技术又存在以下缺点:BP神经网络容易陷入局部极小点,并且收敛速度慢,从而导致综合素质测定效率较低;SOFM神经网络存在从高维映射到低维容易出现畸变等问题,从而导致综合素质测定的准确率较低;层次分析法中当指标过多时,数据统计量大,这时就需要对众多的指标进行两两比较,但是对两两指标的重要程度确定比较困难,甚至会对层次单排序和总排序的一致性产生影响,使一致性检验不能通过;同时由于客观事物的复杂性或对事物认识的片面性,通过所构造的判断矩阵求出的特征向量(权值)不一定是合理的,因此也存在综合素质测定的准确率较低的问题;基于遗传算法的学生综合素质评价中也用到了层次分析法来确定指标权值,也会导致综合素质测定的准确率较低的问题;基于模糊评判的高校学生综合素质评价方法需要确定评判矩阵,评判矩阵的确定受主观因素影响较大,因此也存在综合素质测定准确率较低的问题;模糊层次分析法虽然改进了层次分析法的判断矩阵的一致性问题,但是这种方法在一定程度上受较多的主观因素影响,各项指标权重的确定还有待进一步的改进,因而综合素质测定的准确率也较低。
发明内容
本发明的目的在于,提供一种基于遗传算法优化BP神经网络的学生综合素质测定方法,它可以有效解决现有技术中存在的问题,更好的解决学生综合素质测定问题,使得测定结果更加快速、精确。
为解决上述技术问题,本发明采用如下的技术方案:基于遗传算法优化BP神经网络的学生综合素质测定方法,包括以下步骤:
S1,构造样本数据:获取学生各项素质指标的样本数据,作为BP神经网络的训练样本;
S2,确定网络拓扑结构:确定BP神经网络隐含层层数以及各层所含神经元的个数,同时初始化神经网络的权值阈值;
S3,权值阈值优化:采用遗传算法优化BP神经网络的权值阈值;
S4,训练及测试:对BP神经网络进行训练,并利用未曾训练过的数据进行测试;
S5,学生综合素质测定:将学生的各项素质指标数据输入训练好的BP神经网络,从而实现了对学生综合素质的测定。
优选的,步骤S1中所述的各项素质指标包括学生的德、智、体、美、劳指标及其个性发展指标,可通过学生学习成绩、学生成长档案成绩以及教师对学生的评定成绩获得,从而实现了对学生的综合素质进行全方面、多元化的测定。
更优选的,步骤S1还包括:将获取的学生各项素质指标的样本数据中的分数转换为标准分Z,从而可以反映学生成绩在全体学生成绩中的位置,且不受试题难易度的影响,使得各个学生的综合素质测定更加客观、科学、合理和具有可比性,同时可以更精确的反应学生的学习水平。
以及将获取的学生各项素质指标的样本数据中的等级成绩转化为标准分Z。
具体的,所述的将获取的学生各项素质指标的样本数据中的等级成绩转化为标准分Z具体包括以下步骤:
(1)计算评定人员评定的各个等级的人数比率;
(2)计算本评定小组1/2的面积与本评定小组以下面积之和;
(3)计算本评定小组的评分点至Z=0之间的面积;
(4)根据正太分布表,查找与步骤(3)中结果最接近的P值,与该P值相对应的Z值即各等级中点所对应的Z分数。
优选的,步骤S2中,所述的BP神经网络隐含层层数为1,该隐含层所含神经元的个数为11个,从而使得对学生综合素质的测定效率更高同时测定结果更精确。
前述的基于遗传算法优化BP神经网络的学生综合素质测定方法中,步骤S3所述的采用遗传算法优化BP神经网络的权值阈值具体包括以下步骤:
a.通过BP神经网络确定权值、阈值长度;
b.对BP神经网络的权值和阈值进行实数编码,产生初始种群;
c.采用BP神经网络的实际输出和期望输出的均方差函数的倒数作为适应度函数,并通过适应度函数确定每个个体的适值(误差越小,适值越大);
d.利用选择、交叉、变异进行循环操作,直到超过设定的迭代次数时停止,选择适值最大的个体作为群体的最优个体;
e.用当前群体的最优个体,分解为BP神经网络的连接权值和阈值,用最优的权值和阈值作为BP神经网络的初始权值和阈值。
步骤d中所述的设定的迭代次数,是根据权值的稳定性确定的。
所述的“适值”为学生综合素质测定的期望输出和实际输出的误差的倒数,“适值”越大,也就意味着期望输出和实际输出的误差越小。
步骤d中所述的“交叉”和“变异”操作,能够产生原种群中没有出现的新个体,提供新策略,更容易产生新的更优的个体。
优选的,步骤d中,利用轮盘赌诸法作为选择方法。
优选的,步骤S4中采用BFGS准牛顿BP算法对BP神经网络进行训练。
更优选的,步骤d中,设定的迭代次数为80代,从而使得适值趋于稳定。
为了验证本发明的效果,发明人进行了以下试验研究,具体内容如下:
一、利用BP神经网络进行学生综合素质评价的步骤包括:
(1)构造样本数据:获取学生各项素质指标的样本数据,作为BP神经网络的训练样本;
(2)确定网络拓扑结构:确定BP神经网络隐含层层数以及各层所含神经元的个数,同时初始化神经网络的权值阈值;
(3)训练及测试:对BP神经网络进行训练,并利用未曾训练过的数据进行测试;
(4)学生综合素质测定:将学生的各项素质指标数据输入训练好的BP神经网络,从而实现了对学生综合素质的测定。
二、学生综合素质测定研究
1.算例介绍
本发明从德、智、体、美、劳以及个性发展六方面对学生进行综合素质测定,具体的测定指标有19个,即爱国情感和政治态度,政治理论水平,集体行为,文明行为,遵纪守信,基础知识,进步情况,创造能力,学习态度,体育技能,健康水平,卫生知识,形态,审美知识,审美能力,劳动观念,劳动技能,兴趣特长,意志性格。
以上19项指标的数据来自学生的测验成绩、学生成长档案成绩以及教师对学生的评定成绩。评定等级确定及评定信息来源如表1所示:
表1 学生综合素质评定指标
将各项分数转换为标准分Z,由于标准分是通过原始分转化而得到的一种相对量数,因而能够反映学生成绩在全体学生成绩中的位置。
所述的标准分Z,用公式表示为:
其中:xi为该次考试中考生个人所得的原始分;x0为该次考试中全体考生的平均分;σ为该次考试分数的标准差;N为学生个数。
因此,无论试题难或易,无论整体原始分偏高或偏低,整体标准分都没有什么变化。而且不同学科的标准分之间具有可比性和可加性,所以用标准分来代替原始分能更精确的反应学生的学习水平。
上述的集体活动记录、学生违纪记录等记录都设定了具体事项对应的分数,可以得出学生各个阶段的记录得分。
对于上述指标中诸如爱国情感与政治态度、集体行为、文明行为等不易得到某一具体分数的情况,采用等级评定方法。等级分数简单易懂,在教育评价中具有广泛的应用。但是等级分数不能进行代数运算,例如把几个教师对同一学生的评定成绩求平均,不便于对数据进一步处理分析。所以,本发明中需要将等级成绩数量化——即求出每个满足正态分布评定的各个等级中点所对应的标准分Z。
下面以爱国情感与政治态度为例,描述等级评定数量化的方法。
假设:由评判小组(甲乙丙3人)对200名学生进行素质评定。全体学生品质的评定结果如表2所示:
表2 学生品质评定结果
由于学生成绩的分布一般为正态分布,因此可按下列相应步骤化等级评定为Z分数(标准分)。
(1)计算三位教师评定的各级人数比率:如表3中的第2、5、8列所示:
如10/200=0.05
(2)计算本组1/2的面积与本组以下面积之和:如表3中的第3、6、9列所示:
如1/2*0.05+0.95=0.975
(3)计算本组面积的评分点至Z=0之间的面积,即算出步骤2中的结果与0.5差值的大小:
如0.975-0.5=0.475
(4)从正态分布表中找到与步骤3中的结果最接近的P值,与该P值相对应的Z值就是各等级中点所对应的数量化分数,即Z分数,如表3中的第4、7、10列所示(若这一比率比0.5小,Z为负;反之则为正)。
表3 等级评定计算表
假设其中三名学生的评定成绩如表4所示:
表4 评定成绩
通过上述等级评定数量化方法将定性的评定转换成了能够计算的分数,可以与成绩得分、记录得分做算术运算。
本发明获得学生各指标分数并转化成[0,1]之间的标准分,部分数据样本如表5所示:
表5 样本数据
2.基于BP神经网络的学生综合素质评定
本试验采用100组数据作为训练样本,用于训练BP神经网络模型,网络结构选择BP(19,11,1),即输入层神经元个数为19个;隐含层为一层,神经元个数为11个;输出层神经元个数为1个。
首先利用训练样本数据训练神经网络,并通过结果来验证网络的记忆能力,表6为学生综合素质评定的训练结果。图5为BP神经网络训练的收敛情况。
表6 神经网络学生综合素质评价
由表6可以看出:神经网络有很好的学习能力,并且准确率较高,有很好的记忆能力。
BP神经网络训练结束后,用11组未曾训练过的数据进行测试,测试结果如表7所示:
表7 BP神经网络测试结果
表7的测试结果显示:仅有个别数据误差略大,预测效果证明此网络训练成功,有比较好的泛化能力,可用于学生综合素质评价中。图7为BP神经网络的期望输出与实践输出对比图。
三、遗传算法优化BP神经元网络
遗传算法优化神经网络是神经网络结构与遗传算法两部分的结合,因此既需要在神经网络中建立网络结构并初始化相关数据,又需要在遗传算法中寻找全局最优个体作为神经网络的权值和阈值,最后还需要在神经网络结构中实现结果的输出,完成对学生的综合素质测定,具体包括以下步骤:
S1,构造样本数据:获取学生各项素质指标的样本数据,作为BP神经网络的训练样本;
S2,确定网络拓扑结构:确定BP神经网络隐含层层数以及各层所含神经元的个数,同时初始化神经网络的权值阈值;
S3,权值阈值优化:采用遗传算法优化BP神经网络的权值阈值;
S4,训练及测试:对BP神经网络进行训练,并利用未曾训练过的数据进行测试;
S5,学生综合素质测定:将学生的各项素质指标数据输入训练好的BP神经网络,从而实现了对学生综合素质的测定。
其中,步骤S3具体包括:
a.通过BP神经网络确定权值、阈值长度;
b.对BP神经网络的权值和阈值进行实数编码,并随时产生包含P个个体的初始种群;每个个体均为一个实数串,由输入层与隐含层的连接权值、隐含层阈值、隐含层与输出层的连接权值以及输出层阈值4部分组成。代表了一个神经网络的连接关系。
c.采用BP神经网络的实际输出和期望输出的均方差函数的倒数作为适应度函数,并通过适应度函数确定每个个体的适值,误差越小,适值越大;
d.利用选择(利用轮盘赌注法作为选择方法,各个个体的选择概率和其适应度值成比例;适应度值越大则被选择的概率越大;选择其中一部分适值大的个体作为父代,适值小的个体被淘汰)、交叉、变异进行循环操作,产生子代,如果子代的适值比父代的适值大,则将父代的个体淘汰,子代变成新的父代;一直保持父代中的个体数目不变;重复步骤c~d,直到超过设定的迭代次数时停止,选择适值最大的个体作为群体的最优个体;
e.用当前群体的最优个体,分解为BP神经网络的连接权值和阈值,用最优的权值和阈值作为BP神经网络的初始权值和阈值;
f.用预设的算法参数训练BP神经网络;
g.满足训练目标,训练终止。
遗传算法优化BP神经网络的流程图如图2所示。
遗传算法能将BP神经网络过快速的调整到最优值,使误差函数最小并达到收敛。遗传算法能够快速寻找出种群中的最优个体,即能够挑选出较优的BP神经网络权值与阈值。适应度曲线与误差和曲线如图3、图4所示。
首先利用训练样本数据训练经过遗传算法优化的神经网络,并通过结果来验证网络的记忆能力,表8为学生综合素质评价的训练结果。图6为遗传算法优化BP神经网络训练收敛情况。
表8 遗传算法优化神经网络学生综合素质评价
BP神经网络训练结束后,用11组未曾训练过的数据进行测试,测试结果如表9所示:
表9 遗传算法优化BP神经网络测试结果
以上表9可以看出:遗传算法优化的BP神经网络在学生综合素质评定中误差很小,而且优于单纯的BP神经网络,有更稳定的输出结果。图8为遗传算法优化BP神经网络的期望输出与实际输出对比图。由图5、图6对比可以看出,经过遗传算法优化的BP神经网络能够更快的收敛,减少了迭代次数,改善了BP神经网络易陷入局部极小点的缺点,从而提高了学生综合素质评定的效率和准确性。
与现有技术相比,本发明通过采用遗传算法优化BP神经网络的权值阈值,使之更接近真实值,而不是单纯的随机赋值,而且BP神经网络用优化好的初始值进行迭代训练,从而大大加快了收敛速度,提高了学生综合素质评定的效率和准确性。此外,BP神经网络的训练方法有很多种,而且训练方法的选取对训练效果有至关重要的影响,本发明经过大量的仿真训练研究后发现:采用BFGS准牛顿BP算法(即trainbfg算法)对BP神经网络进行训练,能准确的收敛到最优点,从而可以最高效的获得最精确的学生综合素质评定结果。此外,发明人通过大量的分析研究证明:具有单隐含层的BP网络可以映射任意连续的非线性函数,只有当学习不连续函数(如锯齿波等)时,才需要两个隐含层;增加隐含层层数可以提高训练精度,降低误差,但网络会变复杂,反而延长训练时间;可以通过增加隐含层节点数来提高误差精度,当增加节点数仍不能明显降低误差时,则可以再增加隐含层层数。隐含层神经元个数参考公式式中n和m分别为输入和输出层的节点数,α为介于[1,10]之间的常数,结果由测试精度和网络泛化能力综合决定。研究表明,本发明的BP神经网络隐含层层数为1,该隐含层所含神经元的个数为11个时,不仅学生综合素质的测定效率高,而且测定结果也较精确。此外,本发明中将获取的学生各项素质指标的样本数据中的分数转换为标准分Z,同时将获取的学生各项素质指标的样本数据中的等级成绩也转化为标准分Z,从而使得测定学生综合素质时定性评定与定量评定的结合成为可能,可以实现学生更客观、更准确的的综合素质评定;另外,本发明中将获取的学生各项素质指标的样本数据中的分数转换为标准分Z,从而可以反映学生成绩在全体学生成绩中的位置,且不受试题难易度的影响,使得各个学生的综合素质测定更加客观、科学、合理和具有可比性,同时可以更精确的反应学生的学习水平。仿真结果表明,遗传算法优化后的BP神经网络在收敛速度以及误差精度方面都有极大的提高。
附图说明
图1为本发明的实施例的方法流程图;
图2为遗传算法优化BP神经网络流程图;
图3为遗传算法适应度曲线图;
图4为遗传算法误差平方和曲线图;
图5为BP神经网络训练结果;
图6为遗传算法优化BP神经网络训练结果;
图7为BP神经网络期望输出与实践输出对比图;
图8为遗传算法优化BP神经网络后期望输出与实践输出对比图。
下面结合附图和具体实施方式对本发明作进一步的说明。
具体实施方式
本发明的实施例:基于遗传算法优化BP神经网络的学生综合素质测定方法,如图1所示,包括以下步骤:
S1,构造样本数据:获取学生各项素质指标的样本数据,同时将该样本数据中的分数和等级成绩转换为标准分Z后,作为BP神经网络的训练样本;所述的各项素质指标包括学生的德、智、体、美、劳指标及其个性发展指标;所述的将获取的学生各项素质指标的样本数据中的等级成绩转化为标准分Z具体包括以下步骤:
(1)计算评定人员评定的各个等级的人数比率;
(2)计算本评定小组1/2的面积与本评定小组以下面积之和;
(3)计算本评定小组的评分点至Z=0之间的面积;
(4)根据正太分布表,查找与步骤(3)中结果最接近的P值,与该P值相对应的Z值即各等级中点所对应的Z分数;
S2,确定网络拓扑结构:确定BP神经网络隐含层层数为1层以及各层所含神经元的个数为11个,同时初始化神经网络的权值阈值;
S3,权值阈值优化:采用遗传算法优化BP神经网络的权值阈值,具体包括:
a.通过BP神经网络确定权值、阈值长度;
b.对BP神经网络的权值和阈值进行实数编码,产生初始种群;
c.采用BP神经网络的实际输出和期望输出的均方差函数的倒数作为适应度函数,并通过适应度函数确定每个个体的适值;
d.利用选择(采用轮盘赌诸法)、交叉、变异进行循环操作,直到超过设定的迭代次数(如80代)时停止,选择适值最大的个体作为群体的最优个体;
e.用当前群体的最优个体,分解为BP神经网络的连接权值和阈值,用最优的权值和阈值作为BP神经网络的初始权值和阈值;
S4,训练及测试:采用BFGS准牛顿BP算法对BP神经网络进行训练,并利用未曾训练过的数据进行测试;
S5,学生综合素质测定:将学生的各项素质指标数据输入训练好的BP神经网络,从而实现了对学生综合素质的测定。
Claims (10)
1.基于遗传算法优化BP神经网络的学生综合素质测定方法,其特征在于,包括以下步骤:
S1,构造样本数据:获取学生各项素质指标的样本数据,作为BP神经网络的训练样本;
S2,确定网络拓扑结构:确定BP神经网络隐含层层数以及各层所含神经元的个数,同时初始化神经网络的权值阈值;
S3,权值阈值优化:采用遗传算法优化BP神经网络的权值阈值;
S4,训练及测试:对BP神经网络进行训练,并利用未曾训练过的数据进行测试;
S5,学生综合素质测定:将学生的各项素质指标数据输入训练好的BP神经网络,从而实现了对学生综合素质的测定。
2.根据权利要求1所述的基于遗传算法优化BP神经网络的学生综合素质测定方法,其特征在于,步骤S1中所述的各项素质指标包括学生的德、智、体、美、劳指标及其个性发展指标。
3.根据权利要求1所述的基于遗传算法优化BP神经网络的学生综合素质测定方法,其特征在于,步骤S1还包括:将获取的学生各项素质指标的样本数据中的分数转换为标准分Z。
4.根据权利要求3所述的基于遗传算法优化BP神经网络的学生综合素质测定方法,其特征在于,步骤S1还包括:将获取的学生各项素质指标的样本数据中的等级成绩转化为标准分Z。
5.根据权利要求4所述的基于遗传算法优化BP神经网络的学生综合素质测定方法,其特征在于,所述的将获取的学生各项素质指标的样本数据中的等级成绩转化为标准分Z具体包括以下步骤:
(1)计算评定人员评定的各个等级的人数比率;
(2)计算本评定小组1/2的面积与本评定小组以下面积之和;
(3)计算本评定小组的评分点至Z=0之间的面积;
(4)根据正太分布表,查找与步骤(3)中结果最接近的P值,与该P值相对应的Z值即各等级中点所对应的Z分数。
6.根据权利要求1或5所述的基于遗传算法优化BP神经网络的学生综合素质测定方法,其特征在于,步骤S2中,所述的BP神经网络隐含层层数为1,该隐含层所含神经元的个数为11个。
7.根据权利要求6所述的基于遗传算法优化BP神经网络的学生综合素质测定方法,其特征在于,步骤S3中所述的采用遗传算法优化BP神经网络的权值阈值具体包括以下步骤:
a.通过BP神经网络确定权值、阈值长度;
b.对BP神经网络的权值和阈值进行实数编码,产生初始种群;
c.采用BP神经网络的实际输出和期望输出的均方差函数的倒数作为适应度函数,并通过适应度函数确定每个个体的适值;
d.利用选择、交叉、变异进行循环操作,直到超过设定的迭代次数时停止,选择适值最大的个体作为群体的最优个体;
e.用当前群体的最优个体,分解为BP神经网络的连接权值和阈值,用最优的权值和阈值作为BP神经网络的初始权值和阈值。
8.根据权利要求7所述的基于遗传算法优化BP神经网络的学生综合素质测定方法,其特征在于,步骤d中,利用轮盘赌诸法作为选择方法。
9.根据权利要求1或7所述的基于遗传算法优化BP神经网络的学生综合素质测定方法,其特征在于,步骤S4中采用BFGS准牛顿BP算法对BP神经网络进行训练。
10.根据权利要求7所述的基于遗传算法优化BP神经网络的学生综合素质测定方法,其特征在于,步骤d中,设定的迭代次数为80代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510252506.6A CN104867074A (zh) | 2015-05-15 | 2015-05-15 | 基于遗传算法优化bp神经网络的学生综合素质测定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510252506.6A CN104867074A (zh) | 2015-05-15 | 2015-05-15 | 基于遗传算法优化bp神经网络的学生综合素质测定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104867074A true CN104867074A (zh) | 2015-08-26 |
Family
ID=53912892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510252506.6A Pending CN104867074A (zh) | 2015-05-15 | 2015-05-15 | 基于遗传算法优化bp神经网络的学生综合素质测定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104867074A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046377A (zh) * | 2015-09-06 | 2015-11-11 | 河海大学 | 基于bp神经网络筛选水库防洪调度方案优选指标的方法 |
CN106157204A (zh) * | 2016-06-20 | 2016-11-23 | 山东师范大学 | 一种基于bp神经网络模型的学生学业成绩预测方法及系统 |
CN106442470A (zh) * | 2016-08-31 | 2017-02-22 | 广州博谱能源科技有限公司 | 一种基于激光诱导击穿光谱和遗传神经网络的煤质特性定量分析方法 |
CN109106384A (zh) * | 2018-07-24 | 2019-01-01 | 安庆师范大学 | 一种心理压力状况预测方法及系统 |
CN109147891A (zh) * | 2018-09-03 | 2019-01-04 | 秦怡静 | 一种基于bp神经网络和遗传算法的形象气质提升方法 |
CN109934422A (zh) * | 2019-04-25 | 2019-06-25 | 中国人民解放军国防科技大学 | 一种基于时间序列数据分析的神经网络风速预测方法 |
CN110751374A (zh) * | 2019-09-26 | 2020-02-04 | 中电万维信息技术有限责任公司 | 基于神经网络的电子政务考核方法及相关设备 |
CN111863248A (zh) * | 2020-08-04 | 2020-10-30 | 桂林电子科技大学 | 一种构建临床决策模型的有效方法 |
CN112700132A (zh) * | 2020-12-30 | 2021-04-23 | 河北地质大学 | 一种基于区间模型的研究生教育质量评价系统及方法 |
CN113837542A (zh) * | 2021-08-20 | 2021-12-24 | 华北水利水电大学 | 一种研究生培养质量评价模型 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315557A (zh) * | 2008-06-25 | 2008-12-03 | 浙江大学 | 基于遗传算法优化bp神经网络的丙烯聚合生产过程最优软测量仪表及方法 |
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
-
2015
- 2015-05-15 CN CN201510252506.6A patent/CN104867074A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315557A (zh) * | 2008-06-25 | 2008-12-03 | 浙江大学 | 基于遗传算法优化bp神经网络的丙烯聚合生产过程最优软测量仪表及方法 |
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
Non-Patent Citations (2)
Title |
---|
张修文 等: "基于遗传算法优化的BPNN读者满足率评价模型", 《中华医学图书情报杂志》 * |
耿爱媛: "基于GA-BP神经网络的智能评语生成的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046377A (zh) * | 2015-09-06 | 2015-11-11 | 河海大学 | 基于bp神经网络筛选水库防洪调度方案优选指标的方法 |
CN106157204A (zh) * | 2016-06-20 | 2016-11-23 | 山东师范大学 | 一种基于bp神经网络模型的学生学业成绩预测方法及系统 |
CN106442470A (zh) * | 2016-08-31 | 2017-02-22 | 广州博谱能源科技有限公司 | 一种基于激光诱导击穿光谱和遗传神经网络的煤质特性定量分析方法 |
CN109106384A (zh) * | 2018-07-24 | 2019-01-01 | 安庆师范大学 | 一种心理压力状况预测方法及系统 |
CN109106384B (zh) * | 2018-07-24 | 2021-12-24 | 安庆师范大学 | 一种心理压力状况预测方法及系统 |
CN109147891A (zh) * | 2018-09-03 | 2019-01-04 | 秦怡静 | 一种基于bp神经网络和遗传算法的形象气质提升方法 |
CN109934422A (zh) * | 2019-04-25 | 2019-06-25 | 中国人民解放军国防科技大学 | 一种基于时间序列数据分析的神经网络风速预测方法 |
CN110751374A (zh) * | 2019-09-26 | 2020-02-04 | 中电万维信息技术有限责任公司 | 基于神经网络的电子政务考核方法及相关设备 |
CN111863248A (zh) * | 2020-08-04 | 2020-10-30 | 桂林电子科技大学 | 一种构建临床决策模型的有效方法 |
CN111863248B (zh) * | 2020-08-04 | 2022-10-11 | 桂林电子科技大学 | 一种构建临床决策模型的有效方法 |
CN112700132A (zh) * | 2020-12-30 | 2021-04-23 | 河北地质大学 | 一种基于区间模型的研究生教育质量评价系统及方法 |
CN113837542A (zh) * | 2021-08-20 | 2021-12-24 | 华北水利水电大学 | 一种研究生培养质量评价模型 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104867074A (zh) | 基于遗传算法优化bp神经网络的学生综合素质测定方法 | |
Callingham et al. | The development of statistical literacy at school | |
Kaplan et al. | Bayesian statistical methods | |
Wu | Comparing the similarities and differences of PISA 2003 and TIMSS | |
Tanjung | Impact of public wellness, competitiveness, and government effectiveness on quality of education in Asian countries. | |
Embretson et al. | Item response theory | |
Orosco | Measuring elementary student’s mathematics motivation: a validity study | |
Mardianto et al. | Prediction the number of students in indonesia who study in tutoring agency and their motivations based on fourier series estimator and structural equation modelling | |
Chistella et al. | A comparison between generative learning model and CORE learning model: the influence on learners’ higher order thinking skill | |
Fox | Applications of multilevel IRT modeling | |
Bas | Curriculum design orientations preference scale of teachers: Validity and reliability study. | |
Kang et al. | The feasibility of practical vocational education in higher education institutions | |
Wafa | Assessing School Students' Mathematic Ability Using DINA and DINO Models | |
Abdullah et al. | Parallel circuit conceptual understanding test (PCCUT) | |
Kartika et al. | Students’ Data Literacy Ability in Physics Using the Physics E-Module Integrated with the Values of Pancasila During the Covid-19 | |
Satchakett et al. | Development of Heuristics Problem Solving, and learning achievement of grade 9 students by using learning management focusing on Heuristics Approach in Thailand | |
Camilli et al. | IRT scoring procedures for TIMSS data | |
Maesaroh et al. | Mathematical reasoning ability and resilience (experiment with senior high students using inductive and deductive approach and based on student’ s cognitive stage) | |
Rogosa | Irrelevance of reliability coefficients to accountability systems: Statistical disconnect in Kane-Staiger “Volatility in School Test Scores” | |
Susbiyanto et al. | Perception of citizen science project in ecology courses using rasch measurement model | |
Zieffler et al. | Studying the role of simulation in developing students’ statistical reasoning | |
Zaman et al. | Analysis of multiple choice items and the effect of items sequencing on difficulty level in the test of Mathematics | |
Dykes | RTI Implementation Challenges for Rural Elementary Principals. | |
Wu et al. | Research on the quality assurance path of academic gradaute education | |
Widiarini et al. | Influential Factors Affecting Students’ Achievement in Higher Education Institution System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150826 |