基于BP神经网络的中学考试成绩分类补偿装置

发布时间：2022-10-21 21:31:50 来源：钱屋五金网

基于BP神经网络的中学考试成绩分类

基于BP神经网络的中学考试成绩分类 2012 人工神经网络(Artificial Neural Network)是在人类对其大脑神经网络认识理解的基础上人工构造的能实现某种功能的神经网络。它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。它实际上是一个由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统。随着人工神经网络技术的发展，被广泛地应用于图像处理、模式识别分类等领域。本文就成绩分类为对象，具体详细地设计一种应用于BP神经网络成绩分类器，经过测试BP神经网络成绩分类器可确定，该方法有效且有很好的分类效果。1 BP神经网络算法原理及分类过程 BP神经网络是采用BP算法的多层网络模型。它是由输入层、隐含层和输出层组成。隐含层可以是一层或者多层，根据实验需要而定。BP网络的学习过程由两部分组成：正向传播和反向传播。当正向传播时，信息从输入层经隐含层处理后传向输出层，每一层神经元的状态只影响下一层的神经元状态。如果在输出层得不到希望的输出，则转入反向传播，将误差信号沿原来的神经元连接通路返叫。返叫过程中，逐一修改各层神经元连接的权值。这种过程不断迭代，最后使得误差信号达到允许的范围之内。 BP神经网络采用的算法为BP算法，BP算法属于β算法，是一种监督式的学习算法。其主要思想为：对于q个输入学习样本：p1，p2，…，p^q，已知与其对应的输出样本为：T1，T2，…，T^q。学习的目的是用网络的实际输出A1，A2，…，A^q与目标矢量T1，T2，…，T^q之间的误差来修改权值，使A1(l=1，2，…，q)与期望的T1尽可能的接近，即使网络输出层的误差下方和达到最小。它是通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差的变化而逐渐逼近目标的。每一次权值和偏差的变化都与网络误差的影响成正比，并以反方向传播的方式传递到每一层。2 BP神经网络算法对中学考试成绩分类实验某县有三所高中，每个学校都有三个年级，考试成绩来自于县中学联考考试摸底，项目组选其中五门主课程——语文、数学、英语、物理、化学进行统计分类，由于三所学校每个年级人数差不多有l600多人，如果按照一般方法分类，工作量巨大。但如果采用BP神经网络分类来完成的话，就方便多了。项目组要求五门功课的平均成绩μ，按A(μ≥90)、B(μ≥80)、C(μ≥70)、D(μ≥60)、E(μ<60)分成五类，本实验通过BP神经网络分类方法进行分类。 BP神经网络采用Matlab7．0软件中的神经网络工具箱提供的标准BP算法来实现。BP神经网络分类一般包括三个阶段：一是网络设计，主要包括网络的层数、网络各层的节点数、神经元的激励函数以及网络学习算法的确定，其中隐含层数目及节点数目实验需要选取；二是网络对样本数据进行学习，以获得优化的连接权值矩阵；三是利用学习的结果对数据进行分类，本文BP神经网络结图如图1所示。根据在学习阶段中所确定的各层权系数矩阵，依次对成绩数据组进行处理，根据输出结果与每类期望值的对比一哿误差最小的一类作为分类结果。本文采用均方差来评价分类的精度(精度分析是数据分类过程中不可缺少的工作。通过精度分析，分类人员能确定分类模式的有效件，改进分类模式，提高分类精度；使用者能够根据分类结果的精度，正确、有效地获取分类结果中的信息)。 BP神经网络运行分类的分析结果如表1、表2所示。

在实验中，学习速率决定每一次循环训练中所产生的权值变化量，虽然选取较小的学习速率(一般选取范围为0.0l～0.8)导致较长的训练时间，可能收敛很慢，但是却能保证网络的误差不跳出误差表而的低谷而最终趋于最小误差值，以保证系统的稳定性，由图3可知学习速率(Ir)在0.01与0.8之间，在100步之后，只是在0．20到0．40之间振荡，保证了系统稳定件以及误差可收敛于最小值。由图4所示的网络训练均方差(mse)下降曲线分析可知误差小于l0﹣1，满足项目组要求。实验分类用时3分43秒，而采用感知器分类需要8分26秒，与其他分类方法对比，BP网络的分类时间较少，且分类精度较高。通过实验，BP神经网络分类法快速、有效的将三组考试成绩分成五类。分析实验中的各项参数(图2)，实验结果满足项目组要求。

3 结论

本文根据中学考试成绩，采用BP神经网络设计分类器，并进行有效的训练和测试。应用改进的BP算法对网络进行训练，使网络很快得到收敛，解决了一般方法收敛慢的缺陷。研究结果表明，BP神经网络分类方法简洁、快速、有效。由于BP算法采用梯度下降法，训练是从某一起点沿误差函数的斜而逐渐达到误差的最小值，故在训练过程中易陷入局部极小值。如何通过神经元、网络层数、网络的复杂件及训练的时间来进行调解，还需在以后学习进一步研究。