韋艷玲

摘要：采用遺傳神經網絡，對高校計算機等級考試進行過級預測。該算法采用三層BP 神經網絡， 加入遺傳算法對網絡輸入進行了優(yōu)化，能夠預測學生的過級情況。教師可針對可能不通過的學生進行強化訓練，為學生順利過級及教師教學提供一定的的幫助。

關鍵詞： 遺傳神經網絡；高校計算機等級考試；預測

中圖分類號：TP311.13文獻標識碼：A 文章編號：1009-3044（2012）30-7329-03

許多大專院校都規(guī)定：學生必須要取得全國高等學校計算機等級考試合格證。許多高校很重視該種考試的“過級率”，廣西高校計算機等級考試聯(lián)考還就考試的“過級率”分別對本科和專科進行排名，作為衡量各校計算機基礎教學成績的重要標準。所以，有必要對高校計算機等級考試的過級情況進行研究和分析，對該種考試過級情況進行預測，對可能不過關的學生進行強化訓練。

影響學生高校計算機等級考試是否過級的因素多而復雜。BP神經網絡通過合理的樣本訓練、學習專家的經驗、模擬專家的行為，具有并行處理自組織、自適應、自學習能力以及較高的容錯性等優(yōu)點，遺傳算法可以優(yōu)化神經網絡，提高神經網絡的泛化能力，提高預測精度。遺傳算法與神經網絡的結合彌補了BP網絡學習過程收斂速度慢，可能陷入局部級小的不足。能較好的處理像過級預測這樣多因素、非確定性、非線性問題。

該文結合遺傳算法的神經網絡技術對高校計算機等級考試預測的相關數(shù)據(jù)進行挖掘，神經網絡的初始權值先用遺傳算法處理，經過遺傳算法操作以后，選出適應值最高的個體將權值付給BP網絡作為初值，再由BP網絡在全局搜索過的基礎上進行局部搜索，訓練出最優(yōu)網絡，從而預測學生的過級情況，達到了對學生過級進行預測的目的，為教師指導學生等級考試過級提供有益的幫助，對提高高校計算機教學水平和教學質量具有一定的指導意義。

1 遺傳神經網絡算法

1.1 BP 神經網絡介紹

BP（Back Propagation）網絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W絡，是目前應用最廣泛的神經網絡模型之一。它可以模擬人的大腦，將大量的神經元連接成一個復雜的網絡，利用已知樣本數(shù)據(jù)對神經網絡進行訓練，讓網絡存儲變量間的非線性關系，然后利用存儲的網絡信息對未知樣本進行分類。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數(shù)學方程。通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。一般情況下，神經網絡模型由三個層次組成：輸入層、中間層和輸出層。神經網絡的訓練根據(jù)與訓練集中歷史樣本數(shù)據(jù)進行對比反復的進行，并不斷的修改連接強度（權值），當輸出結果與已知結果的吻合度達到一定的精度或滿足其他結束條件時，就停止對網絡的訓練，此時就可用測試集中的數(shù)據(jù)對系統(tǒng)進行評價。

1.2 遺傳算法的計算步驟

遺傳算法的計算步驟：

1）參數(shù)編碼.首先將問題求解的參數(shù)變量轉變成遺傳個體，這過程稱其為參數(shù)編碼。

2）選擇操作：可以保持種群中的優(yōu)質個體繼續(xù)遺傳，將上一代種群中的優(yōu)質個體直接傳遞給下一代個體，增大優(yōu)質個體遺傳到下一代的概率，適應度較差的個體被淘汰。

3）交叉運算：通過不斷的雜交和基因重組繁衍后代，從而使父代優(yōu)良的特性能保留到下一代中，保證了種群數(shù)量的多樣性。

4）變異運算：保持了種群的多樣性，通過變異使種群產生新的個體，此外它還可以有效地控制搜索結果，以免陷入局部最優(yōu)解，使遺傳算法的搜索空間擴大，提高其全局的搜索能力。

1.3 遺傳神經網絡計算步驟[1-3]

步驟1 確定神經網絡的拓撲結構。

步驟2選擇染色體種群大小、交叉和突變的概率，并定義訓練的次數(shù)。定義適應性函數(shù)來度量單個染色體的性能或適應性。

步驟3編碼，得出初始種群。

步驟4解碼得到權值和閾值，賦給新建的BP神經網絡。

步驟5 使用樣本訓練和測試網絡，測試誤差。

步驟6計算適應度，選擇適應度高的染色體進行復制

步驟7進行交叉和突變操作。

步驟8得到新的種群。

步驟9用新的種群（子代）取代初始種群（父代）。

步驟10 回到步驟4，重復這個過程，直到迭代次數(shù)上限或是誤差達到訓練標準。

步驟11 將把最后一代群體中的所有個體解碼，輸出滿足條件的網絡權系數(shù)和網絡。

步驟12 輸入檢測樣本，檢驗網絡的泛化能力。

上述算法通過BP 神經網絡與遺傳算法結合計算穩(wěn)定了訓練次數(shù)和最終權值，大大加快了訓練速度。

2 遺傳神經網絡預測

2.1 數(shù)據(jù)來源及數(shù)據(jù)預處理

前期工作是通過設計問卷調查表，得到有效問卷調查表，通過清洗，共得到255個有效樣本。在本實驗中，隨機選取的155數(shù)據(jù)用來形成規(guī)則，余下的100數(shù)據(jù)用來測試[4]。

數(shù)據(jù)值設定如下：

所學專業(yè)：有“理工、管理、文史、藝術” 四檔，分別用 “4、3、2、1”表示；紀律情況：有“好、一般、差”三檔，分別用 “3、2、1”表示；學習情況：有“很好、較好、一般、差”四檔，分別用 “4、3、2、1”表示；對本課程興趣程度：有“高、中、低”三檔，分別用 “3、2、1”表示；是否常上機練習：有“是、非”兩檔，分別用 “2、1”表示；班上學習風氣：有“好、一般、差”三檔，分別用 “3、2、1”表示；教學經驗：有“豐富、一般、少”三檔，分別用 “3、2、1”表示；責任心：有 “強、一般、較差”三檔，分別用 “3、2、1”表示；課程目標：有“高要求、一般要求”兩檔，分別用 “2、1”表示；“課程難易度”有“偏難、適中、偏易”三檔，分別用 “3、2、1”表示。另外，“過級否”這一輸出字段有“通過，不通過”兩種情況，分別用 “1、0”表示。

把“所學專業(yè)（sxzy）、紀律情況（jlqk）、學習情況（xxqk）、對本課程興趣程度（xqcd）、是否常上機練習（csjlx）、班上學習風氣（bf）、教學經驗（jxjy）、責任心（zrx）、課程目標（kcmb）、課程難易度（Kcnyd）、試卷難易度（sjned）”作為條件屬性，把“過級否（gj）”作為決策屬性。

2.2 神經網絡算法實現(xiàn)

首先確定神經網絡的拓撲結構。對一般應用而言，三層網絡是較好選擇。隱含層神經網絡個數(shù)確定，可用以下公式：隱含層神經網絡個數(shù)=2*輸入層隱含層神經網絡個數(shù)+1。

本文中，樣本有11個輸入?yún)?shù)，1個輸出參數(shù)，所以這里隱含層神經網絡個數(shù)取23。BP神經網絡的拓撲結構為11-23-1。共有11*23+23*1=276個權值，23+1=24個閾值，得出遺傳算法優(yōu)化參數(shù)的個數(shù)為300個。隱含層傳遞函數(shù)采用S型正切函數(shù)tansig（），輸出層傳遞函數(shù)采用S型對數(shù)函數(shù)logsig（）。

適應度函數(shù)：選擇預測樣本的預測值與期望值的誤差矩陣的范數(shù)為目標函數(shù)的輸出，采用適應度分配函數(shù)FitnV=ranking（obj），其中obj為目標函數(shù)的輸出。選擇算子：采用隨機遍歷抽樣。交叉算子：采用單點交叉算子。變異：以隨機方式選出發(fā)生變異的基因，1變0，0變1。運行參數(shù)設定：種群大?。?0；最大遺傳代數(shù)：30；變量的二進制位數(shù)：10；交叉概率：0.01；代溝：0.95。

3 結果及分析

得到優(yōu)化化的權值和閾值的訓練誤差變化曲線（如圖1所示），預測值的準確率為93.4%，準確率是比較高的；根據(jù)預測結果，針對可能不通過的學生進行強化訓練，學生很有可能過關；該文作者積極把此算法應用于實踐。在2012年6月的全國高校計算機過級考試中，該文作者所教的兩個班級均取得了好成績，一個班過級率達到100%，一個班過級率也達到了98%，說明了遺傳神經網絡對高校計算機等級考試預測的應用是有效的，對學生順利過級及教師教學可提供一定的的幫助。

參考文獻：

[1] 余凡，趙英時，李海濤.基于遺傳BP 神經網絡的主被動遙感協(xié)同反演土壤水分[J].紅外與毫米波學報，2012，31（3），283-288.

[2] 李海俠.遺傳神經網絡滑?？刂圃诮涣魉欧刂浦械膽醚芯縖J].機械設計與制造，2012，（7）：142-144.

[3] 黃學雨，馬欣.基于遺傳神經網絡的股指預測[J].現(xiàn)代計算機，2012，（5），30-32，39.

[4] 曠昀.BP算法在高校計算機等級考試過級預測中的應用[D].北京：北京工業(yè)大學，2007.