BP神经网络在大学生社团评价中的应用
来源:用户上传
作者:杨昌昌 武瑛 王唯 王薪涵 王洁
摘要：在分析了高校社团评价的特点上，结合BP神经网络的特点，探讨了基于BP神经网络来评价社团质量的方法。利用神经网络建立起高校评价社团的系统模型，将评价各项指标作为输入，最终评价结果作为输出，运用Tensorflow深度学习框架运行得到符合条件的模型。为高校开展学生社团工作提供一些借鉴和帮助。
关键词：高校社团评价;BP神经网络
中图分类号：TP399 文献标识码：A
文章编号：1009-3044（2020）08-0206-02
近年来我国高等教育发展迅速，高校中的社团数量也随之增多。面对新时期的挑战，如何进一步整合资源，加强和改进高校学生社团管理，提高社团质量，进一步丰富学生社团生活的形式，更加科学有效地管理和引导学生社团的良性发展，不仅是适应高等教育改革发展和大力推进素质教育的迫切需要，也是新时期高校人才培养和校园文化建设所面临的重要课题[1]。社团评价的目的是为了更好地发挥学生在社团活动中的积极作用，提高学生参与社团活动的积极性，促进社团管理的规范化，使社团真正为学生的兴趣课堂服务。目前，大多数高校评价社团是否优秀主要还是通过人为的进行加权打分，这些方法为评估社团质量提供了参考，但也存在一些不足，如主观性较强，导致最终结果误差偏大，科学性不高等。而神经网络这一工具具有很强的自学能力以及鲁棒性和容错性。为使评价结果更接近实际情况，本文提出应用BP神经网络对大学生社团进行评价的方法，可以避免传统评价方法的主观性。对社团活动评价的处理具有很好的效果。
1 BP神经网络原理
人工神经网络理论（Artificial Neural Network，即ANN）理论是20世纪80年代中后期世界范围内迅速发展起的一个机器学习。它可以模仿人脑进行学习、训练，一直找到一个适合其训练内容的一个结果。
BP（Back-propagation）神经网络是最传统的神经网络，也是目前研究最多最广的ANN模型。可以实现任何复杂的、多因素、不确定和非线性的映射关系，是目前应用最广泛的人工神经网络模型一[2]。BP网络能学习和存贮大量的输入一输出模式映射关系，而无须事前揭示描述这种映射关系的数学方程。BP神经网络模型拓扑结构包括输入层（input）、隐层（hidden lay-er）和输出层（output layer）;在训练过程中由正向传播和反向传播组成。它是一种按误差逆传播算法训练的多层前馈网络，其主要特点是：信号是前向传播的，而误差是反向传播的，每一神经元只会影响下一层神经元[3]。神经网络利用现有的数据找出输入与输出之间的权值关系（近似），然后利用这样的权值关系进行仿真。该算法实际上是求误差函数的极小值，并采用最快的梯度下降法使得权值沿着误差函数负方向改变，最终收敛于最小点。BP网络三层节点分别表示为：输入节点XJ，隐含层节点yi，输出节点ol。典型的BP神经网络模型如图l所示[4]。
2 基于BP神经网络的社团活动评估模型
我校对于社团有年检考核细则，主要从社团管理，社团活动，社团财务和社团会员几大块，细分到几十项来打分。在传统方法中，通常只是将各项分数相加得到总分，根据总分来评判活动开展的优良，或人为地给出各指标的权值来加权求和，其评价结果带有非常大的主观性。
本文将选用三层网络结构来构建评价模型，即只设置一个隐含层。采用3层前向BP网络结构，即输入层、隐含层、输出层。通过输入样本数据，采用梯度下降法对BP网络进行训练，使网络的误差平方和最小，直到误差符合指定要求后，所得到的网络模型便是所需要的社团评价模型。通过训练神经网絡自动得到各项的权值，能更科学的得出社团活动评价结果[5]。
2.1 样本的获取与输入
首先，根据我校社团考核细则，设计了一份调查问卷。该问卷共有16个选项，每个选项满分为100分，请同学们根据社团活动的开展情况做出打分，最后一项是总评分。我们通过问卷星形式发放电子调查问卷，分发给不同专业不同社团的同学，以期尽量使样本数据更有客观性和代表性。共收集了50份问卷，将这些数据进行清洗，去除掉了一些无用数据（如全是满分的），将它存放到txt文档中。选取了其中12条数据，如表1所示。
2.2 模型的建立
Tensorflow是谷歌开发的深度学习系统，它可以做分类，也可以做拟合问题，是目前非常流行的深度学习框架之一。本实验在tensorflow 2.0环境下搭建神经网络模型，设定训练次数为1000次，误差为0.01，算法流程如图2所示。
实验取样本中前10条数据作为训练数据，其中每条数据前16项作为输入数据，用BP神经网络训练后作为实际输出，第17项作为期望输出，将实际输出与期望输出进行相减得到误差，我们设计训练1000次，以期误差达到期望的最小值。训练成功后得到比较准确的权值和阈值。我们用两组检验样本对训练好的BP模型进行了检验，结果如表2所示。由表2可见，这2个样本神经网络虽然没有学习过，网络训练后输出的结果与专家评价结果误差较小，表明网络对原始数据进行了很好的学习，已具有较强的推理能力，从某种程度上可以按照专家的方式进行评价。
这样就得到了我们想要的模型。以后进行社团评价时，只要输入各项活动评价指标得分，就能得出比较公正的社团活动评价结果。
3 评价结果
BP神经网络具有非常优秀的非线性逼近能力，但该方法的评价精度和科学性不仅取决于训练样本的数量，也决定于训练样本的质量。训练样本数量越多，质量越优。实践证明，该方法既克服了人为和随机因素的干扰，而且一旦建立网络模型，其功能就实现了专家的判断，而无须再邀请专家进行评定，具有广泛的适用性。另一方面通过应用神经网络控制技术能够解决评测过程中出现的更复杂多变的问题，寻求在一定的条件下最优的评测方法。
参考文献：
[1]陈江丽，张嵘.基于BP神经网络的教材质量评价研究[J].大理学院学报，2014，13（12）：31-34.
[2]赵万芹，孔令超.基于BP神经网络的教学质量评价的探讨[J].化工高等教育，2011，28（1）：101-105.
[3]左国平，谢红艳，邱小平，等.基于神经网络的高校教师课堂教学质量评价[J].中国现代教育装备，2011（3）：97-99.
[4]王伟.人工神经网络原理：入门与应用[M].北京：北京航空航天大学出版社，1995.
[5]傅莉.BP神经网络在教学质量评价中的应用[J].智能计算机与应用，2012，2（5）：70-72.
【通联编辑：唐一东】
基金项目：嘉兴学院A1类SRT项目资助（NO.NH85179133）
作者简介：杨昌昌（1999-），男，江苏盐城人，本科，研究方向为计算机科学与技术。
转载注明来源:https://www.xzbu.com/8/view-15200541.htm
