基于LVQ神经网络的高校贫困生认定模型
来源:用户上传
作者:
摘要：鉴于目前高校贫困生认定工作的重要性，针对资助过程中存在的认定困难等问题，在梳理影响高校贫困生认定工作的基础上，提出采用 LVQ 神经网络建立高校贫困生认定模型。通过训练、测试，验证了 LVQ 神经网络能够有效应用于高校贫困生认定，以期为基于神经网络与贫困生认定的实践与研究提供借鉴，将精准资助落到实处，为形成更加完善、可靠的学生资助工作体系提供技术支持。
关键词：高校贫困生认定;LVQ神经网络;精准资助
中图分类号：G647 文獻标识码：A
党和国家始终坚持教育事业优先发展，高校也逐步不断建立健全资助体系，学生资助推动了我国教育事业快速发展，而且在人力资源开发、扶贫脱贫等方面发挥了重要作用，取得了显著成效。
精准资助的本质是要明确地划分资助的等级，并对不同等级给予不同的资助，通过更加科学的程序，从而有效达到精准资助的目的。因此，有必要建立准确高效的贫困认定系统，确定家庭经济困难学生的认定标准和资助档次。
1高校资助困境
高校在推进学生资助工作取得成效的同时，依然存在分配不均、实施力度不强等现象。
（1）高校资助模式有待改进。由于资助摸排范围受限、资助力度有限、资助形式单一、材料的真实性等诸多因素所带来的局限性，都给高校贫困生认定增加了困难，导致无法真实反映家庭经济困难学生的实际诉求。
（2）由于高校贫困资助采用生源地—辅导员—班级为主线的主观评定程序，缺乏客观量化标准，导致认定结果不准确。因此，如何依托现代信息技术构建认定管理系统十分重要。
（3）贫困生数据更新不及时，缺乏对数据资源的实时性和动态性管理。认定工作的预判要依赖数据更新、分析以及反馈所形成的完整资助过程，以便保持与资助工作的前置性相契合。
2建立高校贫困生认定评价指标
精准认定家庭经济困难学生是资助工作的首要环节。按照高校家庭经济困难学生认定标准，参照生源地、家庭情况、学生个人量化以及民主测评4项指标，所包含若干不同认定参考内容，将贫困生分为五个等级：特困学生、困难学生、一般困难学生、特殊困难学生以及非贫困学生。可以通过学生登录系统，提交个人相关信息，建立贫困资源数据库，该数据库中包含的大量知识规则用于通过神经网络对样本信息进行训练，最后根据各个因素的影响程度来决定贫困生等级评定。
3基于 LVQ神经网络的贫困生认定模型
人工神经网络是采用电子器件实现或通过软件在计算机上模拟，可以具备生物神经系统的某种特殊功能。同时，人工神经网络是由大量处理单元并行连接而构成的信息处理系统，具有自组织、自学习以及泛化推广能力。鉴于高校贫困生认定方法存在局限性，本文以神经网络为技术依托，建立简单、高预测率的高校贫困生认定模型。
3.1学习向量量化神经网络
学习向量量化（Learning Vector Quantization，LVQ）神经网络属于前向有监督神经网络类型，是一种基于统计分布的自适应数据分类思想，可以通过竞争性的竞争层（隐含层）实现函数传递，广泛应用于模式识别和故障诊断等领域。
LVQ神经网络由输入层、竞争层与线性输出层三个神经元构成，其网络结构如图1所示。其中，输入层和竞争层之间为完全连接，每个输出层神经元与竞争层神经元的不同组相连接。竞争层神经元个数总是大于线性输出层神经元个数，竞争层与输出层神经元之间的连接权值固定为1。但是每个线性输出层神经元能够与多个竞争层神经元相连接。注意：竞争层神经元和线性输出层神经元的值只能为1或0。在网络训练过程中，输入层和竞争层神经元间的权值将被修改，即当某个输入模式被送至网络时，与输入模式距离最近的竞争层神经元被激活而赢得竞争，其状态变为“1”，但其它竞争层神经元的状态均为“0”。因此，与被激活神经元相连接的输出神经元也发出“1”，而其它线性输出层神经元状态均为“0”。
其中，p为输入层神经元个数，s1为竞争层神经元数，和分别为竞争层神经元的输入与输出。和分别为线性输出层神经元的输入与输出。为输入层与竞争层间的连接权系数矩阵，为竞争层与线性输出层间的连接权系数矩阵。
3.2 LVQ2算法
LVQ2算法通常被用来划分相似类别的混叠边界，使得不同类别的判断趋近于Bayes判决。该算法的具体步骤为：
步骤1：对输入层和竞争层之间的权值以及学习率进行初始化。
步骤2：将训练样本作为输入向量送入输入层，计算竞争层与输入向量之间的距离：
其中，为输入层到竞争层之间的权值。
步骤3：选择与输入向量距离最小的两个竞争层神经元。
步骤4：如果神经元 ，满足以下两个条件：
（1）神经元和的标签类别分别记为和;
（2）神经元和与当前输入向量的距离和满足：
其中，为输入向量可能落进的接近于两个向量中段平面的窗口宽度，通常取2/3左右。则有
（1）如果神经元i对应的类别与输入向量对应的类别相同，即，则神经元i和j的权值采用下面方法进行调整：
（2）如果神经元对应的类别与输入向量对应的类别相同，即，则神经元和的权值采用下面方法进行调整：
步骤5：如果神经元和神经元 不满足步骤4中所提到的条件，则只需采用下列公式更新距离输入向量最近的神经元权值：
3.3建立基于 LVQ神经网络的贫困生认定模型
3.3.1认定模型设计思路
将采集到的300名贫困学生数据集分为训练集和测试集。其中，随机选取数据集中的280名学生数据作为训练集数据，剩余的20名学生数据作为测试集数据。将训练集作为LVQ神经网络的输入，贫困等级作为网络的输出。利用训练集数据对设计的LVQ神经网络进行训练，通过测试集对训练模型进行验证，最后对测试结果进行分析，说明训练模型的有效性。 3.3.2设计步骤
（1）采集样本数据。按照高校家庭经济困难学生认定标准，每个学生针对4个指标采集共24个数据。每组数据共25个字段，第1个字段为样本编号;第2个字段为认定等级，为特困学生，为困难学生，为一般困难学生、为特殊困难学生，非贫困学生;第3～5字段为生源地指标所对应属性;第6～17字段为家庭情况指标所对应属性;第18～20字段为学生个人量化指标所对应属性;第21～25字段为民主测评指标所对应属性。
（2）创建LVQ神经网络。将采集到的300个样本数据分为训练集与测试集，其中280个样本数据作为训练集，其余20个样本数据用于测试集。LVQ神经网络具有无需对输入向量归一化以及正交化的特点，利用MATLAB中神经网络工具箱函数可创建LVQ神经网络。
（3）训练网络。完成网络创建后，将训练集作为LVQ神经网络的输入向量，利用LVQ2算法对网络的权值进行调整，直到满足训练要求迭代终止。
（4）模型验证。网络通过训练后，可对测试集中20个样本数据进行预测，获得对应的输出认定结果。
（5）结果分析。通过对测试集中20个样本数据进行预测，并将预测结果与实际贫困等级进行对比，其模型准确率见表1。
由表1可知，基于LVQ神经网络的高校贫困生认定模型预测率较高，能够有效反映学生贫困等级。
4结语
本文采用LVQ神经网络对贫困生进行认定，实验表明，该神经网络模型可有效应用于高校贫困生认定，将精准帮扶落到實处，为形成更加完善、可靠的学生资助工作体系提供技术支持。精准资助举措要分层次、立足学生的长远发展，随着大数据、深度学习等技术的发展，也将更好的促进精准资助，为认定工作提供新思路。
参考文献
[1]新中国70年学生资助成效显著，促进教育公平，助力全面小康[N].人民日报，2019-09-25.
[2]金添.精准扶贫背景下高校学生资助工作对伍建设新机制探析[J].山西农经，2020（12）：143-144.
[3]蒋研川，张燕，杨利华.大数据视域下研究生精准资助工作实效的提升路径[J].高校辅导员学刊，2020，12（03）：71-74.
[4]程剑锋.LVQ神经网络的研究及其在说话人识别中的应用[D].合肥：中国科学技术大学，2004.
转载注明来源:https://www.xzbu.com/1/view-15321327.htm
