基于灰色BP神经网络的高校贫困生认定模型.docVIP

基于灰色BP神经网络的高校贫困生认定模型 　　摘要：贫困生认定的研究已成为高校贫困生资助工作的首要环节。本文首先分析了贫困生认定现状，包括认定材料的随意性、认定过程的主观性以及认定方法的局限性;其次，介绍了灰色系统和BP神经网络的基本理论;最后，确定了贫困生认定的指标体系，并结合基本理论，构建了基于灰色BP神经网络的高校贫困生认定模型。 　　关键词：贫困生;认定模型;灰色系统;BP神经网络 　　高校贫困生的认定是国家助学工作的首要环节，其准确性直接影响到该工作的效益和效率。目前，由于高校大多是以生源地―辅导员―班级为主线的主观评定程序，这难免存在不稳定因素。因此制订科学合理的贫困生认定方法，以保证国家助学工作的公平、公正，是我国高校的当务之急。 　　一、贫困生认定现状 　　1.贫困生认定材料的随意性 　　针对要申请励志奖学金、助学金以及助学贷款的学生，学校会要求其提供由户口所在地政府部门和民政部门出具的贫困证明，以此作为衡量学生是否贫困及其贫困等级的重要依据之一。然而，部分地区的贫困证明却缺乏必要的监督与约束机制，从而缺乏一定的可信性。一方面，开具贫困证明的部门并没有对贫困家庭走访调查，没有真正地深入了解学生的家庭实际情况。另一方面，有关部门碍于乡情、人情，也就随意地开具了贫困证明，这就使得贫困证明的可信度降低。 　　2.贫困生认定过程的主观性 　　高校根据学生贫困证明以及申请表了解其家庭情况，但是学生家庭收支数额、家庭医药费用等都缺乏相关证明，因此这使得贫困生认定过程具有一定的主观性。另外由于高校大多采用比较民主的方法，即投票选举法，认为同学之间通过平时消费支出水平能了解更为真实的情况，但这种看似民主的方法，却为同学间拉帮结派制造了机会。部分同学商量好相互投票，通常当出现票数相同情况，辅导员会将助学金平分给这几位同学;或者当他们集中投票给某一位同学，而这位同学最终获得贫困资助将宴请各位同学;还有一些同学为了减轻家庭经济负担，就提供虚假信息，怎么样能评上助学金就怎么说。因此客观数据的缺乏，贫困生认定过程中所呈现出的主观性，使得贫困生等级无法获得正确的判断。 　　3.贫困生认定方法的局限性 　　高校贫困生确认的贫困线一般按以下公式计算：PL=X/2。其中PL表示贫困线，X表示大学生的平均消费水平（大学生用于大学生活、学习有关消费的平均值）[1]，若低于贫困线，则认为该同学为贫困生，但是每个地区的生活消费水平不一样，这也就使得该方法可行性降低。赵元等对高校贫困生认定采用层次分析法，该方法将复杂的问题简单化，且将其合理运用使得贫困生的贫困程度判定更加贴近真实性[2]，但是层次分析法涉及高等数学理论，这就局限了运用者的范围;胡磊引入灰色聚类评估，将三角白化权函数灰色评估应用于对高校贫困生的贫困程度认定，将人的主观判断用指标的形式表达和处理，定量与定性分析相结合[3]，但是该传统的三角白化权函数以及贫困生认定综合指标的选取还有待进一步修正。 　　二、基本理论 　　1.灰色系统基本理论[4] 　　灰色系统理论以“部分信息已知、部分信息未知”的“小样本”“贫信息”不确定性系统为研究对象，主要通过对“部分”已知信息的生成、开发，提取有价值的信息，实现对系统运行行为、演化规律的正确描述和有效监控。在现实生活中，常常存在只知道取值范围而不知道确切值得数，这样的数被称为灰数。其中既有下界又有上界的灰数称为区间灰数，比如：某家庭人均月收入2000～2500元，可记为1∈[2000，2500]。 　　设灰数∈[a，a]（alt;a），在缺乏灰数取值分布信息的情况下： 　　①若为连续灰数，则称^=12（a+a）为灰数的核; 　　② 若为离散灰数，ai∈[a，a]（i=1，2，…，n）为灰数的所有可能取值，则称 　　^=1n∑ni=1ai为灰数的核。 　　2.BP神经网络基本理论[5] 　　人工神经网络是由神经元组成的一 　　种非线性映射方法，它能够从已有数据中自动地归纳规则，获得这些数据的内在规律。其中BP神经网络是人工神经网络中最 　　为简单可行的，计算量较小的，具有并行能力的模型，其基本原理是采用梯度下降法调整权值和阈值，使得网络的实际输出值和期望输出值的误差最小。BP神经网络主要包括三层：输入层、隐含层和输出层。而隐含层节点数的确定非常重要。所以，由经验公式，可以确定最佳隐含层的节点数：l=2m+1，其中l为隐含层节点数，m为输入层节点数。常用的激活函数是S型函数，即 Sigmoid函数，其值域为[0，1]。所以需要将输入数据和导师训练值都事先进行归一化处理，而最后将预估结果进行反归一化处理，得出所需要的数据。 　　三、贫困生认定的指标体系和模型 　　1.认定指标的选取 　　高校贫困生是指学生本人及其