基于人工智能的大学生综合素质评价研究

发布时间：2020-12-25 01:56

　　大学生综合素质评价极其重要,它关系到学生自身发展、学校教育教学改革和用人单位能否获得高质量的人才。为此,本文研究建立了一套从多学科角度、定性分析与定量分析相结合、符合需要的艺工结合类院校大学生综合素质评价系统,并对学生的职业进行了预测。本文研究了影响艺工结合类院校大学生综合素质的因素,建立了大学生综合素质评价指标体系并对各个指标进行了量化分析,利用层次分析法确定了各个指标的权重。为了解决学生素质的模糊性和不确定性问题,文中引入模糊综合评价法分别计算出了每个学生的综合素质及分项素质模块的得分,但在应用模糊数学对学生综合素质进行评价时,计算过程繁琐,无法自动调整隶属度函数及模糊规则。文中设计了新的综合评价数学模型,运用模糊分析与神经网络在评价中各自的优点,提出了一种组合算法—模糊神经网络算法,建立了大学生综合素质模糊神经网络模型,为了加快网络的收敛速度,训练过程中采用了聚类分析法,对各项指标的数值进行了聚类。此方法能实现综合素质智能化,计算精度较高,解决了模糊评价不能自动调整隶属度函数的问题,能较好的对学生素质进行评价。但网络收敛速度没有得到根本性的提高,为了解决这一问题,文中采用模糊数学... 

【文章来源】：北京服装学院北京市

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

高斯型隶属度函数其特点是:具有良好的局部特性，且收敛速度较快，易于表达模糊知识，但结构较复

图 10 模糊神经网络预测图，通过专家评价得到的期望输出与模糊神经网络模型，只有个别样本由于采集过程中人为因素的影响，没神经网络模型能使输入的各个指标得到较为合理的评型是有效的，只是网络的训练时间过长。的 FNN 算法点数的确定层节点数的确定就是模糊规则的确定。网络隐层节点力都有很大的影响。上述 FNN 需要很长的时间才能有规则的集合，即为第二层输出所有可能的排列组合数，有 185 个规则数（即全连接），随着输入数目的数爆炸”问题，严重了影响了网络的收敛速度和泛化

图 12 误差变化曲线图从图中可以看出，算法在迭代 20000 次后，最终的系统误差值 E 等于 0.0733，NN 的误差变化曲线，曲线 2 为改变隐层节点后的 FNN 误差变化曲线，从图中看出 FNN 收敛速度很慢，当达到要求精度时，耗时比较长；曲线 2 在不改变基础上，减少了隐层节点数后，网络收敛速度有了明显的提高，节省了训练时知，改变隐层节点后的 FNN 模型是有效的。预测结果对比如表 15 所示。表 15 改变隐层节点后的 FNN 预测结果与 FNN 预测结果对比 实际评价结果 FNN 网络输出结果 相对误差 改变隐层节点后的网络输出结果 相对93.54 94.375 0.835 94.052 0.82.39 80.562 1.828 82.456 077.85 76.621 1.229 75.854 1.65.78 65.061 0.719 66.08 088.19 87.473 0.617 88.654 0.

【参考文献】：
期刊论文
[1]基于模糊综合评价法的知识型人力资源绩效评估[J]. 章清波.  科技与管理. 2006(06)
[2]基于AHP的高校教师素质综合评价分析[J]. 曾梅凤,张仁舰.  统计与咨询. 2006(04)
[3]大学生综合素质的多层次模糊综合评价研究[J]. 李勤,王宗军.  中国科技信息. 2005(09)
[4]基于AHP法的高校学生综合素质评价研究[J]. 赵洁.  科学技术与工程. 2005(07)
[5]大学生综合素质评价指标体系及其数据采集的研究[J]. 刘坚,朱红岩,柳春.  山东教育学院学报. 2005(02)
[6]国外高校学生就业指导工作概况与启示[J]. 王晓三.  教育与职业. 2005(03)
[7]基于模糊聚类分析的大学生体育素质综合评估[J]. 贺华,李彦鹏.  山东体育科技. 2004(03)
[8]试述大学生素质综合测评[J]. 张琼.  惠州学院学报(社会科学版). 2004(01)
[9]大学生综合素质层次分析评价体系及其数学模型[J]. 万远英,尹德志.  西南民族大学学报(人文社科版). 2003(12)
[10]大学生综合素质评价的神经网络模型[J]. 张华,潘华.  哈尔滨师范大学自然科学学报. 2003(04)

硕士论文
[1]模糊神经网络的学习算法[D]. 郑未名.武汉大学 2005
[2]我国高校学生综合素质测评系统研究[D]. 赵淑英.哈尔滨工程大学 2004
[3]土木工程类大学生综合素质评价[D]. 李兵宽.浙江大学 2002



本文编号：2936728