《A题论文基于灰色GM(1,1)BP神经网络的高校成绩排序方法》由会员分享，可在线阅读，更多相关《A题论文基于灰色GM(1,1)BP神经网络的高校成绩排序方法（21页珍藏版）》请在金锄头文库上搜索。
1、四川农业大学三校区联赛承 诺 书我们仔细阅读了全国大学生数学建模竞赛章程和全国大学生数学建模竞赛参赛规则 （我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。我们知道，抄袭别人的成果是违反竞赛章程和参赛规则的，如果引用别人的成果或其他公开的资料（包括网上查到的资料） ，必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。我们郑重承诺，严格遵守竞赛章程和参赛规则，以保证竞赛的公正、公平性。如有违反竞赛章程和参赛规则的行为，我们将受到严肃处理。我们授权全国大学生数学建模竞赛组委会，可将我们的论文
2、以任何形式进行公开展示（包括进行网上公示，在书籍、期刊和其他媒体进行正式或非正式发表等） 。我们参赛选择的题号是（从 A/B 中选择一项填写）： A 所属学校（请填写完整的全名）：四川农业大学 参赛队员 (打印并签名) ：1. 信科 201301 易彩君 20131756 2. 信科 201301 刘娟 20131760 3. 信科 201301 熊梅毎 20131762 日期： 2015 年 3 月 28 日0题 目： 基于灰色 GM(1,1)BP 神经网络的高校成绩排序方法摘要某些电子商务对消费者的消费数据进行系统的分析可以对相应的产品进行排序，预测学生的成绩排名一样，可以通过系统地分析过
3、去的数据预测学生在下学期的成绩排名。我们运用灰色 (1,1) 神经网络 1对题目所给的数据GMBP进行分析处理，具体思路如下：神经网络是通过分析原始数据对应的关系从而构建相应的网络，输入数BP据对其进行训练就能得到较好的网络，然后输入要预测的相关数据即可得到预测结果。 神经网络具有较强的非线性映射能力，这使得其特别适合于求解内部机制复杂的问题，. 神经网络具有高度自学习和自适应的能力，它在训练BP时，能够通过学习自动提取，输出、输出数据间的“合理规则” ，并自适应地将学习内容记忆于网络的权值中；进行正确的分类；而且它具有一定的容错能力，并且在局部的或者部分的神经元受到破坏后对全局的训练结果不会
4、造成很大的影响，也就是说即使系统在受到局部损伤时还是可以正常工作的。但是 神经BP网络有样本依赖性问题即网络模型的逼近和推广能力与学习样本的典型性密切相关，而从问题中选取典型样本实例组成训练集是一个很困难的问题。因此我们运用灰色 (1,1)预测与 神经网络相结合，修补 神经网络这一缺点，GMBPBP使得模型更加严谨、准确。我们首先将题目所给给的训练数据运用灰色 (1,1)模型进行预测得到预GM测序列子 2，再将其作用于 神经网络进行训练，由于题目中作用因子比较多，因此我们在 环境下构建有三个隐含层的网络并对其进行训练 3，网络训atlb练好后把另一个学院的预测数据作用于训练好的网络中，继而预测
5、出该学院的学生在第三个学期的成绩排名。为了更好的进行网络训练我们把不同的参数纳入考虑进行误差分析进而找出最佳参数。关键词： 灰色 (1,1) 神经网络 最佳参数GMBPMatlb11.问题重述通过产生一组规则对一个对象列表进行排序，这在我们的现实生活中已经越来越常见，只不过你可能还未从专业的角度思考过。你更可能通过类似于推荐系统的东西，它就在后台对产品进行了排序。即便你可能连推荐系统也没听过，但是你肯定在某些场合使用过或者与之交互过。一些非常成功的电子商务网站已经从中尝到甜头了，他们利用其用户的数据为用户提供推荐可能感兴趣的其它产品。现在我们将这种已经在电商中被广泛应用的推荐排序模式类似的用到
6、我们自己身上。希望从学校直接可以提供的数据记录上，对我们的排名进行排序。这样学校便可以提前对一些学生进行必要的干预，这对学校的管理和教学都有很大的实际意义。我们从四川农业大学某个学院随机抽取一定比例学生，提供这些学生在三个学期的图书馆进出记录（门禁记录） 、一卡通消费记录、图书馆借阅记录、以及综合成绩的相对排名的原始数据，作为训练数据。我们从另外的某学院随机抽取一定比例的学生，然后提供他们在三个学期的图书馆进出记录、一卡通消费记录、图书借阅记录、以及前两个学期的成绩排名。第三学期的成绩排名作为预测目标。 （原始数据属于半结构化的数据，为了避免冗长的数据预处理，我们已经将原始数据转换为高度结构化
7、的数据。但是我们仍然保留了原始数据，原始数据可以得到更多的信息）希望通过你对数据的理解与发现，提供一份第三学期的成绩排序。2.问题分析问题中以一些成功的电子商务网站进行说明利用其用户的数据为用户提供推荐可能感兴趣的其它产品。其实这是一个预测问题，通过对以往的数据进行分析，进而进行预测，并把预测出的产品进行排序。对学生的成绩也是如此，我们可以构造一个预测模型和分类模型 4，将学生进行分类和预测，通过对以往的数据进行分析，找出他们之间的相关性，对于相关性不大的影响因子可以踢除。题目中所给的数据有原始数据和预处理的数据，我们应该先分析原始数据初步找出其相关问题，然后运用预处理的数据进行深度处理，进而
8、把问题弄得更加透彻明了，这样模型和结果可能更加准确。23.问题假设和符号说明1.只考虑题目中的所给影响因素，不考虑题目以外的过多影响因素。2.不考虑个别偏差比较大的数据，以及题目所给的数据都是从实际中得来的，并真实可靠。3.假设预测的学生在下学期还在本校就读符号说明表 1 符号说明符号 说明)(iX灰色模型中的序列子ix影响输出结果的作用因子iY总的作用因子iZ预测结果)(iw权重值iP样本点iQ实际输出值iE期望值4.模型建立我们采用灰色 (1,1)模型系统理论 4的前面部分，得出预测序列后再作GM用于 BP 神经网络。4.1：灰色 (1,1)模型系统理论如下 5：(1)()()(0)0 (
9、)01,132Xxx并要求级比 对于 做一()()/ .75,. ,2.Liiii()0x次累加。3则(2)()()1()(010) 1,23xxixki， （ ）记(3)1()()()1,2，4.2： 神经网络预测模型理论图如下：BP图 1 神经网络的示意图BP4.3. 神经网络的训练BP算法通过“训练”这一事件来得到这种输入，输出合适的线性或非线性关系，训练的过程包括向前传输和向后传输两个阶段（1）向前传输阶段：1.从样本集中取一个样本 ， ，将 输入网络；iPQji2.计算出误差测度 和实际输出 1E122. .Li iFPW3.对权重值 各做一次调整，重复这个循环，直到2,.LWiE（
10、2）向后传播阶段误差传播阶段：1.计算实际输出 与理想输出 的差；POiQ2.用输出层的误差调整输出层权矩阵；3. 212miijijjEQ44.用此误差估计输出层的直接前导层的误差，再用输出层前导层误差估计更前一层的误差。如此获得所有其他各层的误差估计；5.并用这些估计实现对权矩阵的修改。形成将输出端表现出的误差沿着与输出信号相反的方向逐级向输出端传递的过程。网络关于整个样本集的误差测度：iE（4）4.4.应用步骤 6：1.输入原始数据资料；2.应用灰色模型进行预测得到预测序列；3.将预测值作为输入量，原始数据作为期望值，对 神经网络进行训练，得BP到相应的权值和阀值；4.输入需要预测的数据
11、，即可得到具有相当精度的预测量。5.模型求解运用以上模型构建本题目的具体 网络图如下BPx1Y1x2x3x4x5x6x7x8x9x10x11Y2Y2隐含层Zi预测成绩排名5图 2 预测成绩构建的网络图运用灰色 (1,1)模型系统理论输入数据得灰色系统因子GMX(1)=（20 56 81 91 57 87 68 51 54 74 61 27 19 98 78 33 63 7828 74 87 65 96 78 59 79 19 17 44 86 37 81 93 32 56 22 571 57 49 48 19 19 80 73 89 66 45 46 10 30 41 45 80 55 886
12、 15 29 70 45 47 43 66 80 36 53 15 10 58 57 57 94 53 4433 34 67 33 45 0 71 58 86 55 71 15 75 62 15 39 40 92 9146 4 31 51 44 39）X(2)=(81 16 64 5 42 58 85 55 68 98 63 78 50 40 50 14 67 8319 19 74 98 5 10 81 85 4 47 48 68 37 95 24 54 71 79 9184 63 86 42 88 12 53 74 98 29 3 44 70 16 13 43 45 30 6675 78 6
13、0 29 23 51 54 22 49 64 33 56 65 51 77 97 90 76 3335 1 68 33 65 67 24 1 79 66 40 62 13 94 30 88 65 9 6641 13 84 17 65 94)X(3)=(9079 37 68 9 54 56 85 13 17 35 69 48 66 61 26 43 5819 75 89 55 81 85 18 67 54 54 49 35 31 54 38 40 13 11 6081 98 89 95 83 36 7 83 89 2 97 65 99 74 5 32 4 60 2948 91 77 40 73
14、6 55 20 60 28 20 63 14 76 68 73 39 13 9840 72 52 42 63 48 67 68 63 5 31 91 46 84 10 51 19 19 7227 51 22 76 11 66)（注：其余序列子在附件）把灰色系统预测出来的序列作用于 神经网络，我们选取 1514 个数据进行测BP试 100 个数据进行预测分析，运用 软件对网络进行训练 6后得出以下训Matlb练结果和图如下：610-5100105gradientGradient = 0.00039382, at epoch 3010-410-2100muMu = 0.1, at epoch 30
15、0 5 10 15 20 25 30-0.200.2val fail30 Epochs出 出 出 出 出 出 出 出 出 出 出图 3 网络训练示意图网络训练的误差如下图0 10 20 30 40 50 60 70 80 90 100-15-10-5051015 BP出出出出出出出出出出图 4 初步预测误差0 10 20 30 40 50 60 70 80 90 100020040060080010001200140016001800出出出出出出BP出出出出出出出 出 出 出出 出 出 出7图 5 初步输出图经过一定量的训练后，把所要预测的 ,输入已保全的训练后 神经网络，得iZBP出预测值。6.结果分析在对模型求解中我们要对网络训练的效果要有一定把握，为了能更好的体现 神经网络与灰色预测的结合性，也为了简化问题的复杂性我们对数据进行BP分类，前面的数据都是用来训练网络，和检验网络的优劣性，在得到较好的训练网络后，输入要预测的 90 位同学在前
