BP神经网络在高校学生成绩预警中的应用任鸽杨勇摘要：传统的高校成绩预警系统是根据学生未完成学分绩提出预警，不能做到真正的预测。近年来，随着人工智能领域取得的巨大发展，将人工智能与高校的管理相结合已经成为了一个未来的发展方向。为了了解到学生以往成绩和未来成绩之间的关联，建立基于BP神经网络的高校学生成绩预测模型，探讨BP神经网络在高校学生管理領域的应用。结果表明，BP神经网络能有效提高学生成绩预测的精度，以及应用于学期多门课程的成绩预测上的可行性。关键词：成绩预警;BP神经网络;相关系数：G434;TP18文献标识码：A：1007-9416（2020）10-0000-000引言随着教育大数据的不断积累，如何从海量的教育数据中挖掘有用的信息成为近年来数据挖掘领域的热点研究之一[1]。教育大数据的挖掘可以为学校教学质量提高，人才培养方案的评价等方面提供依据，具有很重要的理论研究研究价值和实际应用价值，越来越多的学者开始关注数据挖掘技术在教育教学领域的应用[2]。教育数据挖掘是指用数据挖掘技术分析从大量教学数据中自动检索并整理统计出相关信息的数据分析过程，发现教学数据中潜在的有效信息，以解决教学实践中的问题，为教学管理者、教师、学生等教育领域相关人员提供教学建议和理论支持。学生成绩预测是教育数据挖掘中的重要内容。目前已经有很多学者对学生成绩预测做了研究。叶泽俊[3]采用基于C5.0算法的决策树分类方法对非英语专业学生四级通过概率进行预测。刘艳杰[4]利用贝叶斯网络的结构学习的到学科之间的关联性，基于贝叶斯网络拓扑结构学习网络参数，最后通过联合树算法给出成绩预测。张燕[5]提出一种基于朴素贝叶斯的英语成绩预测模型，以某职业院校2016、2018的英语四级考试成绩作为基本数据，采用朴素贝叶斯模型中概率对不同属性下的学生英语成绩进行预测。甘才军[6]设计并实现了一种可针对学生实验课程成绩进行主动式预警的系统，该系统根据学生以往实验报告及教师批阅信息，利用贝叶斯分类器对学生实验课程最终考核成绩提前作出预测并及时发出预警，以督促学生在课外更加主动地学习。王婧妍[7]，吴兴惠[8]用随机森林算法来提高成绩预测模型的精度。申航杰[9]提出了一种融合模糊聚类和支持向量回归的成绩预测方法。陈曦[10]提出了一种基于课程知识图谱的预测算法。张昊[11]使用递归神经网络（RNN）中的一种变体双向门控单元网络（Bi-GRU）来预测学生成绩。为了提高学生成绩预测的精度，本文提出了建立BP神经网络模型来预测学生成绩。1BP神经网络成绩预测图1为BP神经网络拓扑结构，包含输入层、隐藏层与输出层，若输出层得不到期望输出则转入误差反向传播，根据预测误差调整神经网络的网络权值、阈值，以期逼近期望输出[12]。BP神经网络具有很强大的描述非线性函数的能力，而且一个3层的BP神经网络即可模拟任意复杂的非线性问题[13]，对于这种数据预测问题能取得较好的结果。如何设计隐藏层的神经元节点数是BP神经网络中的关键问题，如果设计的节点较少则不能够很好的逼近模拟的函数，不能够获得准确的结果。如果设计的节点数过多会使网络变得更复杂，算法训练的时间会大大增加，算法的效率会降低。一般情况下，随着隐藏层的节点数的增多，模型的误差会出现先下降后升高的趋势，所以确定合适的节点数非常重要，通常隐藏层节点数量确定可以通过试凑法[14]和公式1和公式2确定：ll=2m+1公式2其中，l为隐层节点数，m为输入层节点数，n为输出层节点数，a为0-10的常数。2数据采集本实验的数据来自新疆师范大学2010届到2018届软件工程专业的有不及格记录的256名学生八个学期的期末考试总评成绩，选取有核心课程的七个学期，核心课程的选取如表1所示。针对采集的原始数据，做数据预处理。对于缺考的学生成绩数据替换为该课程所有学生取得分数的均值。3BP神经网络实验分析用BP神经网络进行学生成绩预测过程中，我们首先将八个学期的学生课程成绩分为学习样本与测试样本，通过学习样本训练BP神经网络，将学习样本中的基础课程成绩设置为神经网络的输入项，目标课程成绩设置为输出项，利用反向传播算法训练神经网络模型，确定各个节点的参数。得到训练好的BP神...