基于ga―svm的高职学生综合素质评价模型

《基于ga―svm的高职学生综合素质评价模型》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于GA―SVM的高职学生综合素质评价模型　　【摘要】引入GA优化算法对SVM模型的参数进行优化，把优化后的算法应用于高职学生综合素质评价，构建一个学生综合素质的评价模型。实验表明，优化后的SVM模型泛化能力更好、预测的准确率更高，能有效地对学生的综合素质进行评价。　　【关键词】GA算法SVM模型综合素质评价　　【中图分类号】G【文献标识码】A　　【文章编号】0450-9889（2014）03C-0055-03　　学生的综合素质是一个学校办学水平的反映，如何对高职学生的综合素质进行科学、合理地评价成为各个高职院校改革研

2、究的重点。对学生综合素质的评价属于非线性的数学问题。支持向量机（SupportVectorMachine，简称SVM）是一种新型的机器学习方法，具有良好泛化能力，在处理非线性问题时更容易逼近问题的解决。但SVM模型的分类性能受其参数的影响，这些参数的确定带有很大的随机性。为了解决这个问题，引入具有智能全局搜索能力的遗传算法（GeneticAlgorithm，简称GA）对SVM模型的参数进行优化，构造一个基于GA算法优化的SVM模型（简称GA-SVM模型）。实践表明，在学生综合素质评价中GA-SVM模型具有更好的非线性逼

3、近能力，具有一定的应用前景。　　一、GA优化的SVM评价模型　　（一）SVM模型的基本原理。SVM模型是一种新型的机器学习方法，它源于统计学和结构最小化原则。它的基本思想是在有限的样本中，对问题的复杂性和算法继续学习能力进行折中，使模型获得更好的泛化能力。如图1所示。图1中的实心点和空心点分别代表两类不同的样本，H1和H2是两根平行于分类线的直线，H1和H2之间的距离称为分类间隔（Margin）。　　图1支持向量机原理示意图　　设样本集（xi，yi）线性可分，其中i=1，2，L，n。n为样本数量，输入向量x∈Rd，类别

4、标号y∈[1，-1]。在d维空间中，线性判别函数的基本形式为g（x）=wgx+b。设分类面方程为，其中w是一个向量，该向量垂直于超平面，b称为超平面偏置。我们把能将两类样本准确区分，并且使得这两类样本之间的分类间隔最大的那个面称为最优分类面。求解最优分类面，实际上就是找到w和b的最优值，也就是在条件，i=1，....，n下，求解函数的最小化，即　　（1）　　在所有的样本里，如果该样本满足，且与分离线（平面）的垂直距离最小，则称之为支持向量。以上的讨论都是假设所有的样本是线性可分的情况下给出的。然而，在现实的应用中，很多

5、数据都是非线性的。为了解决非线性问题，通过对公式（1）引入常数因子C和松弛因子，把每一个样本点通过函数转换到高维特征空间再对它们进行线性回归。则转换公式可以表示为：　　其中，i=1，....，n　　对公式（2）引入拉格朗日函数，把问题转化为对偶问题。在给定的约束条件和（i=1，....，n）下，对求解，即　　（3）　　其中为拉格朗日乘子。对公式（3）求解，结果为：　　（4）　　运用公式（4）即可求出样本x的类别。　　本文采用径向基函数作为SVM模型的核函数：　　（5）　　从公式（2）和公式（5）可以看出，SVM模型的整

6、体性能很大程度上由常数因子C和径向基函数的参数来决定。因此，为了能更好地选择这两个参数，我们引入具有全局搜索能力的GA算法对这两个参数进行优化，使得SVM模型具有更好的泛化能力和逼近精度。　　（二）基于GA优化的SVM评价模型。GA算法是一种模拟生物进化过程的优化算法，在该算法中，问题的解空间用一种给定的编码来表示，求解问题的目标作为算法的适应度函数。GA算法在初始状态会随机产生一个编码群体，在这个群体之上通过选择算子、交叉算子以及变异算子完成整个算法的运算机制。经过算法的迭代，群体内的个体不断接近问题的最优解。　　本

7、文采用实数对GA算法进行编码，利用GA算法对SVM模型的常数因子C和径向基函数的参数进行优化的基本步骤如下：　　Step1：问题的初始化。随机生成初始种群N，种群中染色体的编码由C和组成，算法的最大迭代数为，迭代变量k=0。　　Step2：进行选择操作。群体内的每个染色体能否被选择参与下一轮的进化由选择算子决定：　　（6）　　其中，是染色体的适应度函数，本文采用MAPE的倒数作为适应度函数，×100%，为实值，为预测值。　　Step3：进行交叉操作。随机生成一个数rc=random[0，1]，若rc

8、×V1+（1-rc）×V2，V2=rc×V2+（1-rc）×V1。V1，V2分别是父个体，V1，V2分别为子个体。Pc为交叉概率。　　Step4：进行变异操作。变异操作的算法为：。其中，V和V'分别是父染色体和子染色体，N（0，1）是高斯变量且均值为0、方差=0；Pm是变异概率；是染色体V的适应度函数。　　Step5：当时，算法结