计算机系统应用  2018, Vol. 27 Issue (3): 168-172   PDF    
引用本文
李顺喜, 蒲宝明, 韩爽, 李相泽, 张笑东, 王帅. 基于改进AHP-BP神经网络的幼儿发展评价模型. 计算机系统应用, 2018, 27(3): 168-172.http://www.c-s-a.org.cn/1003-3254/6259.html   
Li SX, Pu BM, Han S, Li XZ, Zhang XD, Wang S. Preschool Child Health Assessment Model Based on Improved AHP-BPNN. Computer Systems and Applications, 2018, 27(3): 168-172(in Chinese).http://www.c-s-a.org.cn/1003-3254/6259.html   
基于改进AHP-BP神经网络的幼儿发展评价模型
李顺喜1,2, 蒲宝明2, 韩爽1,2, 李相泽3, 张笑东1,2, 王帅1,2     
1. 中国科学院大学, 北京 100049;
2. 中国科学院 沈阳计算技术研究所, 沈阳 110168;
3. 东北大学 计算机科学与工程学院, 沈阳 110819
收稿日期：2017-06-27; 修改日期：2017-07-10; 采用时间：2017-07-20; csa 在线出版时间：2018-02-09
通讯作者：李顺喜, E-mail: easyboy519@163.com.
摘要：现有的幼儿健康发展评估方案有着评估周期长、个人主观意识强以及评价指标单一等缺陷, 对幼儿的长期发展以及学前教育的信息化有着诸多方面的限制和影响. 因此, 本文引入了改进的AHP-BPNN评估方法, 根据幼儿发展的生理和心理特性, 利用AHP层次分析方法建立科学的、多维化的评价体系, 同时对各项评价指标初始化; 利用改进的BPNN对评价指标权重进行分析和优化, 得到最优的参数解. 通过对沈阳某幼儿园214名幼儿90天的连续实践观察表明, 本文所提的方法大大减少了教师的主观性评价, 使评价体系更加科学、合理和完善, 对幼儿健康发展给出了全面性的指导.
关键词: 幼儿    健康评估模型    层次分析方法    BP神经网络    
Preschool Child Health Assessment Model Based on Improved AHP-BPNN
LI Shun-Xi1,2, PU Bao-Ming2, HAN Shuang1,2, LI Xiang-Ze3, ZHANG Xiao-Dong1,2, WANG Shuai1,2     
1. University of Chinese Academy of Sciences, Beijing 100049, China;
2. Shenyang Institute of Computing Technology, Chinese Academy of Sciences, Shenyang 110168, China;
3. School of Computer Science and Engineering, Northeastern University, Shenyang 110819, China
Abstract: The existing healthy development evaluation scheme has defects like a long life cycle, subjective sense, single evaluation index and many others, which has restrictions on the children’s long-term development and preschool education informatization. Therefore, this paper introduces the evaluation method of AHP-BPNN. According to the physiological and psychological characteristics of children’s development, it uses the AHP analytic hierarchy process to establish scientific and multidimensional evaluation system. Meanwhile, the initial weights is initialized. Then it makes the improved BPNN analysis to optimize the weight, to get a more optimal parameter solution. Based on the continuous practice of 214 children in a kindergarten in Shenyang for 90 days of observation, it shows that the proposed method greatly reduces the subjectivity of teacher evaluation, makes the evaluation system more scientific, reasonable and perfect, and gives a comprehensive guide.
Key words: preschool child     health assessment model     AHP     BP neural network    

学前教育的智能信息化是社会发展的趋势, 近年来在幼儿专家、心理学家以及教育学者的共同探索下, 幼儿发展评价体系不断完善. 20世纪90年代, 国内外专家提出了档案袋法评估幼儿健康发展[1,2]; 张琼提出了调查问卷与幼儿专家打分来构建评价体系[3]; 杨璐帆提出了灰色多层次综合评价体系[4]; 赵圆圆提出了基于AHP-模糊综合评判的幼儿发展评价系统[5]. 对于上述专家提出的方案, 档案袋法存在着评价周期长的缺陷; 调查问卷质量难以得到保证, 耗费人力和时间, 且权重设置带有较强的主观性; 层次分析方法一定层次上丰富了评价主体, 但仍伴随着较强的主观评价意识; AHP-模糊综合评价合理解决了评价过程中的模糊性, 一定程度上降低了个人的主观意识, 但可能会出现超模糊现象. 综上所述, 建立一个科学、全面、多维的评价系统仍是许多幼儿园面临的问题. 本文以东北某幼儿园为研究背景, 提出基于AHP-BPNN[6–8]的幼儿健康评估模型, 大大提高了评价的准确性和可信度. 为幼儿园教育工作者评价提供理论依据, 提高教学质量.

1 基于AHP的幼儿评价体系建立

AHP方法即层次分析方法, 该方法将定性与定量相结合, 能够准确地分析目标准则层次间的关系, 对于决策和评估有着很强的适用性[9]. 由于其简洁、实用, 在社会、经济以及管理等领域应用越来越广泛.

1.1 建立评价体系

关于幼儿健康评价体系目前还没有一个统一的标准, 但不少的教育心理学家将幼儿的健康发展分为以下几个模块: 健康、语言、社会、科学以及艺术. 使用AHP层次分析方法可以分析复杂的决策评判问题, 通过将定量和定性结合起来分析, 用专家经验评分给予影响因子之间的权重. 结合教育心理学家的健康发展评估划分模块, 并与幼儿保育专家长期的经验相结合, 构建了如表1的评价体系. AHP层次分析方法一般包含目标层、准则层以及方案层.

对于各方案层有一个评判集, 为{优秀、良好、中等、一般、差}, 对应数值集合为{5, 4, 3, 2, 1}. 根据此评判集为不同的准则方案打分, 将方案层的打分送入评价模型, 既可以得到综合评分.

1.2 建立判断矩阵

从目标层、准则层、方案层自上而下逐步构建判断矩阵. 构造合理的判断矩阵是AHP成功的关键, 将同层指标相互之间进行两两比较, 确定每两个指标之间的相对重要程度. 各个指标同自身相比较重要程度为1, 表示同等重要, 其次我们可以表示的程度可分为稍微重要、明显重要、重要得多、极端重要, 用数值量化可表示为3、5、7、9. 对于两相邻程度之间的取值认为介于这两个程度之间. 还有一个准则, 若A相对B稍微重要, 则A相对B的重要程度为3, 那么反过来B相对A的重要程度为A相对B的重要程度的倒数, 即为1/3, 其它情况以此类推. 对于准则构建判断矩阵如表2.

表 1 评价体系

同样对于方案层, 分别对健康、语言、社会、科学以及艺术的各个具体评价方案相互之间构造判断矩阵, 构造过程类似于准则层. 构造完成可以得到5个方案层的判断矩阵.

表 2 准则层判断矩阵

1.3 计算权重及一致性检验

建立判断矩阵之后, 计算出各个判断矩阵的特征向量以及最大特征值. 准则层权重为W = [0.4836; 0.2490; 0.1532; 0.0745; 0.0395]; 最大特征值为5.1928. 同理求得方案层权重与特征值.

最后对矩阵进行一致性检验, 一致性检验公式如下:

$CI = \frac{{{\lambda _{\max }} - n}}{{n - 1}}$ (1)

λmax为矩阵的最大特征值, n为矩阵的阶数. CI与矩阵的一致性成反比, CI越大, 不一致性越严重, CI越小, 一致性越好. 工程上矩阵随机一致性比率CR小于0.1认为这个矩阵满足矩阵的一致性检验. RI计算公式如下:

$CR = \frac{{CI}}{{RI}}$ (2)

其中平均随机性一致性指标RI由表3给出. 对上述判断矩阵经过计算, 均通过一致性检验.

通过层次单排序后, 计算层次总排序, 经计算得到总权重.

表 3 一致性指标

2 建立BP神经网络模型 2.1 改进的BP神经网络

BP神经网络是神经网络中最为广泛的一种数据模型, 具有完备的理论体制和学习机制. 它模拟人脑神经元对外部激励信号的反应过程, 建立多层感知器模型, 利用信号的正向传播和误差反向调节的学习机制, 通过不断的迭代学习, 成功的搭建出处理非线性信息的智能化网络模型. 常见的BP神经网络激励函数包括logsig函数、tansig函数等. 传统BP神经网络实质上是一种最速下降静态寻优方法, 按照梯度下降法不断修改权重, 不利于累计学习经验, 可能会出现局部最优的状况, 不适合本文的应用场景. 本文采用自适应调节学习速率的方法改进BPNN, 自适应调节决策方案为: 如果通过第N次迭代总误差E减小则加大学习速率, 反之亦然. 学习速率调整公式如下:

$v({ N} + 1) = \left\{ {\begin{array}{*{20}{c}}{av({ N})\;\;\;\;E({ N} + 1) < E({ N})}\\{bv({ N})\;\;\;\;E({ N} + 1) > E({ N})}\\{v({ N})\;\;\;\;\;E({ N} + 1) = E({ N}){\rm{ }}}\end{array}} \right.$ (3)

对于公式(3), v表示学习速率, N为训练次数, E表示误差函数, 初始化学习速率v(0)一般随机选取, 或赋予经验值. 通过该方法可以使得网络能保持一个较稳定的学习速率, 当采用一个较大的学习速率时, 若误差增大, 那么减小学习速率; 当采用一个较小的学习速率时, 若误差处于减小的趋势, 那么提升速率, 通过这种方式不断迭代, 最终网络误差达到一个理想值时停止迭代, 或是执行完所有的迭代次数停止迭代, 通过不断地实验调节参数, 使网络达到一个理想的状态.

改进的BPNN模型如图1, 采用这种自适应的调节方式使得BP神经网络以最大的学习速率对训练集进行训练, 有效的提高了BPNN的收敛速率, 使得算法的性能得到了提升.

图 1 BP神经网络模型

2.2 改进的AHP-BP神经网络算法

对于一些复杂系统的建模, 不能明确哪些自变量对因变量的影响更大, 利用现有的知识不能完全合理的解释, 对某些自变量的选择或是权重不能明确的界定. AHP方法虽然能将多个自变量的重要程度数量化, 但在非线性拟合方面精度不够. BP神经网络[10]有很好的函数逼近能力, 对于非线性关系也能得出处一个很好的网络模型. 因此将AHP与BPNN相结合, 用AHP得出来的结果作为BP神经网络的学习训练样本, 把幼儿的学习能力与学习习惯反馈数据作为BP的输入, 建立AHP-BPNN模型, 其流程图如图2, 基本步骤如下:

1) 建立评价体系, 构建判断矩阵, 验证一致性, 得到初始权重作为BPNN的输入变量, 输入节点数为25个.

2) 设定输出层节点个数为1, 即幼儿评价得分. 并初始化学习精度、迭代步数, 隐藏层数目、隐节点数以及节点间的初始权值.

3) 队各项指标进行打分, 并计算出总分.

4) 将第3)步得到的数据进行预处理.

5) 采用改进的BP算法训练网络, 迭代更新权重.

6) 达到学习精度时算法终止, 否则继续迭代BP网络, 即回到第5)步.

使用改进的AHP-BP神经网络算法, 最终得到一个较为稳定的幼儿健康发展评价模型, 且随着数据的丰富, 该模型会不断提高完善, 能大大减少个人主观意识, 提高评价的工作效率.

图 2 AHP-BP算法流程图

3 实验分析

本实验以东北某幼儿园部分学生的成绩评估表作为训练及测试数据, 其中170人的数据用于训练得到网络模型, 44人数据作为测试用例, 检测模型的适用性. 通过多次拟合得到了一个比较理想的模型, 对测试数据应用该模型, 其预测输出与期望输出如图3, BP预测误差趋势如图5. 如图可以看出, 期望输出与预测输出基本接近, 误差范围基本控制在正负0.1以内.

相较于传统的评价方法, 档案袋法评价周期长, 对幼儿发展的评价也不够全面, 且评价结果受个人主观意识影响大. AHP方法的引入使得评价更加全面, 但在个人主观意识影响因素方面没有得到改进. AHP模糊综合了多个评价个体的影响因素, 解决了评价过程的模糊性, 一定程度上提高了评价的准确度和可信度, 采用AHP模糊方法对AHP-BP的测试集分析输出与期望输出如图4, AHP-模糊预测误差如图6. 从图3与图4对比来看, AHP-BP相较于AHP-模糊预测输出更接近期望输出, 对比两种发法得到的预测误差图图5和图6, AHP-BP误差相对更为平稳且基本控制在0.1以内, 而AHP-模糊的误差范围更广, 且波动较大.

图 3 AHP-BP预测输出与期望输出

图 4 AHP模糊预测输出与期望输出

图 5 AHP-BP预测误差

通过分析对比, AHP-BP相较于其它方法, 评价周期更短, 对幼儿的发展也更加全面, 且很大程度上降低了个人的主观意识影响, 在评价性能上也有了更大的提高. 在实际应用方面, 是保育专家和评价老师完全认可的. 随着数据库数据的不断丰富, 该评价模型可以更加成熟, 在以后幼儿评价工作中完全可以得到应用, 只要输入相应的指标数据就可以得到结果.

图 6 AHP-模糊预测误差

4 结论

本文将AHP层次分析方法和改进的BP神经网络进行结合, 针对幼儿生理和心理的健康发展, 构建了AHP-BPNN评估模型. 确定了三层评价体系的结构, 并且对判断矩阵及权重进行分析, 检验了其一致性. 同时, 根据评价指标特点, 构建了相应的BP神经网络, 并通过实测数据进行训练, 使其达到理想的拟合水平. 通过MATLAB仿真分析实验表明, AHP-BPNN评估模型稳定性较好, 降低了幼儿健康发展评估的周期, 评价指标也变的更加丰富, 减少了幼教的主观评价意识. 对于幼儿的生理和心理健康的评估更加科学、合理, 可以用于对幼儿的健康发展评估.

参考文献
[1]
张莉萍. 运用档案袋法评价小班幼儿发展的行动研究[硕士学位论文]. 兰州: 西北师范大学, 2005.
[2]
Grace C. The portfolio and its use: Developmentally appropriate assessment of young children. ERIC Digest. Check Lists, 1992, 280(3): 3.
[3]
张琼. 学前教育信息化评价指标体系研究[硕士学位论文]. 开封: 河南大学, 2013.
[4]
杨璐帆. 幼儿园教育信息化评价指标体系及综合评价模型构建研究[硕士学位论文]. 长沙: 湖南师范大学, 2013.
[5]
赵园园. 基于AHP-模糊综合评判的幼儿发展评价系统的设计与实现[硕士学位论文]. 济南: 山东大学, 2015.
[6]
李小艳, 唐智勇. 基于BP神经网络的企业知识管理评价模型. 计算机应用与软件, 2014(2): 93-95, 102.
[7]
Yan LJ. Employee demission risk assessment based on AHP and BP neural network. Proceedings of IEEE International Conference on Grey Systems and Intelligent Services. Nanjing, China. 2009. 1511–1516.
[8]
Li XF, Liu ZX. The establishment of AHP-BP neural network model and its application. Proceedings of the 2nd International Conference on Information Science and Engineering. Hangzhou, China. 2010. 4791–4794.
[9]
柳青, 黄道. 基于AHP-BP算法的供应链合作伙伴选择建模及其应用. 华东理工大学学报(自然科学版), 2007, 33(1): 108-114.
[10]
Haykin SS. Neural Networks and Learning Machines. 3rd ed. Upper Saddle River, NJ, USA: Prentice Hall, 2009.