基于PSO-SVM的大學(xué)生手機(jī)依賴分析系統(tǒng)

徐煒君，原大明，劉東升

（東北石油大學(xué) 秦皇島分校，河北 秦皇島066004）

XU Wei-jun，YUAN Da-ming，LIU Dong-sheng

（Northeast Petroleum University at Qinhuangdao，Qinhuangdao 066004，china）

基于PSO-SVM的大學(xué)生手機(jī)依賴分析系統(tǒng)

徐煒君，原大明，劉東升

（東北石油大學(xué) 秦皇島分校，河北 秦皇島066004）

針對手機(jī)依賴給大學(xué)生造成的生理、心理及社會(huì)功能損害問題，將支持向量機(jī)（SVM）和粒子群（PSO）優(yōu)化算法結(jié)合，利用PSO優(yōu)化SVM的核函數(shù)參數(shù)γ和懲罰因子C，設(shè)計(jì)了一種大學(xué)生手機(jī)依賴分析系統(tǒng)。系統(tǒng)通過手機(jī)APP發(fā)布和回收手機(jī)成癮指數(shù)量表問卷，用得到基礎(chǔ)數(shù)據(jù)訓(xùn)練PSOSVM進(jìn)而得到手機(jī)依賴分類模型，模型可以實(shí)時(shí)地對采集的問卷進(jìn)行分類判斷，避免了問卷的發(fā)放、收集和數(shù)據(jù)錄入分析等繁瑣的工作。系統(tǒng)還可以對分類的結(jié)果進(jìn)行統(tǒng)計(jì)分析，便于掌握學(xué)生的最新動(dòng)態(tài)。實(shí)驗(yàn)結(jié)果表明，本系統(tǒng)的分類準(zhǔn)確率高達(dá)97.561%，而且系統(tǒng)可以自動(dòng)的進(jìn)行手機(jī)依賴者的篩選和統(tǒng)計(jì)分析，系統(tǒng)的分析結(jié)果可信可靠。

支持向量機(jī)；粒子群優(yōu)化；大學(xué)生手機(jī)依賴；手機(jī)成癮指數(shù)量表；手機(jī)APP

隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展及手機(jī)等新媒體技術(shù)的異軍突起。智能手機(jī)已經(jīng)成為人們?nèi)粘Ｉ畹闹匾M成部分。人們不僅利用手機(jī)進(jìn)行即時(shí)通信，還用它來網(wǎng)上沖浪，進(jìn)行社會(huì)交往、網(wǎng)絡(luò)游戲、購物、閱讀、導(dǎo)航等活動(dòng)。手機(jī)給人們的日常生活提供了許多便利和豐富多彩的體驗(yàn)，但是它同時(shí)也帶來了許多消極的影響，其中影響最大的一個(gè)就是手機(jī)依賴問題[1]。

在眾多手機(jī)用戶中，大學(xué)生群體使用手機(jī)較為頻繁，他們更能充分利用智能手機(jī)的功能，對手機(jī)依賴程度高于其他群體，離開手機(jī)就會(huì)出現(xiàn)群體規(guī)范的脫離和心理層面的焦慮不安。相對于其他群體，大學(xué)生群體對手機(jī)的使用行為更值得深入地探討和研究[2]。探究大學(xué)生手機(jī)依賴行為，對培養(yǎng)大學(xué)生合理使用手機(jī)、健全道德人格尤為重要。

文中以手機(jī)成癮指數(shù)量表作為問卷調(diào)查的依據(jù)，采用手機(jī)APP發(fā)布和回收該問卷，對采集到的數(shù)據(jù)利用粒子群 （PSO）優(yōu)化參數(shù)的支持向量機(jī)（SVM）建立分類模型，并在該模型的基礎(chǔ)上設(shè)計(jì)手機(jī)依賴分析系統(tǒng)，對分類數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析以便于教學(xué)管理者和教師及時(shí)掌握學(xué)生的動(dòng)態(tài)并采取應(yīng)對措施。

1 手機(jī)依賴的概念及其危害

1.1 手機(jī)依賴的概念

手機(jī)依賴是由于對手機(jī)的過度使用而產(chǎn)生的一種依賴行為，因而對手機(jī)依賴的界定，首先要強(qiáng)調(diào)對手機(jī)的過度使用，其次要強(qiáng)調(diào)這種過度使用所帶來的后果。對手機(jī)使用者而言，這種后果可能是身體上的，也可能是心理上的，還有可能是社會(huì)方面的。同時(shí)，它既可能是正面的如滿足感，也有可能是負(fù)面的如身體的傷害等[3]。

1.2 手機(jī)依賴的危害

目前手機(jī)依賴的危害在大學(xué)生中是有目共睹的。手機(jī)依賴會(huì)給大學(xué)生的生理、心理及社會(huì)功能造成很大的損害。

手機(jī)依賴會(huì)導(dǎo)致大學(xué)生的記憶力、系統(tǒng)思維能力和理解能力的萎縮，使學(xué)生缺乏主動(dòng)思考的積極性，并且其情緒變得焦慮、沮喪，進(jìn)而會(huì)影響其價(jià)值觀和人生觀的正確確立[4]。

通過手機(jī)這種虛擬介質(zhì)所建立和維持的人際圈，使用得當(dāng)有助于消除青少年暫時(shí)的孤獨(dú)感，但使用過度則會(huì)使得他們逐漸疏遠(yuǎn)現(xiàn)實(shí)生活中的家庭和朋友。久而久之，這種對手機(jī)的過度依賴反而引起更大的孤獨(dú)感、抑郁、焦慮等一系列心理不適，并對青少年的生活方式造成重要影響[5]。

2 研究方法及系統(tǒng)設(shè)計(jì)

鑒于手機(jī)依賴現(xiàn)象的發(fā)展及其危害的日益嚴(yán)重。目前有關(guān)手機(jī)依賴及其相關(guān)問題已引起研究者的普遍關(guān)注。有的通過編制量表對手機(jī)依賴者進(jìn)行篩選及現(xiàn)狀分析；有的從個(gè)體的動(dòng)機(jī)因素去分析對手機(jī)依賴的影響；還有從個(gè)體的人格特征進(jìn)行探索。

目前研究手機(jī)依賴問題常用的方法主要是通過調(diào)查問卷的方式得到基礎(chǔ)數(shù)據(jù)，然后在此數(shù)據(jù)的基礎(chǔ)上通過統(tǒng)計(jì)分析的方法對數(shù)據(jù)進(jìn)行分析處理，進(jìn)而從社會(huì)學(xué)和心理學(xué)的角度分析手機(jī)依賴所帶來的危害及其解決辦法。

文中在調(diào)查問卷的基礎(chǔ)上，通過工程的方法建立手機(jī)依賴分析系統(tǒng)，對被調(diào)查的大學(xué)生作出是否為手機(jī)依賴者的判斷并作出統(tǒng)計(jì)分析。通過該系統(tǒng)，學(xué)校和老師可以及時(shí)的掌握學(xué)生的動(dòng)態(tài)，進(jìn)而采取相應(yīng)的應(yīng)對措施。

2.1 研究方法

本系統(tǒng)以香港中文大學(xué)梁永熾教授編制的手機(jī)成癮指數(shù)量表（Mobile Phone Addiction Index，MPAI）作為調(diào)查問卷，利用手機(jī)APP軟件發(fā)布該問卷并要求本校學(xué)生作答和提交問卷，提交后的數(shù)據(jù)存入后臺(tái)數(shù)據(jù)庫中供手機(jī)依賴分類模型使用。

手機(jī)依賴分析系統(tǒng)的核心是利用PSO優(yōu)化參數(shù)的支持向量機(jī)（SVM）建立的分類模型，該模型可以做出參與問卷者是否為手機(jī)依賴者的判斷，系統(tǒng)再將分類結(jié)果進(jìn)行更深入的統(tǒng)計(jì)分析，教學(xué)管理者和參與者便可以根據(jù)此分析結(jié)果采取相應(yīng)的應(yīng)對措施。

系統(tǒng)的結(jié)構(gòu)框圖如圖1所示，主要由手機(jī)APP、服務(wù)器、手機(jī)依賴分類模型及分類結(jié)果統(tǒng)計(jì)分析4個(gè)部分組成。

圖1 系統(tǒng)結(jié)構(gòu)框圖

2.2 手機(jī)APP設(shè)計(jì)

本系統(tǒng)的手機(jī)APP主要用來發(fā)布和回收手機(jī)依賴調(diào)查問卷，調(diào)查問卷以香港中文大學(xué)梁永熾教授編制的手機(jī)成癮指數(shù)量表 （Mobile Phone Addiction Index，MPAI）作為調(diào)查問卷的基礎(chǔ)進(jìn)行編制。該APP用JAVA開發(fā)，通過JDBC（Java Data Base Connectivity，JDBC）與后臺(tái)服務(wù)器中的MySQL數(shù)據(jù)庫進(jìn)行數(shù)據(jù)交互，手機(jī)APP界面如圖2所示。

2.3 建模算法

1）支持向量機(jī)（SVM）

支持向量機(jī) （Support Vector Machine，SVM）由Vapnik[6]于1995年首次提出，它是一種有監(jiān)督的學(xué)習(xí)過程[7-8]，通常用來進(jìn)行分類[9]（Support Vector Classification，SVC） 及回歸預(yù)測分析[10]（Support VectorRegression，SVR）。SVC的線性二分類問題定義為：對于給定的集合（x1，y1），（x2，y2），…，（xn，yn）∈Rn×R，其中xi∈Rn，yn∈{-1，1}，i=1，…，n。根據(jù)集合，在n維實(shí)值空間（Rn）上找出一個(gè)實(shí)值函數(shù)g（xi），使得指示函數(shù)f（xi）滿足式（1）的條件：

圖2 APP調(diào)查問卷界面

式中ε為選取的閾值，-1代表一種類型，+1代表另一種類型。

而對于非線性分類問題，支持向量機(jī)需要用核函數(shù)將低維空間的線性不可分映射到高維空間來實(shí)現(xiàn)線性可分[11-12]。核函數(shù)的類型有多種，常用的核函數(shù)有多項(xiàng)式、高斯及RBF核函數(shù)。由于RBF核函數(shù)具有較強(qiáng)的插值能力、收斂域?qū)?、參?shù)少等優(yōu)點(diǎn)[13]，文中在SVM中使用RBF核函數(shù)，其表達(dá)式為：

式中：γ＞0是RBF的參數(shù)。

在實(shí)際的應(yīng)用中，RBF的參數(shù)γ直接影響其分類性能，而選擇合適的懲罰因子C可以使學(xué)習(xí)機(jī)的置信范圍及經(jīng)驗(yàn)風(fēng)險(xiǎn)具有最佳的比例。為了解決支持向量機(jī)的參數(shù)選取的盲目性，本文利用粒子群優(yōu)化算法（PSO）對SVM的參數(shù)進(jìn)行優(yōu)化，提出了基于PSO-SVM的手機(jī)依賴分類模型。

2）粒子群（PSO）對SVM參數(shù)的優(yōu)化

PSO算法是 Kennedy[14]等人模擬鳥群的飛行捕食行為而提出的一種高效多維的并行尋優(yōu)算法。本研究采用PSO算法來尋找SVM參數(shù)組（C、γ）的最優(yōu)參數(shù)組合，即采用速度、位置搜索模型來尋找最優(yōu)參數(shù)組合。設(shè)群體中的每個(gè)粒子由2維參數(shù)向量（C，γ）組成，第i個(gè)粒子在2維解空間的位置為ui=（ui1，ui2）T，其速度為vi=（vi1，vi2）T。本次迭代的個(gè)體極值為p，全局極值為g。在每次迭代中，粒子跟蹤個(gè)體極值、全局極值和自己前一次迭代的狀態(tài)來調(diào)整本次迭代的位置和速度，迭代公式為[15]：

其中：vi（t）、vi（t+1）、ui（t）、ui（t+1）分別是第 i個(gè)粒子在本次和下一次迭代的速度和位置；c1、c2是學(xué)習(xí)因子，其初始值本文分別取 1.5和 1.7；r1、r2是[0，1]之間的隨機(jī)數(shù)；ω是權(quán)重因子，為加快收斂速度，其值根據(jù)式（5）隨著算法的迭代進(jìn)行自動(dòng)調(diào)節(jié)。

其中：ωmax、ωmin∈[0，1]分別為最大和最小權(quán)重因子；t為當(dāng)前迭代次數(shù)；tmax為總的迭代次數(shù)[16]。

3 分類模型數(shù)據(jù)的選取和預(yù)處理

在MySQL數(shù)據(jù)庫的調(diào)查問卷數(shù)據(jù)中，隨機(jī)抽取100份調(diào)查問卷數(shù)據(jù)，以手機(jī)成癮指數(shù)量表（MPAI）的判定原則為基礎(chǔ)依據(jù)對這100個(gè)參與者進(jìn)行人工預(yù)判，預(yù)判的結(jié)果存入對應(yīng)的問卷數(shù)據(jù)中形成樣本集。由于樣本集中的數(shù)據(jù)具有不同的數(shù)據(jù)類型，所以需要對每個(gè)樣本數(shù)據(jù)的各個(gè)分量按照式（6）進(jìn)行歸一化預(yù)處理，將所有數(shù)據(jù)均歸一化到 [0，1]的范圍內(nèi)。

其中：yi（j）為分量，yimax（j）和yimin（j）分別為第j個(gè)分量的最大和最小值，xi（j）為歸一化后的分量，i=1，2，…n，n為樣本數(shù)；j=1，2，…，m，m為樣本屬性數(shù)。

手機(jī)依賴分類系統(tǒng)以該100組歸一化后的數(shù)據(jù)對PSO-SVM進(jìn)行優(yōu)化和訓(xùn)練，進(jìn)而建立手機(jī)依賴分類模型，模型建立好后就可以實(shí)時(shí)地對采集到的問卷數(shù)據(jù)進(jìn)行分類判斷。

4 運(yùn)行實(shí)例及結(jié)果分析

為了驗(yàn)證本分析系統(tǒng)的有效性和可靠性，隨機(jī)選取本校學(xué)生的82個(gè)問卷作分析，該系統(tǒng)的分類準(zhǔn)確率可以達(dá)到97.561%（80/82），其PSO優(yōu)化后的最優(yōu)參數(shù)是C=0.8，γ=1.0。分類結(jié)果的統(tǒng)計(jì)分析如表1所示。運(yùn)行結(jié)果表明，本系統(tǒng)可以自動(dòng)的進(jìn)行手機(jī)依賴者的篩選和統(tǒng)計(jì)分析，系統(tǒng)的分析結(jié)果可信、可靠。

5 結(jié) 論

文中提出的基于PSO-SVM的大學(xué)生手機(jī)依賴分析系統(tǒng)，通過手機(jī)APP發(fā)布和回收手機(jī)成癮指數(shù)量表問卷，避免了問卷的發(fā)放、收集和數(shù)據(jù)錄入分析等繁瑣的工作。系統(tǒng)設(shè)計(jì)具有一定的靈活性：系統(tǒng)可隨著調(diào)查問卷的變化來改變分類策略和統(tǒng)計(jì)分析的結(jié)構(gòu)。將支持向量機(jī)SVM[17-18]和粒子群PSO優(yōu)化算法結(jié)合，使系統(tǒng)的分類準(zhǔn)確率高達(dá)97.561%。系統(tǒng)分類結(jié)果的統(tǒng)計(jì)分析功能，便于掌握學(xué)生的最新動(dòng)態(tài)。運(yùn)行結(jié)果表明，本系統(tǒng)可以自動(dòng)的進(jìn)行手機(jī)依賴者的篩選和統(tǒng)計(jì)分析，系統(tǒng)的分析結(jié)果可信可靠。

表1 分類結(jié)果統(tǒng)計(jì)分析表

[1]張?jiān)?，茆意?大學(xué)生移動(dòng)閱讀沉迷現(xiàn)象與閱讀引導(dǎo)[J].圖書情報(bào)工作，2014，58（17）:36-40.

[2]董海軍，楊榮輝.大學(xué)生手機(jī)依賴與需求的實(shí)證分析[J].中國青年研究，2014（4）:15-19.

[3]賈悅.國外手機(jī)依賴研究綜述 [J].北京郵電大學(xué)學(xué)報(bào)：社會(huì)科學(xué)版，2015（3）:74-79.

[4]逄方圓，宗宇.新環(huán)境下手機(jī)依賴對大學(xué)生的危害分析及應(yīng)對策略[J].統(tǒng)計(jì)與管理，2014（7）:94-95.

[5]賀金波，陳昌潤，鮑遠(yuǎn)純，等.青少年手機(jī)依賴的測量、危害和發(fā)生機(jī)制[J].中國臨床心理學(xué)雜志，2012，20（6）:822-825.

[6]Vapnik V N.The nature of statistical learning theory[M].New York:Springer，1995.

[7]張偉，李泓儀，蘭書梅，等.GA-SVM對上證綜指走勢的預(yù)測研究[J].東北師大學(xué)報(bào)：自然科學(xué)版，2012（1）:55-59.

[8]田宇馳，胡亮.基于SVM的一種醫(yī)療數(shù)據(jù)分析模型[J].東北師大學(xué)報(bào)：自然科學(xué)版，2015，47（1）: 77-82.

[9]畢安琪，王士同.基于SVC和SVR約束組合的遷移學(xué)習(xí)分類算法[J].控制與決策，2014，（29）:1021-1026.

[10]傅成紅，張陽.基于參數(shù)優(yōu)化的SVR城市群交通需求預(yù)測方法[J].系統(tǒng)工程，2016，（34）:114-120.

[11]李克靖，孫鳳梅，石喬林.一種基于SVM的多特征參數(shù)清濁音判決算法[J].電子設(shè)計(jì)工程，2016，24（5）:184-186.

[12]唐喆，曹旭東.網(wǎng)頁分類中特征選擇方法的研究[J].電子設(shè)計(jì)工程，2016，24（5）:120-122.

[13]舒堅(jiān)，湯津，劉琳嵐，等.基于模糊支持向量回歸機(jī)的WSNs鏈路質(zhì)量預(yù)測 [J].計(jì)算機(jī)研究與發(fā)展，2015，52（8）:1842-1851.

[14]Kennedy J， Eberhart R. Particle swarm optimization [C]// Neural Networks， 1995. Proceedings.，IEEE International Conference on. IEEE，1995:1942-1948 vol.4.

[15]李紅連，唐炬.基于PSO-SVR的同步發(fā)電機(jī)勵(lì)磁電流預(yù)測[J].西北農(nóng)林科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，41（6）:188-194.

[16]齊乃明，孫小雷，董程，等.航跡預(yù)測的多無人機(jī)任務(wù)規(guī)劃方法 [J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2016（4）:32-36.

[17]劉白林，陳國一，鄒會(huì)云.類間距節(jié)點(diǎn)優(yōu)化DDAGSVM算法在多故障診斷中的應(yīng)用[J].西安工業(yè)大學(xué)學(xué)報(bào)，2014（5）：369-373.

[18]茅嫣蕾，魏赟，賈佳.一種基于KKT條件和殼向量的SVM增量學(xué)習(xí)算法[J].電子科技，2016（2）：38-40.

A college students’mobile phone dependence analysis system based on PSO-SVM

Aiming at the problem of the physiology，psychological and social function damage caused by mobile phone dependence，a mobile phone dependence analysis system for college students is designed. The system combined support vector machine（SVM）with particle swarm optimization（PSO）algorithm，using PSO to optimize the SVM kernel function parameters γ and penalty factor C.The system distributesand takesback the MPAIquestionnairesthrough mobile phone APP， using the questionnaires'data to train PSO-SVM and then gets the phone dependence classification model，the model can be used to classify the collected questionnaires in real time and can avoid tedious work of distribution，collection and data entry of the questionnaire.The system can also carry on statistical analysis to the result of classification，easy to grasp the situation of students.The experimental results show that the classification accuracy of the system is as high as 97.561%，and the system can automatically carry out screening and statistical analysis of the mobile phone dependence，the results of the system can be trusted and reliable.

support vector machine；particle swarm optimization；college students mobile phone dependence；mobile phone addiction index；APP

TN957.52

：A

：1674－6236（2017）01-0013-04

XU Wei-jun，YUAN Da-ming，LIU Dong-sheng

（Northeast Petroleum University at Qinhuangdao，Qinhuangdao 066004，china）

2016-04-22稿件編號：201604220

河北省高教會(huì)2015年度高等教育科學(xué)研究課題（GJXH2015-310）

徐煒君（1981—），男，陜西富平人，碩士，講師。研究方向：自動(dòng)控制、風(fēng)電預(yù)測及人工智能等。