DE-DA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的知識(shí)掌握程度預(yù)測(cè)

唐立 李亞平 王利軍

摘要：提出一種先用差分進(jìn)化優(yōu)化蜻蜓（Differential Evolution Dragonfly Algorithm，DE-DA）優(yōu)化逆向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)算法，使其運(yùn)用在線上教學(xué)的知識(shí)掌握程度預(yù)測(cè)。DE-DA算法使得DA可選優(yōu)繼承，提高DA速度和精確度，再用DE-DA組合算法幫助BP神經(jīng)網(wǎng)絡(luò)找到全局優(yōu)化權(quán)值和閥值，提高BP神經(jīng)網(wǎng)絡(luò)收斂效率，解決陷入局部極小值和收斂速度慢的問題。研究結(jié)果表明，DE-DA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，能有效提高網(wǎng)絡(luò)訓(xùn)練的收斂速度和精確度，提高了整體預(yù)測(cè)效果。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);DA算法;DE算法

中圖分類號(hào)：TP301.6;TP183 ?文獻(xiàn)標(biāo)志碼：A ?文章編號(hào)：1008-4657（2020）02-0012-06

0 引言

隨著線上教學(xué)的廣泛推廣，人們?cè)絹碓蕉嗟年P(guān)注線上教學(xué)質(zhì)量，學(xué)生線上學(xué)習(xí)情況等問題。線上教學(xué)過程中學(xué)生對(duì)所學(xué)的知識(shí)掌握程度的測(cè)評(píng)，能客觀表現(xiàn)學(xué)生線上學(xué)習(xí)的情況，也是線上教學(xué)質(zhì)量評(píng)估標(biāo)準(zhǔn)之一。

根據(jù)Kahraman[1-2]的方法，知識(shí)的掌握程度通過五個(gè)維度來衡量，即STG：學(xué)習(xí)當(dāng)前章節(jié)知識(shí)的學(xué)習(xí)時(shí)長(zhǎng);SCG：對(duì)當(dāng)前章節(jié)知識(shí)的重復(fù)學(xué)習(xí)次數(shù);STR：儲(chǔ)備知識(shí)的學(xué)習(xí)時(shí)長(zhǎng)，即之前章節(jié)學(xué)習(xí)時(shí)長(zhǎng);LPR：儲(chǔ)備知識(shí)的學(xué)習(xí)在線測(cè)試成績(jī);PEG：當(dāng)前章節(jié)知識(shí)的考試成績(jī)。以上這些數(shù)據(jù)具有較強(qiáng)的非線性和非穩(wěn)定性，傳統(tǒng)的模型因?qū)W習(xí)效率低或者陷入局部極小值而難以預(yù)測(cè)結(jié)果[3]。文獻(xiàn)[4]通過遺傳算法（Genetic Algorithm，GA）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值，有效地避免了陷入局部極小值，但是GA算法復(fù)雜的算法，使得尋優(yōu)耗時(shí)過長(zhǎng)。文獻(xiàn)[5]用DA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，提高了權(quán)值和閾值的尋優(yōu)速度，但是在尋優(yōu)過程中，易陷入局部最小值導(dǎo)致全局搜索能力較差。

DA算法具有良好的全局和局部尋優(yōu)性能，但是該算法在擇優(yōu)過程中無法繼承判斷，而耽誤了不少運(yùn)算時(shí)間。DE算法是一種差分進(jìn)化算法，是速度最快的進(jìn)化算法，主要用于求解實(shí)數(shù)優(yōu)化問題。針對(duì)這兩種算法特點(diǎn)，本文提出一種DE-DA組合算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，用DE算法對(duì)DA中的個(gè)體進(jìn)行變異、交叉、選擇操作，使DA擇優(yōu)繼承，提高了DA尋優(yōu)的速度，快速確定BP神經(jīng)網(wǎng)絡(luò)最優(yōu)的權(quán)值和閾值，最終使得BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果大幅提高。最后將其算法應(yīng)用在線上教學(xué)的知識(shí)掌握程度預(yù)測(cè)上，通過實(shí)驗(yàn)，對(duì)比驗(yàn)證該算法的有效性和性能比。

1 DE-DA組合優(yōu)化算法研究

1.1 DA算法

DA算法是Mirjalili等[6]提出的一種元啟發(fā)式優(yōu)化算法，它是模仿蜻蜓群體避敵、飛行和覓食等行為，同時(shí)對(duì)蜻蜓個(gè)體在全局和局部中尋找最優(yōu)位置的算法[7]。DA算法具有較好的全局和局部搜索能力，可以幫助BP神經(jīng)網(wǎng)絡(luò)全局尋優(yōu)。

通過表1可以看出，四種模型的精確度最低的是BP模型，GA-BP、DA-BP、DE-DA-BP模型對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，提高了原來的BP模型的預(yù)測(cè)精度，從數(shù)據(jù)來看GA-BP模型與DE-DA-BP模型的預(yù)測(cè)精度較接近，但是DE-DA-BP模型的預(yù)測(cè)精度是最高的，這表明DE-DA組合優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法適合于線上教學(xué)的知識(shí)掌握程度非線性特征預(yù)測(cè)，預(yù)測(cè)效果優(yōu)良。

4 結(jié)論

本文針對(duì)線上教學(xué)知識(shí)掌握程度的非線性關(guān)系特性，提出運(yùn)用DE-DA組合優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法對(duì)知識(shí)掌握程度進(jìn)行預(yù)測(cè)，結(jié)合DE和DA算法的優(yōu)勢(shì)，解決BP神經(jīng)網(wǎng)絡(luò)算法的極易陷入局部極小值和收斂速度慢的問題，在全局上對(duì)權(quán)值和閥值進(jìn)行尋優(yōu)，降低了BP神經(jīng)網(wǎng)絡(luò)的系統(tǒng)誤差，提高精確度。把這種新算法運(yùn)用知識(shí)掌握程度預(yù)測(cè)上，從實(shí)驗(yàn)結(jié)果和分析得出，DE-DA組合優(yōu)化BP算法比BP、GA-BP和DA-BP算法精確度更高，收斂速度要快，能滿足知識(shí)掌握程度的預(yù)測(cè)。

參考文獻(xiàn)：

[1] Kahraman H T，Sagiroglu S，Colak I. Developing Intuitive Knowledge Classifier and Modeling of Users' Domain Dependent Data in Web[J]. Knowledge Based Systems，2013，37： 283-295.

[2] Kahraman H T，Designing and Application of Web-based Adaptive Intelligent Education System[D]. Turkey： Gazi University，2009：1-156.

[3] 范巖，馬立平.優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的高校教學(xué)質(zhì)量評(píng)價(jià)模型[J].統(tǒng)計(jì)與決策，2018，34（2）：80-82.

[4] 岳琪，溫新.基于GA和BP神經(jīng)網(wǎng)絡(luò)的教學(xué)質(zhì)量評(píng)價(jià)模型研究[J].內(nèi)蒙古大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，49（2）：204-211.

[5] 張霄，錢玉良，邱正，等.基于蜻蜓算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的燃?xì)廨啓C(jī)故障診斷[J].熱能動(dòng)力工程，2019，34（3）：26-32.

[6] Mirjalili S. Dragonfly Algorithm：A New Meta-heuristic Opti-mization Technique for Solving Single-objective，Discrete，and Multi-objective Problems[J].Neural Computing & Appli-cations，2016，27（4）：1 053-1 073.

[7] 唐立，王利軍.基于Spark的DA算法并行化研究[J].西昌學(xué)院學(xué)報(bào)（自然科學(xué)版），2019，33（4）：66-69.

[8] 趙齊輝，杜兆宏，劉升，等.差分進(jìn)化的蜻蜓算法[J].微電子學(xué)與計(jì)算機(jī)，2018，35（7）：101-105.

[9] 黃文鋒.基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的挖掘算法設(shè)計(jì)[J].現(xiàn)代電子技術(shù)，2018，41（14）：143-146.

[10] 唐立.基于PSO-Adaboost-BP的問題解決能力測(cè)評(píng)預(yù)測(cè)[J].韶關(guān)學(xué)院學(xué)報(bào)，2018，39（12）：18-22.

[責(zé)任編輯：鄭筆耕]