BP神經網絡在高職學生體質綜合評價中的應用

李革 覃紀武

【摘 要】分析影響學生體質的指標，闡述BP神經網絡的基本概念，探討BP神經網絡在高職學生體質綜合評價中的應用。

【關鍵詞】BP神經網絡 高職 學生 體質 綜合評價 應用

【中圖分類號】 G 【文獻標識碼】A

【文章編號】0450-9889（2014）02C-0156-03

體質，是指在遺傳性和獲得性的基礎上表現出來的人體形態結構、生理功能和心理因素的綜合的、相對穩定的特征。對學生體質進行綜合評價，是一項復雜的工作。建立健全學生的體質評價體系，科學地評價學生的體質狀況，引導學生進行有針對性的體育鍛煉，對提高學生的身體素質將起到十分重要的作用。當前，數據挖掘技術在各領域的應用研究已取得很大的進展，而在學生身體素質方面的應用卻很少?；诖?，本文探討BP神經網絡在高職學生體質綜合評價中的應用。

一、影響學生體質的指標分析

體質綜合評價是體育界研究健康問題的一個領域，它由人體的骨骼形態、身體機能、身體的綜合素質和人體所具備的運動能力等一系列綜合因素組成。這些綜合因素又可以通過若干個相互聯系、相互制約的數據指標體系來反映。學生的體質，除先天因素外，后天合理、系統、科學的運動訓練是必不可少的。對學生體質進行監測，指標的選取是一個很重要的因素。本文根據現試行的《大學生體質健康標準》，采用身體形態、身體機能和運動能力3個方面對學生的體質健康進行綜合評價。其中，身體形態用克托萊指數（體重/身高×1000）表示，該指標能有效地反映人體形態發育水平和勻稱程度。身體機能采用肺活量—體重指數和臺階試驗指數。肺活量—體重指數指標反映每千克體重肺活量的大小，即每1kg體重的肺活量的相對值來反映肺活量與體重的相關程度，從而能比較客觀地對不同年齡、性別的個體與群體進行定量比較分析。臺階試驗指標則通過有節律的登臺階運動持續時間（s）與恢復期測定的脈搏次數相應的比值來評價人體心血管功能，該指標反映學生的心血管系統功能，并間接推斷機體的耐力。本文采用的是中國改良臺階試驗，這兩個指標都是越趨于極值表示其身體機能越好。運動能力用立定跳遠、50米跑和引體向上表示。立定跳遠能體現人體在運動中的靈敏度，50米短跑表現人體在運動中的速度，引體向上能體現人體的靜力性力量。各要素之間密切相關，互相制約，又互相影響，是不可分割的整體。通過以上分析，可得本文所用學生體質健康評價指標體系，詳見表1。

表1 高職學生體質健康評價指標體系

項目 評價指標

身體形態 克托萊指數

身體機能 肺活量—體重指數

臺階試驗

運動能力 立定跳遠

50米跑

引體向上

二、BP神經網絡的基本概念

BP神經網絡是一種對可微分非線性函數進行權值訓練的多層前饋網絡，其基本結構如圖1所示。

輸入層 隱藏層 輸出層

圖1 BP神經網絡的基本結構

從圖1可以看到，BP神經網絡的基本結構是一個前向的多層網絡，該網絡由輸入層、輸出層以及一層或多層的隱藏層組成。BP網絡的輸出yk可以用公式描述為：

（1）

其中，Xj為輸入信號，Wkj為網絡的權值，θk為網絡的閾值，為 網絡的激活函數，k，j∈[1，n]。

在BP網絡中，同層的各神經元之間互不連接，相鄰層的神經元則通過權值連接。BP網絡的學習過程由兩部分組成：一是信息的正向傳播；二是信息的誤差反向傳播。在信息的正向傳播過程中，輸入的信息Xj經隱含層單元逐層處理，最終由輸出層輸出。在這個信息的傳播過程中，每一層神經元只對緊連接它的下一層神經元的狀態產生影響。如果網絡的輸出yk與實際期望的輸出產生的誤差△E達不到預先設定的要求，此時，BP網絡轉入信息反向傳播階段。算法將誤差信號沿原來的連接通路反傳回來，并修正各層連接權值和閾值，直到網絡的輸出達到預期目標。

三、BP神經網絡在高職學生體質綜合評價中的具體應用

（一）數據的采集。這里以某高校為例，由于男生、女生個體之間的差異，為了簡化問題，本文選取2006～2008年大一的男生共8500人按表1所列指標進行各項測試。在測試過程中，遵循先靜止后運動的測試原則，在測試時各項目之間留有一定的間隔，從而使學生的體力與機能得到完全恢復，以保證學生能以最佳狀態參加測試。測試完成后，組織10個一線的、長期從事學生體質評測的體育教師對測試所得數據進行評測，所用評語為優、良、中、差4個等級。為了便于BP神經網絡的處理，將4個評價等級轉換為相應的二進制數值，如表2所示。收集到的原始測試數據如表3所示。

表2 評語等級對應的分值標準

評語等級 對應的分值

優 1000

良 0100

中 0010

差 0001

表3 高職學生體質測試原始數據（部分）

序號 克托萊指數（kg/cm×1000） 肺活量—體重指數（ml/kg） 臺階試驗 立定跳遠 50米跑（秒） 引體向上 綜合評價

1 352 90 78 2.45 7”3 16 良

2 318 73 65 2.39 7”7 13 差

3 372 81 83 2.61 7”1 13 優

4 349 61 81 2.52 7”2 8 中

5 356 87 89 2.63 6”7 11 優

6 323 73 73 2.39 7”6 12 中

7 367 79 85 2.61 7”2 11 良

8 373 75 82 2.46 6”9 15 優

9 326 83 69 2.39 7”7 11 中

（二）網絡的訓練過程。BP神經網絡處理的是[0，1]范圍內的數值，但是從表3學生體質測試的原始數據中可以看出，各評測指標所得數據差別較大，且屬性的取值多是大于1。因此，必須將這些數據轉化為[0，1]之間的數據。所用歸一化公式為：

（2）

其中，X是所收集的一組數據，MIX（X）和MIN（X）分別是這組數據的最大值和最小值，是映射后的數據。經過歸一化后的數據如表4所示。

表4 高職學生體質測試歸一化數據（部分）

序號 克托萊指數（kg/cm×1000） 肺活量—體重指數（ml/kg） 臺階試驗 立定跳遠 50米跑（秒） 引體向上 綜合評價

1 0.6182 1 0.5417 0.25 0.6 1 良

2 0 0.4138 0 0 1 0.625 差

3 0.9818 0.6897 0.75 0.9167 0.4 0.625 優

4 0.5636 0 0.6667 0.5417 0.5 0 中

5 0.6909 0.8966 1 1 0 0.375 優

6 0.0909 0.4138 0.3333 0 0.9 0.5 中

7 0.8909 0.6207 0.8333 0.9167 0.5 0.375 良

8 1 0.4826 0.7083 0.2917 0.2 0.875 優

9 0.1455 0.7586 0.1667 0 1 0.375 中

取2006、2007年的學生數據共6500筆作為訓練網絡用，余下的數據作為測試數據。

關于隱含層節點數的選擇是一個十分復雜的問題，隱層神經元數目的選擇對BP神經網絡的性能影響較大。如果網絡隱層神經元數量過少，則網絡所能獲取的用以解決問題的信息太少；如果隱層神經元數量過多，增加了網絡的訓練時間，甚至還會出現網絡過度匹配現象。實踐證明，隱層神經元個數n2和輸入層個數n1之間有以下近似關系：

n2+2n1+1 （3）

因此，本文采用三層BP網絡來進行建模。

從表4的數據可知，本例的BP網絡有6個輸入層，1個輸出層。根據公式（3）可求出BP網絡的隱層神經元個數為13。雖然有公式（3）作為指導，但BP網絡隱層的神經元個數并非一成不變。在BP網絡的訓練過程中，需要對同一樣本集采用不同隱層節點數的網絡進行訓練，直到網絡輸出穩定為止。最后，根據BP網絡的測試結果，把網絡輸出誤差最小的隱層節點數確定為該BP網絡的最佳隱節點數。經過對同一樣本集的多次測試，本例的BP網絡最終確定的隱層節點數為11。實驗采用的軟件環境為matlab7，采用S型正切函數tan sig作為本實驗的網絡中間層傳遞函數。由于實驗中數據的輸出模式為0～1，因此采用S型的對數函數log sig作為輸出層的傳遞函數。其余訓練參數的設定如表5所示。

表5 訓練參數

訓練次數 訓練目標 學習速率

1000 0.01 0.1

經過242次訓練后，網絡的性能就達到了要求，如圖2所示。

圖2 訓練結果

接下來需要對訓練好的網絡進行測試。隨機抽取3筆2009級大一學生的測試數據進行測試，結果如表6所示。

表6 抽樣數據測試結果

序號 BP神經網絡測試結果 實際情況

1 0.0327 0.9796 0.0125 0.0001 良

2 0.0000 0.0001 0.9611 0.0321 中

3 0.9840 0.0000 0.0150 0.0001 優

（三）結果分析。從表6的結果來看，抽樣數據的測試結果和實際值相互吻合。把該網絡模型用于2009級大一男生的體質健康綜合評測中，有效率為96.3%，完全能滿足應用要求。

綜上所述，目前《學生體質健康標準》實施工作的重點在數量，難點在質量。本文采用BP神經網絡對高職學生的體質進行綜合評價是一次新的嘗試，有利于更科學地對（下轉第163頁）（上接第157頁）學生的體質進行綜合評價，從而更好地把握學生的健康狀況，為學生今后的學習和工作打下良好的基礎。該模型的應用對于縱向研究大學生的體質發展態勢和體質等級的方法更具有現實意義。

【參考文獻】

[1]陳明達，于道中.實用體質學[M].北京：北京醫科大學、中國協和醫科大學聯合出版社，1993

[2]王童，徐明欣，李瑞年.大學生體質等級綜合評定判別分類的方法[J].天津體育學院學報，2005（2）

[3]孫文爽.體質的綜合評價方法[J].楚雄師專學報，2001（3）

[4]S Horikawa.On fuzzy modelling using fuzzy nerual networks with BP algorithm.IEEE Trans[J].nerual Networks， 1992（2）

[5]包健，趙建勇，周華英.基于BP網絡曲線擬合方法的研究[J].計算機工程與設計，2005（7）

[6]韋萌.BP神經網絡在高校教學實驗室綜合評價中的應用[J].柳州職業技術學院學報，2010（1）

[7]王秀春，智會強，毛一之，等.多宗量導熱反問題求解的神經網絡法[J].航空動力學報，2004（4）

[8]張志立，程磊，何敏.基于人工神經網絡的煤與瓦斯突出檢測[J].礦業安全與環保，2005（6）

[9]French M.N. etal.Rainfall forecasting in space and time using a neural networks[J].J.of hydrol，1992（7）

【基金項目】2012年度廣西高等教育教學改革工程項目（2012JGA322）

【作者簡介】李 革（1966- ），男，廣西柳州人，柳州職業技術學院副教授，研究方向：高校體育教學與運動訓練；覃紀武 （1965- ），男，柳州職業技術學院副教授，研究方向：網絡安全、數據挖掘。

（責編 蘇 洋）