基于LVQ神經網絡的高校貧困生認定模型

婁顏超

摘要：鑒于目前高校貧困生認定工作的重要性，針對資助過程中存在的認定困難等問題，在梳理影響高校貧困生認定工作的基礎上，提出采用 LVQ 神經網絡建立高校貧困生認定模型。通過訓練、測試，驗證了 LVQ 神經網絡能夠有效應用于高校貧困生認定，以期為基于神經網絡與貧困生認定的實踐與研究提供借鑒，將精準資助落到實處，為形成更加完善、可靠的學生資助工作體系提供技術支持。

關鍵詞：高校貧困生認定;LVQ神經網絡;精準資助

中圖分類號：G647 ????文獻標識碼：A

黨和國家始終堅持教育事業優先發展，高校也逐步不斷建立健全資助體系，學生資助推動了我國教育事業快速發展，而且在人力資源開發、扶貧脫貧等方面發揮了重要作用，取得了顯著成效。

精準資助的本質是要明確地劃分資助的等級，并對不同等級給予不同的資助，通過更加科學的程序，從而有效達到精準資助的目的。因此，有必要建立準確高效的貧困認定系統，確定家庭經濟困難學生的認定標準和資助檔次。

1高校資助困境

高校在推進學生資助工作取得成效的同時，依然存在分配不均、實施力度不強等現象。

（1）高校資助模式有待改進。由于資助摸排范圍受限、資助力度有限、資助形式單一、材料的真實性等諸多因素所帶來的局限性，都給高校貧困生認定增加了困難，導致無法真實反映家庭經濟困難學生的實際訴求。

（2）由于高校貧困資助采用生源地—輔導員—班級為主線的主觀評定程序，缺乏客觀量化標準，導致認定結果不準確。因此，如何依托現代信息技術構建認定管理系統十分重要。

（3）貧困生數據更新不及時，缺乏對數據資源的實時性和動態性管理。認定工作的預判要依賴數據更新、分析以及反饋所形成的完整資助過程，以便保持與資助工作的前置性相契合。

2建立高校貧困生認定評價指標

精準認定家庭經濟困難學生是資助工作的首要環節。按照高校家庭經濟困難學生認定標準，參照生源地、家庭情況、學生個人量化以及民主測評4項指標，所包含若干不同認定參考內容，將貧困生分為五個等級：特困學生、困難學生、一般困難學生、特殊困難學生以及非貧困學生。可以通過學生登錄系統，提交個人相關信息，建立貧困資源數據庫，該數據庫中包含的大量知識規則用于通過神經網絡對樣本信息進行訓練，最后根據各個因素的影響程度來決定貧困生等級評定。

3基于 LVQ神經網絡的貧困生認定模型

人工神經網絡是采用電子器件實現或通過軟件在計算機上模擬，可以具備生物神經系統的某種特殊功能。同時，人工神經網絡是由大量處理單元并行連接而構成的信息處理系統，具有自組織、自學習以及泛化推廣能力。鑒于高校貧困生認定方法存在局限性，本文以神經網絡為技術依托，建立簡單、高預測率的高校貧困生認定模型。

3.1學習向量量化神經網絡

學習向量量化（Learning Vector ?Quantization，LVQ）神經網絡屬于前向有監督神經網絡類型，是一種基于統計分布的自適應數據分類思想，可以通過競爭性的競爭層（隱含層）實現函數傳遞，廣泛應用于模式識別和故障診斷等領域。

LVQ神經網絡由輸入層、競爭層與線性輸出層三個神經元構成，其網絡結構如圖1所示。其中，輸入層和競爭層之間為完全連接，每個輸出層神經元與競爭層神經元的不同組相連接。競爭層神經元個數總是大于線性輸出層神經元個數，競爭層與輸出層神經元之間的連接權值固定為1。但是每個線性輸出層神經元能夠與多個競爭層神經元相連接。注意：競爭層神經元和線性輸出層神經元的值只能為1或0。在網絡訓練過程中，輸入層和競爭層神經元間的權值將被修改，即當某個輸入模式被送至網絡時，與輸入模式距離最近的競爭層神經元被激活而贏得競爭，其狀態變為“1”，但其它競爭層神經元的狀態均為“0”。因此，與被激活神經元相連接的輸出神經元也發出“1”，而其它線性輸出層神經元狀態均為“0”。

其中，p為輸入層神經元個數，s1為競爭層神經元數，和分別為競爭層神經元的輸入與輸出。和分別為線性輸出層神經元的輸入與輸出。為輸入層與競爭層間的連接權系數矩陣，為競爭層與線性輸出層間的連接權系數矩陣。

3.2 LVQ2算法

LVQ2算法通常被用來劃分相似類別的混疊邊界，使得不同類別的判斷趨近于Bayes判決。該算法的具體步驟為：

步驟1：對輸入層和競爭層之間的權值以及學習率進行初始化。

步驟2：將訓練樣本作為輸入向量送入輸入層，計算競爭層與輸入向量之間的距離：

其中，為輸入層到競爭層之間的權值。

步驟3：選擇與輸入向量距離最小的兩個競爭層神經元。

步驟4：如果神經元 ，滿足以下兩個條件：

（1）神經元和的標簽類別分別記為和;

（2）神經元和與當前輸入向量的距離和滿足：

其中，為輸入向量可能落進的接近于兩個向量中段平面的窗口寬度，通常取2/3左右。則有

（1）如果神經元i對應的類別與輸入向量對應的類別相同，即，則神經元i和j的權值采用下面方法進行調整：

（2）如果神經元對應的類別與輸入向量對應的類別相同，即，則神經元和的權值采用下面方法進行調整：

步驟5：如果神經元和神經元 不滿足步驟4中所提到的條件，則只需采用下列公式更新距離輸入向量最近的神經元權值：

3.3建立基于 LVQ神經網絡的貧困生認定模型

3.3.1認定模型設計思路

將采集到的300名貧困學生數據集分為訓練集和測試集。其中，隨機選取數據集中的280名學生數據作為訓練集數據，剩余的20名學生數據作為測試集數據。將訓練集作為LVQ神經網絡的輸入，貧困等級作為網絡的輸出。利用訓練集數據對設計的LVQ神經網絡進行訓練，通過測試集對訓練模型進行驗證，最后對測試結果進行分析，說明訓練模型的有效性。