基于BAS-SVM的学生学业动态预警研究

卢毅

(陕西学前师范学院 经济与管理学院， 陕西 西安 710061)

0 引言

大学生与高中生相比，其学习主动性和积极性有所下降，导致学业状态存在较大波动。如何及时发现大学生的真实学业状态并进行预警，可以从理论研究和教学实践两方面提升学生成绩和学校教学管理，价值巨大[1]。

关于状态预测与警示方面常规算法包括有决策树、聚类、关联规则和支持向量机等[2-4]。这些研究主要集中研究历史课程学习成绩对后续学习课程成绩的影响，以及生活习惯、家庭情况对学业状态的影响，但是综合生活特征和学习特征的学业状态预警的文献较为少见。本文在对支持向量机模型基本的参数(惩罚参数以及核值参数)对建模性能的影响的基础上，从对参数优化的角度出发，综合使用天牛须搜索算法，创新性的提出了基于SVM模型的BAS-SVM模型用于大学生就业状态模型的生成。在实验论证的过程中，通过与其他的预测模型(极限学习机和前馈神经网络算法)进行详细的比较后，发现本文提出的BAS-SVM算法可以更加准确的预测学生学业状态，有利于改善、调整主客观因素提升学业水平[5]。

1 BAS算法

作为经典的数据建模算法，BAS算法基于天牛觅食而建立的效率较高的群智能算法，算法的关键步骤如下[6-7]。

(1) 方向向量的明确

明确方向向量的目的是为了对天牛的搜索过程进行模拟，如式(1)。

(1)

式中，j表示空间维度；round()的作用为制作随机数。

(2) 确定天牛头部的左右触须的坐标值，如式(2)。……