基于BP神经网络的大学生创业素质评价

合集下载

大学生综合素质评价中模型的选取

大学生综合素质评价中模型的选取大学生的综合素质是指在先天生理的基础上，经过后天的高等教育和社会环境的影响所形成的对大学生的发展和提高起着决定作用的，最基础、最重要、最本质的综合素养和品质。

大学生综合素质评价的结果，一方面关系大学生个人的评优获优、就业等切身利益问题，一方面关系对高校人才培养效果的科学评价和适时调整。

为此，采用科学合理的评价方法对大学生综合素质进行评价关系重大。

由于大学生综合素质事关国家的振兴，关系着民族的未来。

所以关于这方面的研究，十几年来已经取得了长足的发展。

现在仅就模型选取过程中遇到的问题进行简单的论述。

首先列举当前社会比较成熟的几个评价方法。

一、大学生综合素质评价的BP小波神经网络评价模型目前采用神经网络进行非线性系统建模的方式有很多（如:BP 网络等），他们通过对训练样本的学习能很好地反映出对象的输入/ 输出之间的复杂的非线性关系。

不同的网络收敛及逼近效果各不相同。

本文提出一种基于BP小波神经网络的方法来对大学生综合素质评价体系进行建模，以达到良好的逼近及适配效果。

1、评价体系建模思想BP小波神经网络对大学生综合评价体系建模的基本思想是：将各评价指标的属性值作为BP小波网络模型的输入向量，评价结果作为模型的输出向量，用足够多的样本训练这个网络, 使网络记住各指标的权重、各评价人员的经验、知识等；利用训练好的BP小波网络模型，根据评价对象各指标测定的值就可以得到对评价对象的评价结果。

2、B P小波神经网络模型结构BP小波神经网络的结构如下：输入层向量是通过数据预处理器将评价指标体系中各个指标的实测值组成的向量按一定规则归一化处理后得到的。

输出向量分别代表优、良、中、合格、差五个综合评价结果, 取值范围为[0,1] , 其中取值最大的输出单元对应的评价结果即为评价对象最终的评价结果。

小波神经网络是一种以小波基函数为神经元激励函数的前馈网络模型, 它既可看作是一种以小波函数为基底的函数连接型网络，也可以认为是径向基函数网络的推广，采用单隐层结构。

大学生跨文化能力评价刍议——基于BP神经网络理论视角

跨文化意识与态度、文化知识、文化技能等。ｃｈｅｎ＆Ｓｔａｒｏｓｔａ且，大多数学者普遍认为知识、技能、意识、态度等资源因素（１９９７）则从文化认知与心理调适角度把跨文化能力分为个在跨文化能力构成要素中是必不可少的。
人能力、交际能力、心理适应能力和文化意识。Ｂｙｒａｍ（１９９７）提出了跨文化能力模式由批判性文化意识，态度，技能和知
由此笔者在评价方法上吸收了国内外学者的研究方法和成果采用较为科学的评价方法bp神经网络该方法是目前在各领域中研究和应用最广泛的综合评价方法之一它是由rumelhart和mcce11and在1986年提出的种按误差反向传播算法训练的多层前馈神经网络模型
湖北社会科学２０１３年第７期
大学生跨文化能力评价刍议
际、自信和社会关系等等。许力生（２０１１）认为探索跨文化能
高校普遍关注的话题。由此，如何评价大学生的跨文化能力
显得尤为迫切。国内外学者从上个世纪七十年代开始就从各自的研究领域探讨了跨文化能力的各种构成要素和模式。
Ｒｕｂｅｎ（１９７６）从跨文化交际情境角度提出了七大交际维度力的构建已成为当前跨文化交际研究中最主要的领域之一。理论，如尊重、态度、知识、移情、角色、互动等七大行为要素。美国教育心理学家Ｊｏｓｅｐｈ（１９９４）提出跨文化能力主要包括综合来看，国内外学者更广泛地采纳和认同Ｂｙｒａｍ（１９９７）提出的跨文化能力模式（意识，态度，技能和知识），而

基于BP神经网络的高校学生管理工作绩效评价模型

输入层、隐含层和输出层组成的三层结构居多。如图１所示：
层只设为１个输出节点，取值范围定为【，］０１。３１隐含层设计．３．隐含层节点数量可由经验公式：＝ｍ丽＋确定，中ｍ为隐含ａ其层节点数，为输入层节点数，为输出层节点数，为１１之间的常数，ｎｌａ－０根据公式，隐含层节点个数为５１个， — ４逐一进行试验，得到最佳隐层节点数为７。３１权值和阈值初始设置．４．连接权值和阈值的取值范围通常是卜１１＿／，２ｌ为网络输，或Ｉｎ＋／（】２ｎｎ入层节点数）。通过试验比较，文将网络的连接权值和阈值的初始取本值范围设为卜１ｎ＋，］／，ｌ。ｎ表２某高职院校学生管理工作绩效评价数据
ｌ；
２．３Ｏ７１Ｏ．０Ｏ．．４Ｏ８．５Ｏ６．０Ｏ．９Ｏ０８Ｏ．３Ｏ７．６５６０６．００５．３０７６３０．－０７３０８．５Ｏ．８．１０８．４０７．００．３ＯＬ６Ｏ８Ｏ．３．０Ｏ８８１０．２Ｏ８．５０８．４０６８８．５８
畴。其信息处理功能是由网络单元的输入输出（活特性）网络的拓扑激、结构（神经元的连接方式）的。人工神经网络对问题的求解方式与传决定统方法不同，它是通过训练来解决问题的。训练一个人工神经网络是把同一系列的输入例子和理想的输出作为训练的 “ 本” 根据一定的样，训练算法对网络进行足够的训练，使人工神经网络能够“ 学会 ” 含在包 “ ” 解中的基本原理。当训练完成后，该模型便可以用来求解相似的问题。目前，已发展了几十种神经网络，在这众多神经网络模型中，误差反向传递学习算法（Ｐ即Ｂ神经网络）实现了多层网络设想，一般主要以

基于BP神经网络的创新绩效评价模型

基于BP神经网络的创新绩效评价模型作者：芦冬青来源：《现代电子技术》2017年第15期摘要：针对当前创新绩效评价模型存在收敛效率低以及泛化性能弱的缺陷，提出基于BP 神经网络的创新绩效评价模型。

对创新绩效评价的指标体系进行构建，并收集相应的创新绩效评价数据，采用BP神经网络模拟人脑对创新绩效数据进行训练，并采用梯度法确定BP神经网络的参数，建立创新绩效评价模型，最后通过仿真实验测试其性能。

实验结果表明，该模型提高了创新绩效评价的精度，而且评价速度得到大幅度提高，评价效果明显优于其他模型，具有更高的实际应用价值。

关键词： BP神经网络；评价模型；收敛效率；泛化性能中图分类号： TN711⁃34； TP183 文献标识码： A 文章编号： 1004⁃373X（2017）15⁃0056⁃03Abstract： Since the available innovation performance evaluation model has the defects of low convergence efficiency and weak generalization performance， an innovation performance evaluation model based on BP neural network is proposed. The index system of the innovation performance evaluation was constructed. The corresponding innovation performance evaluation data is collected，and trained with BP neural network simulating the human brain. The gradient method is used to determine the parameter of BP neural network. The innovation performance evaluation model was established， and its performance was tested with simulation experiment. The experimental results show that the model can improve the accuracy of innovation performance evaluation and evaluation speed， its evaluation effect is superior to other models， and has high practical application value.Keywords： BP neural network； evaluation model； convergence efficiency； generalization performance0 引言当前知识在人力资本和科技中具有较高的应用价值，是企业提升自身竞争力的关键。

基于BP神经网络的城市创业环境评价模型构建

表性、对比性的统计数据，为评价模型的科学建立和评价提供了数据源。根据表ｌ的评价指标体系，收集了南昌市和深圳两市在２００１－２０１０年ｌＯ年间的统计数据。由于衡量指标的单位各不相同，需要进行去量纲的标准化处理。ｌ６项指标属性均为效益型（越大越好型），因此本文采用下面的线性公式（１），将同一指标在各城市不同年度下的数据转换为［０．１，０．９］区间内的数值。ｐ＝０．１＋（ — ｍｉｎ（ｘ／））Ｉ（ｍａｘ（ｘｉ）一ｍｉｎ（ｘ））（Ｏ．９ — ０．１）
二、ＢＰ神经网络模型的建立
（一）指标数据处理
深圳市是最早被设立为经济特区的城市之一，创业活动较为活跃；而南昌市地处中部，对外开放较晚，创业
【收稿日期】２０１２ — １０ — ３０【基金项目】南昌市科技局软科学课题 “ 城市创业环境评价指标体系及模型构建研究—— 基于南昌市、深圳市的对比数据 ” （０５３３２０２０）【作者简介】张欣艳，硕士，江西财经大学工程师，研究方向：区域经济、创业环境、神经网络、灰色理论。
一
、
城市创业环境评价指标体系的构建
ＧＥＭ研究框架指出了衡量区域创业环境的九大指标，即政府政策、政府项目支持、有型基础设施、金融支持、商业环境与专业基础设施、教育和培训、研究开发转移、文化及社会规范、进入壁垒。根据企业战略管理的思想这些评价指标可划分为经济环境（ＰｏｌｉｔｉｃａｌＥｎｖｉｒｏｎｍｅｎｔ）、政治环境（ＥｃｏｎｏｍｉｃＥｎｖｉｒｏｎｍｅｎｔ）、社会环境（Ｓｏｃｉ￣Ｅｎｖｉｒｏｎｍｅｎｔ）三个层面。［７】经济环境反映企业生存和发展的社会经济状况；政治环境反映政府机构履行经济管理职能，对企业创业环境发展所产生的宏观促进作用；社会环境是指一个地区的文化、教育及社会氛围。依据科学性、针对性和客观可操作性的设计原则，本文从上述三层面选择了８个一级指标共１６个二级指标构建出城市创业环境评价指标体系，如表１所示。

BP神经网络在大学生社团评价中的应用

BP神经网络在大学生社团评价中的应用作者：杨昌昌武瑛王唯王薪涵王洁来源：《电脑知识与技术》2020年第08期摘要：在分析了高校社团评价的特点上，结合BP神经网络的特点，探讨了基于BP神经网络来评价社团质量的方法。

利用神经网络建立起高校评价社团的系统模型，将评价各项指标作为输入，最终评价结果作为输出，运用Tensorflow深度学习框架运行得到符合条件的模型。

为高校开展学生社团工作提供一些借鉴和帮助。

关键词：高校社团评价;BP神经网络中图分类号：TP399 文献标识码：A文章编号：1009-3044（2020）08-0206-02近年来我国高等教育发展迅速，高校中的社团数量也随之增多。

面对新时期的挑战，如何进一步整合资源，加强和改进高校学生社团管理，提高社团质量，进一步丰富学生社团生活的形式，更加科学有效地管理和引导学生社团的良性发展，不仅是适应高等教育改革发展和大力推进素质教育的迫切需要，也是新时期高校人才培养和校园文化建设所面临的重要课题[1]。

社团评价的目的是为了更好地发挥学生在社团活动中的积极作用，提高学生参与社团活动的积极性，促进社团管理的规范化，使社团真正为学生的兴趣课堂服务。

目前，大多数高校评价社团是否优秀主要还是通过人为的进行加权打分，这些方法为评估社团质量提供了参考，但也存在一些不足，如主观性较强，导致最终结果误差偏大，科学性不高等。

而神经网络这一工具具有很强的自学能力以及鲁棒性和容错性。

为使评价结果更接近实际情况，本文提出应用BP神经网络对大学生社团进行评价的方法，可以避免传统评价方法的主观性。

对社团活动评价的处理具有很好的效果。

1 BP神经网络原理人工神经网络理论（Artificial Neural Network，即ANN）理论是20世纪80年代中后期世界范围内迅速发展起的一个机器学习。

它可以模仿人脑进行学习、训练，一直找到一个适合其训练内容的一个结果。

BP（Back-propagation）神经网络是最传统的神经网络，也是目前研究最多最广的ANN模型。

基于BP神经网络的高职学生学习评价模型构建与实现

评价等级集合划分为：＝｛优秀，良好，中等，及格，不及格｝五个等级。２．３ＢＰ神经网络学习评价模型确立。一个神经网络模型结构选择是否科学，将会直接影响网络训练次数和网络学习的精度，因此，科学网络模型的确立十分
层数未必能降低误差与提高精度，然而却使网络更加复杂，增加了网络的训练时间。另外预测的效果也不定能增强。误差精度的提高可以通过调节隐含层中
基于ＢＰ神经网络的高职学生学习评价模型构建与实现
赵振勇，张平泽
（１．常州纺织服装职业技术学院，江苏常州２１３１６４；２．常州机电职业技术学院，江苏常州２１３１６４）
摘要：本文以学习某一课程为例进行科学、有效的构建学习评价内容指标体系，提出了一种基于ＢＰ神经网络的的学
（１）输入层神经元个数。由表１指标体系可知，共有９个主要指标影响学习质量，因此假定输入层神经元个数ｎ＝９。（２）输出层神经元个数。评价结果是网络的输
出，因此假定输出层个数ｉｎ＝１。（３）网络层数选取。理论上早已经证明，具有至少一个Ｓｉｇｍｏｉｄ型隐含层加上一个线性输出层的网
重要。
输入与输出之间有一种非线性映射的表现关系。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使ＢＰ神经１所示。

BP神经网络在大学生社团评价中的应用

BP神经网络在大学生社团评价中的应用
随着社团的日益丰富多样化，对社团评价也越来越重要。

传统的社团评价方法一般是由学生填写问卷或进行面试，评委根据问卷结果或面试表现进行评价。

这种评价方法存在一些问题，如评价结果受到主观因素的影响，评委对不同社团的了解程度不同，评价结果难以客观反映社团的实际情况等。

BP神经网络是一种常用的人工神经网络模型，具有自适应学习能力和强大的非线性建模能力。

我认为可以将BP神经网络应用于大学生社团评价中，提高评价结果的客观性和准确性。

BP神经网络可以用于社团评价指标的权重分配。

通常，社团评价指标包括社团活动的数量、质量、影响力、组织能力等。

通过收集历年来的社团评价数据，可以构建一个BP神经网络模型，训练该模型并预测出各个评价指标的权重，从而实现评价指标的客观、科学的权重分配。

BP神经网络可以用于社团评价指标的综合评价。

将各个评价指标作为BP神经网络的输入层，设置合适的隐藏层和输出层，通过神经网络的训练和学习，可以得到社团综合评价的结果。

相比传统的评价方法，BP神经网络不会受到评委主观因素和了解程度的影响，评价结果更加客观准确。

BP神经网络在社团评价中的应用也存在一些问题。

BP神经网络需要大量的数据进行训练和学习，而对于一些新成立的社团，可能没有足够的数据支持。

BP神经网络需要进行模型的参数选择和调优，这需要专业的知识和技能支持。

BP神经网络具有在大学生社团评价中的广泛应用前景。

它可以提高评价结果的客观性和准确性，对于社团的管理和发展具有重要的指导意义。

其应用也需要充分考虑到实际情况，并针对性地解决存在的问题，以实现最佳的评价效果。

基于改进BP神经网络的学生职业素质能力评价模型

基于改进BP神经网络的学生职业素质能力评价模型目录一、内容概要 (2)1. 研究背景 (2)2. 研究意义 (3)3. 研究目标与内容 (4)二、相关理论与技术概述 (5)1. BP神经网络理论 (6)1.1 神经网络基本原理 (7)1.2 BP神经网络结构及工作原理 (8)2. 改进BP神经网络方法 (9)2.1 网络结构改进 (10)2.2 算法优化策略 (11)三、学生职业素质能力评价指标体系构建 (12)1. 评价指标选取原则 (13)2. 评价指标体系框架 (14)2.1 职业知识 (16)2.2 职业技能 (17)2.3 职业素养 (18)2.4 职业心理素质 (19)四、改进BP神经网络模型设计 (20)1. 网络结构设计 (21)2. 激活函数与权重初始化 (22)3. 网络训练与优化算法设计 (24)五、实证分析 (25)1. 数据收集与处理 (27)2. 模型训练与验证 (28)3. 模型性能评估 (29)4. 结果分析与应用 (30)六、结论与展望 (31)1. 研究总结 (32)2. 研究不足与局限 (33)3. 未来研究方向 (34)一、内容概要本论文旨在构建一个基于改进BP神经网络的学生职业素质能力评价模型，以实现对大学生职业素质能力的准确、客观和全面的评估。

论文介绍了研究背景和意义，强调了在当前社会背景下，对学生职业素质能力的评价需求日益增强，而传统评价方法存在局限性。

论文阐述了研究方法和步骤，包括对现有评价方法的改进和BP 神经网络模型的构建。

具体包括数据收集与处理、指标体系构建、模型构建与训练、模型应用与验证等。

在模型构建与训练部分，论文采用了改进的BP神经网络算法，通过引入遗传算法优化网络权重和结构，提高了网络的预测精度和泛化能力。

论文通过实验验证了模型的有效性和实用性，并分析了结果。

实验结果表明，改进的BP神经网络模型能够有效地评价学生的职业素质能力，并为高校提供有针对性的职业指导和服务。

BP神经网络综合评价法

BP神经⽹络综合评价法
BP神经⽹络综合评价法是⼀种交互式的评价⽅法，⼀种既能避免⼈为计取权重的不精确性, ⼜能避免相关系数求解的复杂性,还能对数量较⼤且指标更多的实例进⾏综合评价的⽅法,它可以根据⽤户期望的输出不断修改指标的权值，直到⽤户满意为⽌。

因此，⼀般来说，⼈⼯神经⽹络评价⽅法得到的结果会更符合实际情况。

BP神经⽹络是⼀种典型的多层前向神经⽹络，由输⼊层、隐,层和输出层组成，层与层之间采⽤全部连接⽅式，同层节点之间不存在相互连接，其中输⼊层节点仅在信号输⼊作⽤，输出层节点起线性加权作⽤，隐层节点负责对信息进⾏最主要的数学处理。

不失⼀般性，设输
⼊层有 M 个节点，隐层有L个节点，输出层有P个节点，样本数为N，输⼊向量为，为隐层节点与输⼊层节点的连接权值，则隐层节点的输⼊和输出分别为：
隐层节点的激励函数⼀般选取双曲正切函数或型函数等⾮线性函数，⽽输⼊层节点的激励函数⼀般选取等⽐喻出的线性函数。

⽽输
出层节点与隐层节点的连接权值为，则输⼊层节点的输出为：
采⽤算法对⽹络进⾏训练。

算法是⾮线性最⼩⼆乘⽆约束优化算法，其本质是⾼斯-⽜顿法的改进⽅式，具有⼆阶收敛速度，既具有⾼斯-⽜顿法的局部收敛⽅式，⼜具有梯度下降法的全局收敛特性。

基于BP神经网络的学生数学能力评价模型设计

基于BP神经网络的学生数学能力评价模型设计随着教育信息化的不断推进，对于学生能力评价的需求也越来越大。

在数学学科中，基于BP神经网络的学生数学能力评价模型被广泛应用，因为其能够基于学生历史记录，预测学生未来的数学表现，并且可以为学生提供个性化的教学和学习建议。

1. 神经网络的基本原理神经网络是模拟人类神经网络的一种计算模型，由许多个连接在一起的节点所组成。

这些节点称为神经元，每个神经元通过一个激活函数来处理输入信号，输出一个结果。

在神经网络中，有三种层次的节点：输入层、隐藏层和输出层。

输入层接收到输入信号，将其传递到下一层；输出层输出最终的结果；而隐藏层则在输入层和输出层之间进行一些计算。

BP神经网络是一种有监督的学习模型，需要输入和输出之间的对应关系。

其可以通过迭代计算权重和阈值，来最小化输出结果和目标结果之间的差异，并达到分类或回归的目标。

2. 基于BP神经网络的学生数学能力评价模型设计在数学学科中，可以通过学生历史成绩、答题速度、错误率、解题思路等信息，作为神经网络的输入数据，并将学生所得分数作为输出结果。

通过迭代训练神经网络，得到一组最优的权重和阈值，用于预测学生未来的数学表现。

在训练模型的过程中，需要注意以下几点：（1）输入数据应丰富多样，以避免模型过于简单，预测效果不佳的问题。

（2）减小误差和提高预测精度，需要在迭代过程中对权重和阈值进行适当的调整。

（3）需要对模型进行验证和评估，以确定其在实际环境中的预测能力。

3. 学生数学能力评价模型的应用基于BP神经网络的学生数学能力评价模型具有广泛的应用前景。

在教育教学方面，课程设计和教材编写可以更具针对性，以满足学生的个性化需求和不同的学习水平。

在考试评估方面，可以更准确地评估学生的数学能力，提高评估的公正性和客观性。

在教育管理方面，可以根据学生的表现情况，为学校提供科学、合理的决策和指导。

总之，基于BP神经网络的学生数学能力评价模型具有广泛的应用前景，可以帮助教育工作者更好地开展工作。

基于BP小波神经网络模型的大学生综合素质测评

一
体的品格。在学生综合素质评价体系中，应该始终把学生的政治素
质和思想道德素质放在战略高度上把握，因为它直接决定了培养的人才的未来走向。
２科学文化素质、
［［，砉］ａ】
其中ｘ（）为输入向量，ｌｋｔＹ（）为输出向量，为Ｓｇｏｉｍｉｄ函数。移系数。
配性和准确性。
【关键词】大学生；素质测评；Ｐ小波神经网络模型Ｂ
大学生的综合素质是指在先天生理的基础上，经过后天的高等教展的生力军，创新素质的培养既是必需的也是必要的，它是实施素质教育和社会环境的影响所形成的对大学生的发展和提高起着决定作用育的重要内容。其主要表现为：创新意识、创新精神、创新能力。
１德育素质、
‘
围为［，，Ｏ１其中取值最大的输出单元对应的评价结果即为评价对象最］
终的评ｆ介结果。小波神经网络是一种以小波基函数为神经元激励函数的它是大学生综合素质的灵魂。中共中央１号文件《于进一步加前馈网络模型，６关它既可看作是一种以小波函数为基底的函数连接型网络，强和改进大学生思想政治教育的意见》中明确指出：大学生是十分宝贵也可以认为是径向基函数网络的推广，采用单隐层结构。网络用ＢＰ算的人才资源，是民族的希望，是祖国的未来。加强和改进大学生思想政法以批处理方式训ｌ，练自适应地调整小波系数和网络权重，选取足够多的
２Ｂ、Ｐ小波神经网络模型结构
ＢＰ小波神经网络的结构如下：输入层向量是通过数据预处理器将评综合素质培养系统本身的教育、引导特性以及社会就业对大学生全面价指标体系中各个指标的实测值组成的向量按一定规则归匕处理后得素质教育的要求，拟建立高校大学生综合素质评价指标体系。大体上到的。输出向量分别代表优、中、良、合格、差五个综合评价结果，取值范可分为四类：

基于BP神经网络对学生学习专业课程效果的评价

基于BP神经网络对学生学习专业课程效果的评价摘要本文从学习一门专业课程效果的评价现状，分析得到采用BP神经网络的原理用于课程效果评价是理想的。

通过建立BP神经网络的课程效果评价模型结构，并在MATLAB系统上对样本数据进行仿真实现，最后进行数据验证。

结果表明，应用人工神经网络对课程效果进行评价，排除了专家主观因素对在评价效果的影响，能够获得客观满意的评价结果，具有广泛的适用性。

关键词专业课程 BP 神经网络效果评价随着我国高等教育的迅猛发展，学校办学质量也日益被重视，作为检验学生掌握知识的一个因素，学习效果也被人们关注，它反应出学生对知识的掌握程度以及教师教学成果和管理的优劣。

当然，有许多因素同时影响着教学效果，并且各自占有的影响比重是不同的，因此，我们在评估度量学生学习效果时，很难用数学解析表达式来对其进行表示，显然，这是一个典型的非线性的几何问题[1]。

目前，还没有一个公认的、理想的学习效果评价体系，因此，寻找一个简单、优化、客观的学习效果评价方法是相当必要的。

从现有的研究状况来看，学习效果评价主要集中在两个方面，一是对学习效果评价体系中的内容的研究，二是对体系中各个指标确定后，如何最终评定学习效果等级方法的研究.1．学生学习某一门课程效果评价体系的研究现状1.1学习效果评价内容的研究我们知道，学生的学习和其自身的发展是一个没有丝毫中断的过程，并且学生学习和其成长生活环境不拘一格，所以将评价指标置于学生学习过程中，从过程管理的层面分析，多因素相互作用和多环节的综合体现于整个教学过程，因此，我们若要对来自不同学科分类，不同性质课程、不同学习环节、不同学习对象的学习效果进行对比，将会非常困难。

基于以上原因，我们必须要从最能直接反映学习效果并有共性的基本因素等方面去设计评价体系，这样才具有一定的实际可操作性。

以下几类要素常应用于现有的学习效果评价体系中：（1）学习态度：学习是否认真投入，预习是否及时，作业完成是否认真。

浅析基于BP神经网络的科技型创业企业信用评价研究

浅析基于BP神经网络的科技型创业企业信用评价研究BP(Back Propagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。

BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。

它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

BP神经网络模型拓扑结构包括输入层(input)、隐层(hidden layer)和输出层(output layer)。

摘要：由于在市场经济中时常出现信息不对称现象，致使融资难题难以解决。

首先结合科技型创业企业的特征构建了适合科技型创业企业信用评价的指标体系，然后以选取的100家在创业板和新三板上市的科技型创业企业的财务数据为样本，运用因子分析法提取出影响企业信用状况的公因子，将其作为评价模型的变量指标，最后，建立了适合科技型创业企业信用评价的BP神经网络模型。

实证结果表明，BP神经网络模型处理企业信用评价问题具有较高的准确性。

关键词：科技型创业企业;BP神经网络;信用评价一、引言目前，科技型创业企业已成为推动国民经济持续健康发展的重要动力之一，然而在其发展和壮大过程中也最容易出现制约其发展的问题。

由于科技型创业企业需要大量的资金投入，融资问题已成为影响其是否取得成功的关键因素。

在国内企业取得融资的有限渠道中，银行和金融市场起着至关重要的作用，但往往由于市场信息的不对称以及企业信息不透明等因素的限制，出于规避高昂的监督成本和收益的高度不确定性等风险，银行和金融机构在放贷额度中给予科技型创业企业的融资额度相对有限。

由于科技型创业企业的研发周期长，在缺乏有效的外部融资的状况下，即使项目有大好投资前景，企业也有较大的失败风险，最终无法发挥出科技型创业企业对企业技术创新的促进作用。

大学生综合素质评价中BP神经网络的建模与仿真

维普资讯
・
６・０
ＣｏｐｔｒＥｒｍｕｅａＮｏ．２０８０８
大学生综合素质评价中Ｂ神经网络的建模与仿真Ｐ
王天娥，叶德谦
（岛Ａ＿大学中德信息技术合作研究所，山东青岛２６３）青Ｔ．－６０３
１ＢＰ神经网络的基本理论
人工神经网络是一种大规模并行分布处理的非线性系统，可以处理那些难以用数学模型描述的系统，以逼近任何非线可
示着无穷的训练时间。
２２Ｂ．Ｐ算法的改进
性的特性，具有很强的自适应、学习、想记忆、自联高度容错和
＋、（＼二
，
×
／
／
）
一１，、
…
—
＿
、
一
是设置为最后一次权值的变化，而依梯度法产生的变化部分则
被忽略掉了。
（）自适应学习速率２
＼、、～文～
… … —
／＼ ●／．／＼｛，
的收敛是基于无穷小的权修改量，而这个无穷小的权修改量预
到三大类方法：常规数学方法、模糊学方法和多元统计分析方法。大。模糊综合测评方法中人的主观性作用比较大，能否充分反映客观实际，需要很好把握。ＢＰ神经网络的机理是通过学习和训练，出输入与输出之的内在联系，找进而求得问题的解，有
利于弱化求权重向量中人为因素的作用，为处理复杂的非线性
常规数学方法对数据要求较高，计算较复杂，出的代价它的训练很难掌握，付算法的训练速度非常慢。②局部极小点问

基于BP神经网络的学生数学能力评价模型设计

基于BP神经网络的学生数学能力评价模型设计基于BP神经网络的学生数学能力评价模型设计，将隐含层的传递函数设置为tansing，输出层函数设置为purline，样本的选择需具有代表性、随机性，这样才能够在归一预化处理后，对学生的数学学习能力进行评价，帮助教师提高教学质量评价。

1 BP神经网络BP神经网络也称为反向传播网络，包括输出层，隐含层，输入层三部分，同时BP的神经网络具有非线性的特点，能够解决没有规则，多约束条件或数据不完全等问题，适合处理复杂的分类及模式识别等问题。

BP神经网络具有一个或一个以上的信息隐含层，能够将相邻的两层完全连接起来。

要建立学生数学能力评价的BP神经网络模型，就需要建立具有代表性的数据库，以便于进行评价。

就数据库的建立而言，为了提高评价的准确性及标准性，BP神经网络需要建立完善的选取设置体系，在输入层与输出层的设计应多样化，才能够保证测试评价的效果。

对于普通学校来说，样本的选取量应该不低于200人。

对于隐含层神经元的点数，计算时应根据样本的选取量进行调整，基本的模型设计流程是从BP神经网络的构建开始到BP网络训练，以及最后的BP网络预测，其中最重要的是BP网络训练，本文采取的是trainlm算法，从而建立其BP神经网络模型。

2 学生数学学习能力评价对学生进行数学学习能力评价是为了对学生的数学学习能力进行测试，帮助教师掌握学生的学习情况，以便于调整教学方法以及教学进度，让学生能够提高学习能力。

评价的内容是学习思路，学习方法，学习过程及学习效果。

要对这四点进行评价，首先就要确定各内容的评价标准及方式。

以往的评价方式是通过测试及课堂问答，通过学生的测验成绩及回答进行分析，从而判断学生所处的学习状态，教学方法以教学进度安排的合理程度。

利用BP神经网络进行评价的化，就要将各个标准程序化，将原先教师的主观评价变为网络的程序化运行，根据运行的结果对学生的数学学习能力进行判断，这就是利用BP网络对学生数学学习能力评价的理论，实际上要进行实践并不简单，BP神经网络评价的构建是难题的关键点。