一种基于CIWOA-BP神经网络的大学生体质测试成绩预测方法

本发明涉及体育学和计算机科学领域，具体涉及一种基于ciwoa-bp神经网络的大学生体质测试成绩预测方法。

背景技术：

1、随着我国高等教育事业不断发展，各高校在校就读大学生数量巨大，在就读大学生数量巨大背景下，大学生的身体健康和身体素质存在着巨大差别，大学生的健康和身体素质问题逐渐引起了各界的广泛关注，其不仅关乎个人的发展，也决定了国家人力资源的质量。教育部在2014年修订了《国家学生体质健康标准》，旨在提高大学生的体质健康水平，推动各大高校体育工作，促进学生全面发展。《国家学生体质健康标准》测量项目包括身高/体重、肺活量、50米跑、立定跳远、坐位体前屈、1000米(男)/800米(女)跑、引体向上(男)/1分钟仰卧起坐(女)。对学生身体素质进行评价时，传统方法主要通过打分制的形式进行评价，由于打分制各项目重要程度及各校评判标准不同，这种方法在面对大量数据和复杂因素时并不能有效的反映学生身体健康状况。通过神经网络对大学生体质测试分析的方法有助于获得更准确、更科学和更客观的大学生体质测试评价体系，有效解决传统打分制评价方式存在的缺陷。

2、bp(back propagation)神经网络是一种多层前馈神经网络，其核心原理是利用反向传播算法进行监督学习。其优点在于，当隐含层和节点数量足够多时，它可以逼近任意的非线性映射关系，且具有较好的泛化能力。bp神经网络的拓扑结构主要由输入层、隐含层、输出层构成，每层包含多个神经元。在前向传播阶段，输入数据通过各层神经元，最终在输出层得到预测结果。若预测结果与实际结果有偏差，神经网络将进入反向传播阶段，通过计算损失函数(如均方误差)来确定误差，并逆向传递这些误差，以便调整各层神经元之间的权重及阈值。这个过程将不断迭代，直到神经网络的预测误差降低到设定范围。

3、鲸鱼优化算法(whale optimization algorithm,woa)是2016年由mirjalili等人提出的受自然启发的优化算法，通过模拟鲸鱼的社会行为和狩猎策略来寻找最优解。在鲸鱼优化算法中，每一条鲸鱼都代表一个解决方案，鲸鱼们在算法的迭代过程中不断探索和围捕猎物，并不断尝试改进自己的解决方案。鲸鱼优化算法能够有效地解决各种复杂的优化问题，并且具有较快的收敛速度，该算法寻优流程主要分为三个阶段：包围猎物、捕获猎物和搜索猎物。

4、混沌映射是一种数学模型，用于描述表面上有序但内在混乱的系统。cubic map是一种特定的混沌映射，它基于一个三次方程，通过迭代计算生成一系列数值。在这个模型中，每次迭代的结果都取决于前一次迭代的结果，并且参数的选择会直接影响到系统的动态行为。当参数适当调节时，cubic map可以展现出混沌的特性，即初始条件的微小变动能导致完全不同的演化路径。这种混沌行为通常用在科学和工程领域中帮助研究者分析和理解复杂系统中的不确定性和不可预测性。将混沌映射引入鲸鱼算法(woa)，以维持鲸鱼种群多样性，提高woa的全局搜索能力。

5、自适应惯性权重的目的是平衡算法的全局探索(广泛搜索)和局部探索(深入搜索)。随着算法的进行，自适应地调整惯性权重可以帮助算法避免陷入局部最优解，同时保持对全局最优解的搜索能力。在woa算法中引入自适应惯性权重机制，能够有效地平衡woa算法全局搜索与局部搜索的能力，这种策略有助于避免算法陷入局部最优解，同时显著提升了寻优的精确度和效率。

技术实现思路

1、本发明旨在解决大学生体质测试成绩传统打分制的评价方式存在的缺陷，而提供一种基于ciwoa-bp神经网络的大学生体质测试成绩预测方法，该方法通过混沌映射cubicmap和自适应权重i优化woa的初始种群和全局搜索能力，并通过ciwoa算法优化bp神经网络的权值和阈值，从而构建ciwoa-bp神经网络模型，该方法提出的模型预测精度较高，泛化能力、鲁棒性较好，对大学生体质健康水平的评价准确。

2、实现本发明目的的技术方案是：

3、一种基于ciwoa-bp神经网络的大学生体质测试成绩预测方法，具体包括如下步骤：

4、步骤1：收集某学年大学生体质测试作为数据集，数据集中包括体质测试项目和体质测试成绩；

5、步骤2：对所收集到的体质测试数据进行数据预处理；数据预处理方法如下：

6、步骤2-1：先将数据集中存在缺失值的数据删除，再去通过3σ原则除掉数据集中的异常值，并将数据集中体质测试成绩分为不及格、及格、良好、优秀4个等级；

7、步骤2-2：采用归一化的方法对数据进行规范缩放，归一化处理后的数据均落在[0,1]区间；

8、步骤2-3：通过分层采样从数据集中按体质测试成绩等级比例抽取部分数据，再利用留出法划分训练集和测试集；

9、步骤3：确定bp神经网络的拓扑结构、网络参数及最佳隐含层节点数等；

10、步骤4：引进鲸鱼优化算法(whale optimization algorithm,woa)，并通过混沌映射cubic map和自适应权重系数i优化woa算法，构成ciwoa算法；

11、步骤5：确定ciwoa算法的初始种群规模、最大迭代次数等参数，将ciwoa算法优化bp神经网络，构建ciwoa-bp神经网络，并将训练数据集带入ciwoa-bp神经网络进行训练；

12、步骤6：将步骤5训练好的ciwoa-bp神经网络模型用于测试集，并输出仿真预测结果，将bp神经网络模型与ciwoa-bp神经网络模型进行对比。

13、步骤1中，所述体质测试项目主要有身高/体重、肺活量、50米跑、立定跳远、坐位体前屈、1000米(男)/800米(女)跑、引体向上(男)/1分钟仰卧起坐(女)。

14、步骤3中，所述bp神经网络的拓扑结构中的隐含层节点数的范围由经验公式计算，式中m为输入层节点数，n为输出层节点数，a为1至10间的整数；所述最佳隐含层节点数通过决定系数(r2)和均方根误差(mse)确定，r2越接近于1，mse越接近于0，表明bp神经网络模型拟合度越好、越精确，此时为最佳隐含层节点数。

15、步骤4中，所述混沌映射cubic map用于优化woa算法的初始种群，以维持鲸鱼种群多样性，提高woa算法的全局搜索能力；所述自适应权重系数i用于优化woa算法的收缩包围机制的权重，避免woa算法陷入局部最优解，同时保持对全局最优解的搜索能力。

16、步骤5中，所述ciwoa优化bp神经网络的目的是获得更优权值和阈值，主要是通过将bp神经网络的测试误差作为目标适应度函数f，通过ciwoa算法寻解最优目标值，即最优权值和阈值，并将最优目标值赋给bp神经网络，构建ciwoa-bp神经网络。

17、本发明公开的一种基于ciwoa-bp神经网络的大学生体质测试成绩预测方法，采用的以上技术方案，具有的优点是：区别于woa算法，引入混沌映射cubic map和自适应权重系数i的ciwoa算法有更优的全局寻解能力；区别于bp神经网络，引入ciwoa算法的ciwoa-bp神经网络的拥有更高的预测精度、泛化能力及鲁棒性；区别于大学生体质测试成绩传统打分制的评价方式，面对大量数据和复杂因素时，该预测方法可以准确、客观的评价大学生体质测试成绩。