基于BP神经网络的大学生心理健康状况预测与分析

1、基于BP神经网络的大学生心理健康状况预测与分析论文导读：我校对大学生心理健康调研数据从2000年开始备案，其权数和样本每年变化，故采用了2003-2021年这6年的影响心理健康各因素的统计值为样本，预测2021年的个影响因素权重值。已成功应用于预测、图像、数据分类、股价分析等多领域，准确预测已成为市场竞争的必备条件，利用BP神经网络在一定精度内模拟任何非线性函数的特点，建立新的预测模型并通过解决实际问题，对其仿真结果进行比拟从而得出更切实际的预测结果。关键词：BP神经网络，大学生心理健康，预测与分析大学生作为一个承载社会、家长高期望值的特殊群体，其面临的心理压力明显高于其他同龄群体，所以对当代

2、大学生心理现状的研究具有重要的意义。【1】心理健康具体表现的各个方面，包括身体、智力、情绪十分协调；适应环境、人际关系中彼此能谦让；有幸福感；在工作和职业中，能充分发挥自己的能力，过有效率的生活等。探讨影响心理健康的各种因素的内在规律，以应对未来的心理健康压力，提供心理健康工作的新思路，具有积极地影响。我们力图在影响心理健康因素的不规律性中找出可以其可以探究的内容，如果使用时间序列分析法、非线性系统分析法等方法来预测，在理论研究和实际应用上都存在极大的困难和不确定性。而BP网络是含有隐含层的网络，其算法由正向传播和反向传播组成的。如果输出层得不到期望的输出结果，再进入误差反向传播阶段，网络根据

3、反向传播的误差信号修改各层权值，使误差信号到达最小，在实际应用中，应用也是最广泛的。我校对大学生心理健康调研数据从2000年开始备案，其权数和样本每年变化，故采用了2003-2021年这6年的影响心理健康各因素的统计值为样本，预测2021年的个影响因素权重值。我校将影响大学生心理健康的因素分为9大类即个人前途压力大、高考成绩不理想、个人情感挫折、同学关系矛盾、父母期望过高、家庭经济困难、父母关系不好、专业兴趣不高和其他因素，其中个人前途压力大和个人情感挫折所占权数最大。1.基于BP神经网络的CPI预测1.1 人工神经网络简介人工神经网络Artificial Neural Network，ANN

4、是由大量的简单根本元件神经元相互联接而成的自适应非线性动态系统。人工神经网络反映了人脑功能的假设干根本特性，是对人脑的抽象、简化和模拟，反映人脑的根本特性。人工神经网络的研究是从人脑的生理结构出发来研究人的智能行为，模拟人脑信息处理的功能，它是根植于神经科学、数学、统计学、物理学、计算机科学及工程等科学的一种技术。已成功应用于预测、图像、数据分类、股价分析等多领域，准确预测已成为市场竞争的必备条件，利用BP神经网络在一定精度内模拟任何非线性函数的特点，建立新的预测模型并通过解决实际问题，对其仿真结果进行比拟从而得出更切实际的预测结果。【3】1.2 人工神经网络结构BP神经网络一般包括输入层，中

5、间层隐层和输出层，其中上下层之间实现全连接，而每层神经元之间无连接。当一对学习样本提供应网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。在训练的过程中，按照减少目标输出与实际输出之间误差的方向，从输出层反向经过各输出层回到各输入层，从而逐层修正各连接权值，这种算法称为BP算法，也称误差反向传播算法;。【3】1.3 BP神经网络学习过程【6】BP神经网络的学习过程分为两个阶段：信号的正向传播和误差的反向传播。正向传播：输入信号从输入层传入，经过隐含层的逐层处理，从输出层输出，同层神经元之间没有任何耦合，同层神经元的状态仅影响下一层。免费。当输出层的期望

6、输出值与实际值的误差达不到规定的要求时，转向下一个阶段，即误差反向传播阶段。反向传播：将输出层期望值与实际值的误差，经隐含层向输入层反向传播，将误差分摊给各层的所有神经元，从而得到各层神经元的误差信号，此误差信号将作为修正各单元权值的依据。误差的反向传播，伴随着权值的调整过程。信号的正向传播、误差的反向传播及权值的调整周而复始地反复进行。权值不断调整的过程就是网络训练的过程。当网络的输出误差到达可以接受的程度或者到达预先设定的学习次数时，网络的学习过程停止。2.影响心理健康各因素的预测实例分析2.1预测模型以参考文献【1】 2002-2007年这6年的影响心理健康各因素的统计值为样本,对应各因

7、素预测2021年的值。然后再以2003-2021年的影响心理健康各因素的统计值为样本，对应各因素预测2021年的值，并计算其误差，使预测值与真实值的平方根误差限定在1%之内。此时，BP神经网络的网络系数已经训练得比拟准确了，最后再利用2004-2021年的影响心理健康各因素的统计值为样本，对应各因素预测2021年的值。需要注意的是，由于影响心理健康的其他;因素是其它各因素之和与1做减法得出的，对于网络的总体误差没有什么影响，因此做误差时可以将其排除在外，即预测值与真实值的平方根误差不包括其他;这一因素。以预测2021年影响心理健康各因素的值为例。神经网络的结构与模型确实定： 1输入层与输出层。

8、以2003-2021年的各因素统计值作为输入向量，有6个结点，以2021年所对应的各因素的统计值为训练样本，有1个输出结点；2隐含层。隐层结点并不唯一，得出2021年预测结果，比照误差大小，经训练得出此模型含4个隐层节点数；3参数确定。初始权值w=-0.20.2，学习速率LP.r=0.1，惯性系数=0.6，修正周期T=10，训练步数=500。建立BP网络的命令为net=newff(a,b,tansig,purelin,traingd)，训练网络的命令为=train(net,p,t)。将训练样本代回网络进行仿真，实现命令b=sim(net,p1)，其中b为预测结果，p1为训练样本。网络的训练误差

9、曲线如图1，可以看到网络有很好的训练结果。其中对于2021年的预测值和真实值的比拟曲线见图2，而且总体的平方根误差在了1%之内，从而说明建立的模型完全可用于对下一年影响心理健康各因素的预测。得出2021年影响心理健康各因素的预测结果，见表1。表1 2021年影响心理健康各因素的预测值表 影响因素 个人前途压力大 高考成绩不理想 个人情感挫折 同学关系矛盾 父母期望过高 家庭经济困难 父母关系不好 专业兴趣不高 其他 权重 0.268 0.023 0.266 0.142 0.154 0.024 0.064 0.033 0.026 从网络的训练误差曲线都可以看出网络有很好的训练，而且影响心理健康各

10、因素的预测值与真实值之和的平方根误差在可接受的范围内结果，从而得出2021年的预测结果。最后预测结果见表2。图1 训练误差曲线图22021年心理健康因素的预测值与预测值的比拟图表2 2021年影响心理健康各因素的预测值表 因素 个人前途压力大 高考成绩不理想 个人情感挫折 同学关系矛盾 父母期望过高 家庭困难 父母关系不好 专业兴趣不高 其他 b 0.274 0.011 0.274 0.142 0.161 0.012 0.063 0.032 0.031 2.2对2021年影响心理健康各因素的预测模型用于影响心理健康各因素的BP 神经网络选用3 层网络结构,其中输入层的结点个数等于所选择的技术指

11、标的个数,即连续6个年份各因素的统计值作为输入的技术指标。隐层神经元数目的选择应兼顾网络的学习能力和学习速度,采用了4个隐层神经元对网络进行训练，输出层为一个结点，即对应因素的预测值。模型图如图3所示 【4】 。图3 心理健康状况预测模型结构图利用公式预测数据/(数据最大值-数据最小值)将数据归一到区间内。以p,t分别表示网络的输入向量和目标向量，分别从参考文献【1】中得到。对应的激发函数分别为tansig，logsig型函数。训练函数为traingdx。函数的选取是在屡次试验的根底上，分别比拟2021年个因素的预测与实际值的平方根误差所筛选出来的。免费。建立BP网络net=newff(thr

12、eshold,tansig,logsig,traingdx)，实现命令【6】net=train(net,P,T);在训练的过程中，为了减小中间层神经元个数引起的预测误差，采用4个中间层神经元对网络进行训练，采用最小二乘法比拟各个2021年预测值与真实值的误差平方和，最终可以求得4个中间层神经元的误差最小，最接近真实值。选4个中间层神经元网络进行训练。其中训练次数为500，训练目标为0.00001。训练结果为：TRAINGDX, Epoch0/500, MSE 0.139986/1e-005, Gradient 0.535028/1e-006TRAINGDX, Epoch 25/500,MSE

13、0.068266/1e-005, Gradient 0.32079/1e-006TRAINGDX, Epoch50/500, MSE 0.0160777/1e-005, Gradient 0.0979541/1e-006TRAINGDX, Epoch75/500, MSE 0.00254658/1e-005, Gradient 0.0210036/1e-006TRAINGDX, Epoch100/500, MSE 0.000330179/1e-005, Gradient 0.00450809/1e-006TRAINGDX, Epoch125/500, MSE 1.4319e-005/1e-00

14、5, Gradient 0.000647728/1e-006TRAINGDX, Epoch127/500, MSE 9.6392e-006/1e-005, Gradient 0.000520215/1e-006TRAINGDX,Performance goal met.经过127次训练后，网络的目标误差到达要求。实现仿真命令Y(i,:)=sim(net,P_test);最后通过Y(i,:)=postmnmx(Y(i,:),min(t),max(t)实现归一化。取4个中间层神经元个数，最后得到2021年的仿真结果即预测结果为：3.预测分析在同一标准层次的前提下，由BP神经网络模型预测出的2021

15、年影响大学生心理健康的各个因素可见，对个人前途的担忧和个人感情挫折是影响大学生心里健康的主要因素，同学关系矛盾和父母期望过高仅次于个人前途担忧和个人情感挫折对大学生心理健康的影响，并且对个人前途的担忧和父母的高值期望有一定程度上的联系一般情况下，父母的过高期望必然会导致大学生对前途更为担忧，对高考成绩感到不理想和家庭经济困难等其他因素对大学生心理健康的影响相对较小。图4 2021年影响山东交通学院大学生心理健康的各个因素所占比例图纵向分析，由历年影响大学生心理健康的各个因素的所占的比重以及由Bp神经网络的预测结果，可以得出如下一系列结论：【7】1个人前途压力对大学生心理健康的影响比重在明显变大

16、可作出图像或用函数拟合；主要是因为当今社会开展使得社会竞争日趋剧烈，对人才的素质要求越来越高，大学生面临就业的压力也越来越大，由于缺少社会经历和工作经验，大学生对个人前途的担忧也在逐年增高，局部同学已严重影响心理健康。尤其是2021年以来，金融危机对全球经济的影响使得大学生的就业形势更是雪上加霜。图5 历年个人前途压力对大学生心理健康的影响所占的比重2个人高考成绩不理想对大学生心里健康的影响比重有变小趋势。由于近年来大学入学率逐年增加，非重点院校学生和重点院校学生的就业形势都十分严峻，大学毕业后选择读研的学生比重也在增加，过去高考决定人生;的说法也日趋淡化，所以高考成绩的不理想在大学生心理健康

17、的影响因素中所占的比重也在逐年的下降。另外，随着我校综合办学实力的提高以及特色专业质量不断提升，使得我校学生的学校自豪感在逐步的提升。3个人情感对大学生心理的影响作用在逐年增加。随着社会开放程度的提高，大学生恋爱已成为司空见惯的现象，多数大学生都有恋爱的经历，结合我校男女比例失调，相当数量的学生有失恋的经历，显然会对他们的心理健康产生影响。4父母期望越来越高，对大学生心理的压力也越来越大。当前的社会形势决定如今的大学生就业肯定不如改革开放前20年那样乐观，大学生对高薪工作、优越住房条件的追求以及父母定下的期望都使得当今的大学生产生不同程度的压力。5家庭经济困难对大学生心理健康的影响程度呈现出逐

18、年递减的趋势。由于整体社会水平的提高以及近年来国家财政对大学生采取的一系列减免补的政策使得绝大局部同学不再为上不起学而感到有压力。结合我校实际情况，除国家财政和地方财政的补助政策外，学校还对局部困难同学开通了绿色通道，使得家庭经济困难对大学生的心理健康的影响越来越小。4.结束语应用BP神经网络方法，结合过去几年该校大学生心理健康状况研究数据，对近年该校大学生心理健康状况进行预测，并对几年研究数据进行分析，得出上述结论。模型中应用的多层前向BP网络自身仍存在一些缺陷，比方，学习速度很慢、容易陷入局部极小值、网络的预测能力与训练能力的矛盾等问题。但与传统的大学生心理健康状况预测方法相比，BP神经网络的预测方法防止了烦琐的常规建模过程。本文根据BP神经网络原理建立了数学预测模型，可改变网络的参数，使预测系统计算简单、灵活，大大提高了模型预测效率和预测精度。免费。在一定程度上为大学生心理健康研究提供参考。【参考文献】【1】 山东交通学院心理健康指导中心统计数据2001年2021年.【2】