[发明专利]基于LSTM神经网络的高校贫困生精准资助模型

说明书

本发明公开了基于长短期记忆神经网络LSTM的高校贫困生精准资助模型，基于LSTM神经网络构建了高校贫困生精准资助模型，通过数据实验分析了LSTM神经网络隐层神经单元数、训练优化算法与贫困生资助等级识别率之间的关系，并据此对基于LSTM的高校贫困生精准资助模型进行结构与参数优化。该精准资助模型能够根据高校贫困生消费数据识别国家助学金资助等级，为高校贫困生资助的精准识别和分类提供智能量化工具，能够减少人为干扰因素，对于高校学生资助助学工作具有创新性意义。

技术领域

本发明涉及一种基于LSTM神经网络的高校贫困生精准资助模型。

背景技术

高校贫困学生资助体系是国家教育扶贫的重要组成部分，随着社会经济的飞速发展，高校贫困生资助体系也面临一些基础性和共性问题，而贫困生身份认定工作一直是资助工作的基础和难点，现阶段主要存在认定依据简单、人为因素干扰、参照标准片面、量化指标真实性核实难等问题。现阶段教育精准资助研究主要还是集中在资助对象精准识别上。目前的研究成果主要分为以下两种层面：

一是从宏观层面对大数据应用进行顶层设计、技术路径和保障措施方面进行研究，技术实施方案和细节研究的较少，此层面文献占比较大。

二是从技术路径层面对资助对象精准识别技术实施方案展开研究，这方面研究较少见诸报道。吴朝文对学生校园卡消费数据的用餐次数、平均用餐金额和用餐金额波动情况进行统计，根据已经认定的贫困生消费数据制定贫困线，比较每名学生的以上三类统计值与贫困线的距离从而确定贫困指数，对贫困指数排序后与认定贫困生名单对比以评估学校资助体系运行情况。齐怀峰采用K-means算法对校园卡消费数据聚类，与认定贫困生名单比对从而确定“可疑”人员。

以上研究仍在待深入研究的问题：一是已有技术实施方案在精准识别资助对象上还不够完善，更多的是验证资助体系运行情况和找出“可疑”对象；二是如何利用大数据思维从海量数据内部挖掘出相互关系和潜在规律，从而对拟资助对象精准识别有待深入研究，传统数学模型和方法在基于大数据背景下的研究已“力不从心”。

面对上述待深入研究的问题，人工神经网络(Artificial Neural Network,ANN)提供了新的可行解决路径。ANN能够在对问题了解较少的情况下，通过神经网络的训练，找出输入数据和输出数据之间的潜在联系，对未知问题做出预测和分类，而不是依赖经验和精确建模。同时，与人类大脑相似，人工神经网络计算功能是并行分布的，处理速度较快。将ANN实际应用于高校资助工作中的研究较少，代表性文献有柴政将BP(BP,backpropagation)神经网络应用于贫困生等级识别，从学生校园卡消费数据中提取统计特征值对BP网络训练和测试，测试样本数量为234条，识别精度为97.8％。但是由于BP神经网络权值调节采用的是负梯度下降法，如果初始状态参数选择不当，容易使BP网络收敛速度很缓慢甚至停止，从而使BP神经网络陷入局部极小值而识别失败；而且测试样本数较少，在模型识别精度验证上还需提供更多数据进行测试，在贫困生识别特征选取上，缺乏理论指导；

因此，如何针对传统模型存在的问题，提出一种更适用于贫困生识别特征选取的模型是目前亟待解决的问题。

发明内容

针对上述存在的问题，本发明旨在提供基于LSTM神经网络的高校贫困生精准资助模型，基于LSTM神经，提出一种高校贫困生精准资助模型，能够有效的对国家助学金拟资助贫困生受资助等级进行精确分类。

为了实现上述目的，本发明所采用的技术方案如下：

基于LSTM神经网络的高校贫困生精准资助模型，其特征在于，包括以下步骤：

S1：采集已受不同等级国家助学金资助的学生消费记录；

S2：对每个学生消费记录数据进行归一化处理；

S3：基于LSTM神经网络，建立高校贫困生精准资助模型；