苏瑾

摘 要 为了掌握高校家庭经济困难学生数的变化趋势，从而帮助高校乃至教育行政部门制定资助政策的正确决策，本文通过运用灰色Verhulst 模型与BP 神经网络相结合的方法来预测这一数据的变化。实例证明，单独使用这两个模型，预测值的平均相对误差率均大于组合模型，因此，组合模型精度准确性较高，有一定的应用价值。

关键词 灰色Verhulst 神经网络 家庭经济困难学生 预测

中图分类号：TP391 文献标识码：A

Study on Students Forecasting from Poor

Families Based on Verhulst-BP Model

SU Jin

（Department of Academic Affairs， Tianjin Foreign Studies University， Tianjin 300204）

Abstract In order to grasp the trend of the number of university students from poor families， to help colleges and universities as well as educational and administrative departments to make the right decisions subsidy policy， the paper through the use of gray Verhulst model and BP neural network combined method to predict changes in the data. Examples prove that the use of these two models alone， the average relative error rate is greater than the combined model predicted values， and therefore， higher precision accuracy combined model， there is a certain value.

Key words grey； Verhulst； neural networks； students from poor families； forecasting

随着高校的不断扩招，家庭经济困难学生数也迅速上升。2007年5月，国务院出台了《关于建立健全普通本科高校高等职业学校和中等职业学校家庭经济困难学生资助政策体系的意见》，进一步明确规定擴大家庭经济困难生的资助对象和比例，更是从政策上明确了对这一特殊群体的关注力度。新资助体系建立后，为了保证国家制定的各项资助政策和措施落实到每一位家庭经济困难学生身上，掌握高校家庭经济困难学生数以及其未来变化趋势就成为此项工作的重要环节。本文将灰色Verhulst 模型与BP 神经网络的方法相互拟合，来预测高校家庭经济困难生数，对制定资助方案都有很强的指导意义。

1 BP神经网络原理

1986年，科学家Rumelhart和McCelland领导的小组提出了BP（Back Propagation）神经网络这一模型，它是一种由输入层、隐含层和输出层构成的多层前馈网络，该网络按照误差逆传播算法训练将前向传递模型信号，反向传播模型误差。如果输出层得不到期望输出，则通过反向传播模型的误差来时时调整网络的权值和阈值，最终达到最小的网络误差平方和。……