基于SVM的幼儿成长测评应用

陈卓贺敬

（青岛科技大学信息科学技术学院，山东青岛 266061）

【摘要】在幼儿成长过程中有许多的测评指标，现有的系统都是通过人工的方式对幼儿成长过程中的各项指标进行评价，在幼儿数量少的情况下可以进行比较公正的判别，但是随着幼儿数量的增加，人工判别的缺点也随之显现出来。我们通过对各个指标进行量化，建立了一种基于支持向量机(support vector machine)的幼儿成长测评体系。该测评系统旨在使用科学的方法,通过计算机技术，对学龄前幼儿成长的各项指标进行自动分析，生成测试结果，以供家长和教学人员参考。

教育期刊网 http://www.jyqkw.com
关键词支持向量机；幼儿成长评价；幼儿成长指标

中国的幼儿教育服务着全世界最庞大的学龄前儿童，由于地域，文化，经济等差异，教师数量，质量，资源配置，公办，私营不同，城乡差距等，幼儿发展的情况几乎天差地别。幼儿教育对个人乃至社会发展有着重要的、基础性的、不可或缺的重大意义。如何对幼儿的成长和教育情况予以科学的测评就显得极具意义。随着计算机技术和软件技术的发展，通过建立数据模型，运用一定的算法来分析幼儿成长的各项数据，做出科学合理的测试结果成为可能。

1支持向量机（Support Vector Machine ，SVM）技术

支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力的一种机器学习方法[1]。

支持向量机方法是从线性可分情况下的最优分类提出的。即系统产生一个超平面并移动它，使得不同类别的样本点正好处在该超平面的两侧,这样得到的平面为最优超平面，从理论上实现了线性可分数据的最优分类问题[2]。如下图1所示：即L为把x型和o形没有错误地分开的分类线,分别为过各类样本中离分类线最近点、且平行于分类线的直线,和之间的距离做两类的分类间隔。所谓最优分类线就是要求分类线不但能将两类无错误地分开,而且要使两类的分类间隔最大[3]。前者是保证经验风险最小，使分类空隙最大，实际上就是使推广性的界中的置信范围最小,从而使真实风险最小。推广到高维空间，最优分类线就成为最优分类平面。对于线性不可分情况，通过指定常数C，控制对样本惩罚的程度，实现在错分样本的比例与算法复杂度之间的折衷。

图1最优分类示意图