论文部分内容阅读
摘 要 本文以大学生为研究对象，提出了一个智能校园大数据平台。以体育课程在教育资源上的成就程度为参照，建立了体育体质特征体系。获取大学生体质指标，建立大学生体质模型。利用智能校园大数据对特征属性离散化形成的特征项进行标定，得到准确的指标，得到学生体质曲线。本文认为辅导教学工作与数据参考是提高大学生体质健康的重要途径。
关键词 大数据 智能校园 Logistic线性回归模型 迭代计算
中图分类号：TP311;G645 文献标识码：A 文章编号：1007-0745（2021）11-0050-03
大学生本身不愿意参加体育锻炼，而且学校对体育课程重视程度较低，课程设置不一致[1]，进一步加剧大学生体育锻炼不足[2]。因此，对高校大学生体质进行研究并获取适合的评价方法，具有十分重要的意义。
1 大学生体质现状
体质与健康密切相关[3]。身体健康以身体指标反映人体的健康状况。它已成为反映学生群体健康状况的一个特殊术语。目前，我国大学生的身体素质同步提高程度明显不足，学生肥胖和超重检出率继续上升。因为在我国高校体育教学中，仍然使用旧的、统一的成绩来评价和衡量大学生的身体素质，这使得体育课的教学内容十分僵化，教学过程更加单调。因此，它极大地阻碍了学生潜能的开发，也导致学生不重视、不喜欢、不积极参与学校体育课程。
2 建模分析
2.1 数据分类
本文采用SPSS软件实现数据统计，再采用logistic线性回归模型完成拟合运算。同时，还增加了智能校园系统中关于学生骨骼发育、血氧指数和运动功能的数据指标，并发展和扩展为因子组，符号表如表1所示。
为消除模型中的不确定性因素，补充测试对总体数据的影响被忽略。
2.2 模型建立
基于上述数据指标，可以开始模型解决方案。为了研究测试者的测试分数与身体状况之间的关系，首先对指标进行统一量化，然后将所有数据输入SPSS软件。身高、体重得分和肺活量得分相加，如等式（1）所示：
在公式（1）中，XS和XT是指身高体重分数和肺活量分数，它们是基本能力因素的值。耐力、柔韧性和柔韧性项目都有很好的分数，可以直接使用。如果该系数包含多个变量，则应使用上述等式将变量分数组合成一个百分比系统。
有必要找出每个因素与学生体质之间的关系，并找出每个因素之间的权重值。输入SPSS软件后，将T1～T4的KMO球面检验结果与球面检验相结合，得到总因子的方程（2）：
z=0.32802T1+0.31991T2+0.16729T3+0.18478T4 （2）
Logistic线性回归模型中，模型相关变量为y，独立变量为xi。在m个自变量的作用下，预期结果的条件概率为P=P（y=1 | x1，x2，x3…xn），则逻辑回归模型可表示为：
进而Sigmoid函数可以由下式获得：
方程（4）的域为（-inf，+inf），取值范围为（0，1）。间接使用Sigmoid函数，从而扩展了构建模型的内容。在函数中，由于參数范围为（0+∞） 这在函数所需的域中是非负的，通过SPSS可知，每个数据的综合系数也是非负的。因此，对原始基本方程进行了改进，但由于加权后结果值随原始结果而变化，因此使用比例方程将综合因子z的结果控制在[0，10]，也就是说，方程中的所有子变量都与整体变化呈正相关。
建立逻辑模型，其中自变量T1、T2、T3和T4是每个子系数xij的矩阵。权重用于计算总因子z，公式如下：
3 数据分析
将学生数据代入大数据进行计算。方程的域是z∈ （0，10），取值范围为Q∈（0，1）。方程采用Logistic线性回归连续迭代计算，初始迭代次数为0.1。此处迭代系数分别设置为0.3、1.8和2.5。当被测学生的所有因子均为0时，学生的健康系数为0。随着自变量的增加，Logistic模型得到的Q的增长曲线x迅速上升。使用Matlab绘制生长曲线图像，如图1所示;以评价等级为0-5，分数值的分布区间如图2所示;当评价等级为15-25时，分数值的分布区间如图3所示。
4 结论
基于大数据的学生数据测量模型反映了学生的健康状况。结合智能校园系统的数据指标，可以得出结论，即当分数处于大多数人的水平时，学生的健康状况很可能是正常的。如果综合得分略低于多数，可针对学生得分较低的情况予以强调，导师应促进相应的锻炼，以预防健康风险。当总分远低于大多数学生时，应引起学校的注意。应跟踪学生的健康状况，并提供指导，提升大学生体质健康的整体水平。
参考文献：
[1] 刘博，郭阳.基于大数据背景下大学生体质健康发展策略研究[J].粘接，2020，41（03）：88-91.
[2] 黄萍婷.基于体测大数据大学生体质与健康管理的人工智能系统开发的展望[J].产业科技创新，2020，40（04）：33-35.
[3] 李涛.基于大数据思维的大学生体质健康测试指标相关性分析[J].中国学校体育（高等教育），2018，05（06）：85-91，98.
关键词 大数据 智能校园 Logistic线性回归模型 迭代计算
中图分类号：TP311;G645 文献标识码：A 文章编号：1007-0745（2021）11-0050-03
大学生本身不愿意参加体育锻炼，而且学校对体育课程重视程度较低，课程设置不一致[1]，进一步加剧大学生体育锻炼不足[2]。因此，对高校大学生体质进行研究并获取适合的评价方法，具有十分重要的意义。
1 大学生体质现状
体质与健康密切相关[3]。身体健康以身体指标反映人体的健康状况。它已成为反映学生群体健康状况的一个特殊术语。目前，我国大学生的身体素质同步提高程度明显不足，学生肥胖和超重检出率继续上升。因为在我国高校体育教学中，仍然使用旧的、统一的成绩来评价和衡量大学生的身体素质，这使得体育课的教学内容十分僵化，教学过程更加单调。因此，它极大地阻碍了学生潜能的开发，也导致学生不重视、不喜欢、不积极参与学校体育课程。
2 建模分析
2.1 数据分类
本文采用SPSS软件实现数据统计，再采用logistic线性回归模型完成拟合运算。同时，还增加了智能校园系统中关于学生骨骼发育、血氧指数和运动功能的数据指标，并发展和扩展为因子组，符号表如表1所示。
为消除模型中的不确定性因素，补充测试对总体数据的影响被忽略。
2.2 模型建立
基于上述数据指标，可以开始模型解决方案。为了研究测试者的测试分数与身体状况之间的关系，首先对指标进行统一量化，然后将所有数据输入SPSS软件。身高、体重得分和肺活量得分相加，如等式（1）所示：
在公式（1）中，XS和XT是指身高体重分数和肺活量分数，它们是基本能力因素的值。耐力、柔韧性和柔韧性项目都有很好的分数，可以直接使用。如果该系数包含多个变量，则应使用上述等式将变量分数组合成一个百分比系统。
有必要找出每个因素与学生体质之间的关系，并找出每个因素之间的权重值。输入SPSS软件后，将T1～T4的KMO球面检验结果与球面检验相结合，得到总因子的方程（2）：
z=0.32802T1+0.31991T2+0.16729T3+0.18478T4 （2）
Logistic线性回归模型中，模型相关变量为y，独立变量为xi。在m个自变量的作用下，预期结果的条件概率为P=P（y=1 | x1，x2，x3…xn），则逻辑回归模型可表示为：
进而Sigmoid函数可以由下式获得：
方程（4）的域为（-inf，+inf），取值范围为（0，1）。间接使用Sigmoid函数，从而扩展了构建模型的内容。在函数中，由于參数范围为（0+∞） 这在函数所需的域中是非负的，通过SPSS可知，每个数据的综合系数也是非负的。因此，对原始基本方程进行了改进，但由于加权后结果值随原始结果而变化，因此使用比例方程将综合因子z的结果控制在[0，10]，也就是说，方程中的所有子变量都与整体变化呈正相关。
建立逻辑模型，其中自变量T1、T2、T3和T4是每个子系数xij的矩阵。权重用于计算总因子z，公式如下：
3 数据分析
将学生数据代入大数据进行计算。方程的域是z∈ （0，10），取值范围为Q∈（0，1）。方程采用Logistic线性回归连续迭代计算，初始迭代次数为0.1。此处迭代系数分别设置为0.3、1.8和2.5。当被测学生的所有因子均为0时，学生的健康系数为0。随着自变量的增加，Logistic模型得到的Q的增长曲线x迅速上升。使用Matlab绘制生长曲线图像，如图1所示;以评价等级为0-5，分数值的分布区间如图2所示;当评价等级为15-25时，分数值的分布区间如图3所示。
4 结论
基于大数据的学生数据测量模型反映了学生的健康状况。结合智能校园系统的数据指标，可以得出结论，即当分数处于大多数人的水平时，学生的健康状况很可能是正常的。如果综合得分略低于多数，可针对学生得分较低的情况予以强调，导师应促进相应的锻炼，以预防健康风险。当总分远低于大多数学生时，应引起学校的注意。应跟踪学生的健康状况，并提供指导，提升大学生体质健康的整体水平。
参考文献：
[1] 刘博，郭阳.基于大数据背景下大学生体质健康发展策略研究[J].粘接，2020，41（03）：88-91.
[2] 黄萍婷.基于体测大数据大学生体质与健康管理的人工智能系统开发的展望[J].产业科技创新，2020，40（04）：33-35.
[3] 李涛.基于大数据思维的大学生体质健康测试指标相关性分析[J].中国学校体育（高等教育），2018，05（06）：85-91，98.