Resumen

En este trabajo, se utiliza el algoritmo PSO-BPNN de mutación adaptativa basado en el IoT para llevar a cabo una investigación y un análisis en profundidad del modelo de evaluación del espíritu empresarial para estudiantes universitarios y sus aplicaciones prácticas. Este documento detalla el principio, la implementación y las características de cada algoritmo BP y PSO. Al clasificar la evaluación del espíritu empresarial de los estudiantes universitarios basándose en la red neuronal BP, debido a que el algoritmo BP es un algoritmo de búsqueda de optimización local, es fácil caer en mínimos locales en la fase de entrenamiento de la red y la velocidad de convergencia es lenta, lo que conduce a la reducción de la tasa de reconocimiento del clasificador. Para resolver los problemas anteriores, este trabajo propone el algoritmo de red neuronal BP optimizada por PSO (PSO-BPNN) y establece un modelo de clasificación y reconocimiento basado en este algoritmo para la evaluación de la capacidad empresarial de los estudiantes universitarios. Los valores predichos obtenidos a partir del modelo de red neuronal de optimización de enjambre de partículas se utilizan para calcular los intervalos grises, y las muestras de modelado se seleccionan además utilizando los intervalos grises y el principio de correlación, mientras que el modelo de red neuronal de optimización de enjambre de partículas hiperespectral de la materia orgánica del suelo basado en los intervalos grises se establece después; y los resultados de la estimación se comparan y analizan con los de los métodos de modelado tradicionales. Los resultados mostraron que el coeficiente de determinación del modelo de red neuronal de optimización de enjambre de partículas basado en los intervalos grises fue de 0,8826, y el error relativo medio fue del 3,572%, mientras que el coeficiente de determinación del modelo de red neuronal de optimización de enjambre de partículas fue de 0,853, y el error relativo medio fue del 4,34%; los errores relativos medios del modelo de red neuronal BP, del modelo de máquina de vectores de apoyo y del modelo de regresión lineal múltiple fueron del 8,79%, 6,717% y 9,9%, respectivamente. Los errores relativos medios del modelo de red neuronal BP, el modelo de máquina de vectores de apoyo y el modelo de regresión lineal múltiple son del 8,79%, 6,717% y 9,468%, respectivamente. En general, la capacidad emprendedora de los estudiantes universitarios se encuentra en un buen nivel (83,42 puntos), entre los cuales la puntuación de la capacidad de gestión emprendedora (84,30 puntos) y el espíritu emprendedor (84,16 puntos) son básicamente iguales, mientras que la capacidad tecnológica emprendedora es relativamente baja (82,76 puntos), y los resultados de la evaluación se verifican además con el método de análisis de doble caso. Los problemas actuales de los estudiantes universitarios en materia de espíritu empresarial son principalmente la falta de practicidad, lo que indica que las universidades, las industrias y los niveles de aplicación de la estrategia nacional no están suficientemente centrados ni colaboran en el desarrollo del espíritu empresarial en distintos grados.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:modelo de red neuronal, error relativo medio, optimización de enjambre de partículas, estudiantes universitarios, intervalo gris, modelo de máquina vectorial, coeficiente de determinación, modelo de regresión lineal, red neuronal, algoritmo bp
• Keywords:neural network model, average relative error, particles swarm optimization, college students, gray interval, vector machine model, coefficient of determination, linear regression model, neural network, bp algorithm