本文以数据分析的形式为主，同时参考相关文献，依托R语言，通过对某校部分专业的学生的成绩进行统计分析，得到对于各门课程成绩的数据和反应出来的基本信息，以及各个学生的成绩数据及基本信息，包括对各门课程的平均分，方差，和标准差；每一名学生成绩的平均分，方差和标准差；在此基础上，综合各个因素（比如课程的平均成绩，课程成绩的波动性，学生）对课程和学生进行分类整理；最后还有根据神经网络原理，通过对学生成绩的分析而构建神经网络模型，从而可以对学生未来成绩实现预测。

根据分析统计，最终我们得到所有课程的成绩的基本信息，所有学生成绩的基本信息，以及学生未来课程的预测成绩。

课题研究的主要内容

1、对各门课程的成绩进行初步的统计，包括均值，方差，分布等

（1）在RStudio中读取数据集，根据数据集的抬头对数据集进行绑定操作，使得学生成绩的可以以课程名称的方式被简单方便地读取和操作。

（2）根据绑定结果，利用R语言中的函数，比如mean() 等对课程进行操作。实际上此时被操作的是由课程名称所代表的数据集中的那一列成绩信息，据此得到各门课程成绩的均值，方差，标准差等基础数据。

（3）将课程成绩进行拟合分析，由此得到其分布特征。

（4）根据各门课程成绩的分布特征对课程进行分类。在对课程进行分类时，需注意综合考虑不同的因素，比如：课程性质（选修课还是必修课，或者课程偏向于记忆性还是理解性等各个因素），课程时间以及成绩的分布规律的相似性等条件。在分类完成之后，利用最小二乘法，对每一大类的课程的总体相似性质进行归纳总结，得到其共同特征。

2、对各个学生的成绩进行初步的统计

（1）对某个学生成绩的数据进行读取之前，需要首先得到课程的分类结果，随后将同一类课程的学生成绩进行综合考虑，比如将同一类课程的成绩进行求平均分的处理，若是成绩没有进行统一化处理，成绩顺序不同所造成的差异将会非常大，无法将学生分类也就无法得到某类学生的整体规律。

（2）根据步骤（1）操作，可以得到学生几类课程成绩的综合情况，随后可求出学生的平均成绩，成绩的方差，标准差等基础数据（对学生成绩不进行分类时也可以得到这些基础数据，不过为了方便下一步继续进行，所以在这里首先在课程分类的基础上进行了学生成绩的统计）

（3）得到各个学生的几类成绩结果之后，综合考虑各方面因素（比如学生在各类课程成绩上的相似性）可以将学生分为几类

3、根据神经网络算法建立模型

（1）在1，2步骤的基础上，根据课程和学生的类别对数据集进行整理

（2）利用R语言，根据11级学生成绩整理得到的数据集，将其作为训练集构建神经网络模型，得到权重与偏移量

（3）将14级学生成绩整理得到的数据集作为测试集，将数据带入神经网络模型，得到成绩预测值

功能模块划分

根据项目要求和目的，我们可以将整个过程大致划分为三个功能模块。

（1）课程成绩信息模块

该模块是对于每门课程的成绩信息的统计分析，为了研究每一门课程学生的平均水平，和两极分化程度，我们需要在课程信息统计模块对每一门课程的成绩求取平均值，方差和标准差。每一门课程的平均值可以反映出学生们在这门课程上学习的平均水平；方差和标准差则都是对学生在这门课程学习情况离散化（即两极分化情况）的分析判断：当方差和标准差的值越大，说明在该门课程上学生成绩两极分化情况越强；当方差和标准差的值越接近于0，说明在该门课程上学生成绩水平相当，波动很小。

（2）学生成绩信息模块

该模块是对于每个学生的成绩信息的统计分析，为了研究每一名学生总体的平均学习水平和成绩的波动性，我们需要在学生信息统计模块对每一名学生在大学学习期间的平均分，方差和标准差。一名学生的平均成绩可以反映出该名学生在学习期间的总体水平；方差和标准差则是对学生在学习期间成绩稳定性的分析判断：当方差和标准差的值越大，说明该名学生成绩在学习期间波动越大；而当方差和标准差的值越接近于0，说明在该门课程上学生的成绩波动不大，一直处于比较稳定的程度。

（3）神经网络模型预测模块

该根据训练集构建神经网络模型，由此对测试集中待预测数据进行预测。根据学生的成绩数据建立神经网络模型，由此，我们可以通过模型，将同专业学生（保证学习的课程相同和预测结果的准确性）的成绩带入模型，由此得到预测结果。