1.一种基于Bagging_BP算法的在线学习行为分析方法，其特征在于包括以下步骤：

1)从在线学习平台采集学习者的学习行为数据和学习成绩数据，其中，所述学习行为数据包括登录次数UN、停留时间ST、已浏览的媒体类型数MN、提交作业的次数SN、参与检测次数TN、浏览资源次数RN、下载资源次数DN、讨论发言次数TN和在线交流时间CN；所述学习成绩数据为在线学习平台上学习者的测试考核成绩，学习成绩的等级分为优秀EL、良好GL、中等ML、偏差PL；

2)构建学习行为特征向量S、学习成绩特征向量L和学习行为数据集X，其中，所述学习行为特征向量表示为：S＝(UN,ST,MN,SN,TN,RN,DN,TN,CN)；

所述学习成绩特征向量表示为：L＝(EL,GL,ML,PL)；所述学习行为数据集X由学习行为特征向量组成，表示为：X＝{S1,S2,…,Sn}；

3)对学习行为数据集X中的特征值进行归一化处理，即分别对学习行为特征值UN、ST、MN、SN、TN、RN、DN、TN、CN进行归一化处理，归一化处理的公式如下：式中，xi为学习行数据集X中的特征值，xmax、xmin分别为该特征值的最大值和最小值，ri为该特征值的归一化结果；

4)用Bagging集成学习方法对学习行为数据集X进行自助采样，构建自助采样集Y；

5)对自助采样集Y按照9:1的比例分为训练数据集TR和验证数据集TE；

6)用Adam方法通过训练数据集TR对BP神经网络分类器进行分类训练；

7)预测学习成绩，即利用每一组训练好的BP神经网络对验证数据集TE进行验证，得到验证数据集TE中学习行为数据对应的学习成绩初始预测值h；

8)将初始预测值h按照多数投票法的结合策略进行结合，得到最终预测值H，其中，结合公式如下：式中， 表示为H取 的最大值；

9)学习行为分析，即根据最终预测函数H与学习成绩的四个分类指标进行分析，得到分析结果。

2.如权利要求1所述的基于Bagging_BP算法的在线学习行为分析方法，其特征在于所述步骤4)中，对数据集X进行自助采样，构建自助采样集Y包括以下步骤：

4.1)从学习行为数据集X中按照有放回取样的方法随机取出一个样本Si放入采样集y中，经过m次随机采样操作，得到含有m个样本的采样集y；

4.2)依照此方法重复T次，得到T个包含m个训练样本的采样集y；

4.3)构建自助采样集Y，自助采样集Y由T个采样集y组成，表示为：Y＝{y1,y2,...,yT}。

3.如权利要求1所述的基于Bagging_BP算法的在线学习行为分析方法，其特征在于所述步骤6)中，对BP神经网络分类器进行分类训练，包括如下步骤：

6.1)确定BP神经网络的结构，即确定输入层节点数、输出层个数和隐含层节点数；其中，输入层节点数与学习行为特征向量S的维数相同，输出层个数与学习成绩特征向量L的维数相同，隐含层节点数由以下公式确定：式中，ni、no、nh分别表示BP神经网络输入层、输出层和隐含层的节点数，α为[0,1]之间的随机数；

6.2)初始化BP神经网络输入层到隐含层权值wij、隐含层到输出层wjk、阀值θ和学习率η的初始值以及迭代次数N；

6.3)计算隐含层的输出hj，计算公式如下：

式中，f表示Sigmoid函数，Hj表示隐含层中第j个节点的输出，wij表示输入层第i个节点到隐含层第j个节点的权值，ri表示输入层第i个节点的归一化输入，θj表示隐含层第j个节点的阀值；

6.4)计算输出层的输出Ok，计算公式如下：

式中，f表示Sigmoid函数，Ok表示输出层第k个节点的输出，hj表示隐含层中第j个节点的输出，wjk表示隐含层第j个节点到输出层第k个节点的权值，θk表示输出层第k个节点的阀值；

6.5)计算误差函数E，计算公式如下：

式中，Zk为学习成绩类标即输出层第k个节点的期望输出，Ok表示输出层第k个节点的实际输出，m表示样本个数，E表示误差；

6.6)计算误差函数E与权值wij的梯度 计算公式如下：

6.7)计算误差函数E与权值wjk的梯度 计算公式如下：

6.8)用Adam算法更新权值wjk，公式如下：

-8

式中，δ为数值稳定量，具体实施例中，δ取值为10 ，为更新衰减一阶动量值， 为更新衰减二阶动量值， 和 的计算公式如下：式中，S为衰减一阶动量值，R为衰减二阶动量值，公式如下：S＝ρ1S+(1-ρ1)G；

R＝ρ2+(1-ρ2)G2；

式中，ρ1为一阶动量衰减系数，ρ2为二阶动量衰减系数，具体实施例中，S和R的初始化值为0，ρ1取值为0.9，ρ2取值为0.999，G为m个样本梯度和的平均值，公式如下：

6.9)判断是否达到预设迭代次数N，如迭代次数达到N，则停止训练转步骤7)，否则转步骤6.3)继续训练。

4.如权利要求1所述的基于Bagging_BP算法的在线学习行为分析方法，其特征在于所述步骤9)中，学习行为分析如下：

9.1)学习成绩最终预测H为EL的学习者，将其学习行为推荐给学习成绩最终预测H为PL的学习者；

9.2)学习成绩最终预测H为GL的学习者，将学习成绩最终预测H反馈给学习者以提醒学习者改进自己的学习行为；

9.3)学习成绩最终预测H为ML的学习者，将学习成绩最终预测H反馈给学习者以提醒学习者改进自己的学习行为；

9.4)学习成绩最终预测H为PL的学习者，将其学习成绩最终预测H反馈给学习者并推荐学习成绩最终预测H为EL的学习者的学习行为，以提醒这类学习者借鉴好的学习行为从而改进学习行为提升学习成绩。

5.如权利要求3所述的基于Bagging_BP算法的在线学习行为分析方法，其特征在于所述步骤6.8)中，更新衰减一阶动量值 的计算公式如下：更新衰减二阶动量值 的计算公式如下：

式中，S为衰减一阶动量值，R为衰减二阶动量值，计算公式如下：S＝ρ1S+(1-ρ1)G；

R＝ρ2+(1-ρ2)G2；

式中，ρ1为一阶动量衰减系数，ρ2为二阶动量衰减系数，G为m个样本梯度和的平均值。