同样成绩进步度对于成绩进步情况的影响逐步提升，得到：
同样可得：最大特征根 λmax = 3.0092
得到第二层成绩权值向量为W3=（0.1634 0.2969 0.5396） 检验可行性成立 综上所述：
准则层 单排序 子准则层 单排序 成绩 0.3420 成绩1 成绩2 0.0954 0.1601
设612位同学的成绩向量，进步向量，波动性向量分别为：
进步程度 0.5769 进步1 进步2 0.1634 0.2969 基础 0.0811 ?1,1/2,1/3???R3?2,1,1/2???3,2,1???成绩3 成绩4 进步3 0.5396 0.2772 0.4673 M?(m1,m2,m3,m4),S?(s1,s2,s3),U
总成绩评价为：D?(M*W2,S*W3,U)*W1
得到评价如下表,通5.3.1的流量中差比例为1：4：4：1进行分类得到： 学号 1
2 3 4 5 6 7 8 9 10
得到学号前十的同学的排名为：
总体评价 0.0426 0.0013 -0.0693 0.0996 0.1499 0.0141 -0.106 -0.4667 -0.0492 -0.0654
分类 良 中 中 良 良 中 中 差 中 中
学号 11 12 13 14 15 16 17 18 19 20
总体评价 -0.0925 -0.1179 0.1696 -0.0229 0.0802 0.1909 0.0417 -0.131 -0.0283 -0.028
分类 中 中 良 中 中 良 中 中 中 中
学号 21 22 23 24 25 26 27 28 29 30
总体评价 -0.0152 0.1865 0.0115 -0.0146 0.1056 -0.2125 -0.1062 -0.2144 -0.0879 -0.0864
分类 中 良 中 中 中 差 中 差 中 中
TTTD5?D4?D1?D6?D2?D9?D10?D3?D7?D8
并发现学号为539的学生学习情况最好，调出其原始数据： 学生序号
539
学期1成绩 86.583
学期2成绩 82.741
学期3成绩 79.553
学期4成绩 89.625
可以发现其平均成绩较好，而且在第四学期成绩有了很好的提升，这使得其在综合评价的过程中，由于第四学期的成绩和进步的权重较高，这样该生的学习状况非常好。
与5.3.1中的模型结果加以比较，可以发现:
两者的分类情况基本是一致的，对比前10名同学的情况，发现2，3，6，7，9，10的同学，在评价时其分类由良变成了中，这是由于其第四学期的成绩不理想造成的，而在这个动态评价模型中，第四学期的权重是相当高的，这样才导致了这些同学的综合评价的下降。
6各种方法的比较与应用
下面我们对所给出的方法进行比较：
(1)方差分析法
首先利用已得到的标准化数据，求得所有学生的成绩每个方差也就是上文中提到的距离，学生的平均进步度，学生的波动度这三个影响学生学习状况的值。并对于这些数据进行优良中差的分类，接着人为的规定每个部分的权值，利用这个权值对于学生的学习状况进行模糊分类评估。 优点：能够较精确的对学生的学习状况进行分类
缺点：在权值的分配上是人为进行的，这是不科学的一种分配方法。 得到的总评价分由于数据在一开始就已经进行了分类处理，所以所得到的总评价分是一个量子化的值，这样就不能精确的对两两学生的学习状况进行比较。
(2) 聚类分析法
对于1中的缺点我们提出了基于层次化分析的改进。
优点：在权值问题上，利用了层次化分析的原理，得到了每个层次所包含的权值。
利用每个学生每个学期的成绩和每个学期的进步情况进行分析，这样就得到了精确的总评价分数，可以对所有学生的学习状况进行排名。
在此模型中，充分考虑了学生的进步情况，在赋予权值的时候认为近期学生的成绩和进步度对于学生学习状况的影响大于以前的成绩和进步度。
(3) SK法
SK法是数据包络分析方法，它的功能是“评价”，特别是进行多个同类样本的“相对优劣性”的评价，它根据一组关于多输入多输出的观察值来评估有效性。利用每个学生的有效值对于学生的学习状况进行分类。
优点：这个模型的注重点不在于学生这个学期的进步情况，而在于学生是否能够在满足其波动曲线的情况下稳定的进步。也就是说如果一个学生本学期的成绩突然进步很多，他的有效值并不会很高，相反如果他能够在前面进步的基础上缓慢进步，则说明他学习是有效的。 这个模型可以说是上述两个模糊分类模型中盲点的补充
7 参考文献
唐秋晶，运用数理统计方法评价学生的学习状况[J]，济宁师专学报，第19卷第6期：P10—P12，1998年12月
邓磊-数学与应用数学，西师版，数学建模第6讲 王树禾，数学模型与基础，中国科大出版社