论文部分内容阅读
中外合作办学发展迅速,成为现代教育的重要形式。观高考招生“低频率、高风险”的角度,如何高效准确的预测中外合作办学专业高考录取分数线成为当今想报考此类专业的考生及家长最关心的话题。但是,分数线数据参差不齐,并且各类专业招生标准不一、情况繁多,使得分数预测结果往往不准。而考试机构和预测服务又大多都停留在人工咨询的层面,导致考生分数利用率不高、志愿填报落榜等问题更为严重。为此,本文基于人工神经网络理论,在对中外合作办学专业进行分析的基础上,特引入其同类专业构建合适的网络模型,以期达到对专业分数线的合理预测,同时制作对照实验组。本文首先收集了2015年到2017年三年间的专业分数线数据,并对数据进行了清洗及标准化处理,对特征进行编码,根据年份划分数据集,将2015年和2016年的数据作为训练集,并在训练集中再抽取20%的样本作为验证集,将2017年的数据作为测试集。其次构建了人工神经网络模型,包括网络节点设计、网络参数设置,训练速率、迭代次数、激励函数等选取。然后优化了人工神经网络模型,包括隐藏层节点数的选择、使用正则化方法防止网络过度拟合。最后对模型进行了求解,并对比了加入同类专业的预测效果。实验结果表明,采用相同模型,即训练速率、迭代次数、激励函数等网络拓扑结构不变的情况下,加入同类专业对人工神经网络训练后的预测值与原始值贴近程度较高,曲线拟合效果较突出,说明其准确性较高。通过对预测模型的误差进行分析,发现加入同类专业训练后的网络预测模型较不加同类专业训练后的网络预测模型相比,将预测的绝对误差平均降低了9分,可以证明本文的网络结构及网络参数的选取是较合理的,能在大多数情况下对专业分数线的预测起到一定的参考作用。并根据每个批次分数线分布的样本总数,可得到不加同类专业预测的平均误差为2.81%,加入同类专业预测的平均误差为1.02%,说明加入同类专业能有效提高对中外合作办学专业高考分数线预测的准确度,该类数据有助于提高函数的逼近能力,与传统预测相比其准确度提高了1.79%。本文在将人工神经网络应用于分数线预测过程中进行了一些尝试,初步实验结果表明,这种尝试是有价值的,同时也存在许多不足。考虑在将来对其它专业预测时加入可对比专业的做法,并考虑使用多种参数融合、多元化激活的方式改进神经网络,以期提高预测准确度,有望发现新的规律性认识。