深度学习模型在高校录取分数预测工程中的应用研究
发布时间：2021-10-10 13:12
高质量的高考志愿填报需要对所填报高校按照录取分数高低分出层级,然而志愿填报时各高校投档线尚未公布,考生仅能看到自己高考成绩、省内排名和本省的一分一档表,因此只能根据高校预测录取分数进行志愿填报。目前常见的高校高考录取分数预测方法主要有线差法、等效分法、平均排位法等,基于时间序列的预测方法主要有回归分析法、指数平滑法、灰色关联度法、人工神经网络法等,也有将单一预测模型加以组合形成的组合预测模型。上述方法主要存在两方面问题:一是使用分数或排名作为预测依据,没有考虑到招生规模变化、省控线变化对高校录取分数水平的影响;二是没有考虑高校发展趋势对录取分数的影响,或仅以简单线性回归研究录取走势,缺乏足够的适用性。首先引入线上百分位测度衡量高校录取分数水平,消除了招生规模、省控线分数对高校录取分数水平测量的影响,同时实现了录取分数的归一化处理。然后,基于深度学习中的长短时记忆神经网络（LSTM）构建了具有四个LSTM细胞单元和一个全连接输出层的LSTM预测模型,使用误差平方和作为损失函数,输入数据为前四年的最低分线上百分位和平均分线上百分位,输出数据为第五年最低分线上百分位。采集河北省1053所高校...
【文章来源】：华北理工大学河北省
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
神经元结构示意图
华北理工大学硕士学位论文-12-性因素到神经网络中，达到去线性化的作用。常用的激活函数有：（1）Sigmoid函数，图像如图3所示。图3Sigmoid函数Fig.3Sigmoidfunction（2）Tanh函数，图像如图4所示。图4Tanh函数Fig.4Tanhfunction（3）Relu函数，图像如图5所示。图5Relu函数Fig.5Relufunction3）损失函数全链接神经网络进行预测时，引入损失函数（lossfunction）的作用有两个，其一是对损失值进行衡量，通过引入损失函数实现预测值与真实值的差值越来越
华北理工大学硕士学位论文-12-性因素到神经网络中，达到去线性化的作用。常用的激活函数有：（1）Sigmoid函数，图像如图3所示。图3Sigmoid函数Fig.3Sigmoidfunction（2）Tanh函数，图像如图4所示。图4Tanh函数Fig.4Tanhfunction（3）Relu函数，图像如图5所示。图5Relu函数Fig.5Relufunction3）损失函数全链接神经网络进行预测时，引入损失函数（lossfunction）的作用有两个，其一是对损失值进行衡量，通过引入损失函数实现预测值与真实值的差值越来越
【参考文献】：
期刊论文
[1]基于深度学习LSTM的线损预测技术研究与应用[J]. 辛永,黄文思,陆鑫,霍成军,陈婧. 电气自动化. 2019(04)
[2]LSTM网络模型在Web服务器资源消耗预测中的应用研究[J]. 谭宇宁,党伟超,白尚旺,潘理虎. 计算机系统应用. 2019(07)
[3]基于Keras的LSTM模型在空气质量指数预测的应用[J]. 郑洋洋,白艳萍,侯宇超. 数学的实践与认识. 2019(07)
[4]基于LSTM神经网络的沪深300指数预测模型研究[J]. 冯宇旭,李裕梅. 数学的实践与认识. 2019(07)
[5]基于循环神经网络的股指价格预测研究[J]. 王理同,薛腾腾,王惠敏,刘震. 浙江工业大学学报. 2019(02)
[6]基于LSTM神经网络的水电站短期水位预测方法[J]. 刘亚新,樊启祥,尚毅梓,樊启萌,刘志武. 水利水电科技进展. 2019(02)
[7]基于循环神经网络的95598小尺度网络流量预测[J]. 张小博,王婷,秦浩,李晖,徐铁军,佟芳. 电力信息与通信技术. 2019(02)
[8]基于数据挖掘的长短期记忆网络模型油井产量预测方法[J]. 谷建伟,周梅,李志涛,贾祥军,梁颖. 特种油气藏. 2019(02)
[9]基于LSTM循环神经网络的PM2.5预测[J]. 白盛楠,申晓留. 计算机应用与软件. 2019(01)
[10]基于循环神经网络和深度学习的股票预测方法[J]. 黄丽明,陈维政,闫宏飞,陈翀. 广西师范大学学报(自然科学版). 2019(01)
硕士论文
[1]基于人工神经网络的高考分数线预测研究[D]. 任祥旭.江西财经大学 2018
[2]基于线性回归和深度置信网络的TBM性能预测研究[D]. 罗华.浙江大学 2018
[3]基于深度学习的股票预测方法的研究与实现[D]. 周恺越.北京邮电大学 2018
本文编号：3428443
【文章来源】：华北理工大学河北省
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
神经元结构示意图
华北理工大学硕士学位论文-12-性因素到神经网络中，达到去线性化的作用。常用的激活函数有：（1）Sigmoid函数，图像如图3所示。图3Sigmoid函数Fig.3Sigmoidfunction（2）Tanh函数，图像如图4所示。图4Tanh函数Fig.4Tanhfunction（3）Relu函数，图像如图5所示。图5Relu函数Fig.5Relufunction3）损失函数全链接神经网络进行预测时，引入损失函数（lossfunction）的作用有两个，其一是对损失值进行衡量，通过引入损失函数实现预测值与真实值的差值越来越
华北理工大学硕士学位论文-12-性因素到神经网络中，达到去线性化的作用。常用的激活函数有：（1）Sigmoid函数，图像如图3所示。图3Sigmoid函数Fig.3Sigmoidfunction（2）Tanh函数，图像如图4所示。图4Tanh函数Fig.4Tanhfunction（3）Relu函数，图像如图5所示。图5Relu函数Fig.5Relufunction3）损失函数全链接神经网络进行预测时，引入损失函数（lossfunction）的作用有两个，其一是对损失值进行衡量，通过引入损失函数实现预测值与真实值的差值越来越
【参考文献】：
期刊论文
[1]基于深度学习LSTM的线损预测技术研究与应用[J]. 辛永,黄文思,陆鑫,霍成军,陈婧. 电气自动化. 2019(04)
[2]LSTM网络模型在Web服务器资源消耗预测中的应用研究[J]. 谭宇宁,党伟超,白尚旺,潘理虎. 计算机系统应用. 2019(07)
[3]基于Keras的LSTM模型在空气质量指数预测的应用[J]. 郑洋洋,白艳萍,侯宇超. 数学的实践与认识. 2019(07)
[4]基于LSTM神经网络的沪深300指数预测模型研究[J]. 冯宇旭,李裕梅. 数学的实践与认识. 2019(07)
[5]基于循环神经网络的股指价格预测研究[J]. 王理同,薛腾腾,王惠敏,刘震. 浙江工业大学学报. 2019(02)
[6]基于LSTM神经网络的水电站短期水位预测方法[J]. 刘亚新,樊启祥,尚毅梓,樊启萌,刘志武. 水利水电科技进展. 2019(02)
[7]基于循环神经网络的95598小尺度网络流量预测[J]. 张小博,王婷,秦浩,李晖,徐铁军,佟芳. 电力信息与通信技术. 2019(02)
[8]基于数据挖掘的长短期记忆网络模型油井产量预测方法[J]. 谷建伟,周梅,李志涛,贾祥军,梁颖. 特种油气藏. 2019(02)
[9]基于LSTM循环神经网络的PM2.5预测[J]. 白盛楠,申晓留. 计算机应用与软件. 2019(01)
[10]基于循环神经网络和深度学习的股票预测方法[J]. 黄丽明,陈维政,闫宏飞,陈翀. 广西师范大学学报(自然科学版). 2019(01)
硕士论文
[1]基于人工神经网络的高考分数线预测研究[D]. 任祥旭.江西财经大学 2018
[2]基于线性回归和深度置信网络的TBM性能预测研究[D]. 罗华.浙江大学 2018
[3]基于深度学习的股票预测方法的研究与实现[D]. 周恺越.北京邮电大学 2018
本文编号：3428443
本文链接：https://www.wllwen.com/jiaoyulunwen/gaodengjiaoyulunwen/3428443.html
