發(fā)布時(shí)間：2021-10-10 13:12

　　高質(zhì)量的高考志愿填報(bào)需要對(duì)所填報(bào)高校按照錄取分?jǐn)?shù)高低分出層級(jí),然而志愿填報(bào)時(shí)各高校投檔線(xiàn)尚未公布,考生僅能看到自己高考成績(jī)、省內(nèi)排名和本省的一分一檔表,因此只能根據(jù)高校預(yù)測(cè)錄取分?jǐn)?shù)進(jìn)行志愿填報(bào)。目前常見(jiàn)的高校高考錄取分?jǐn)?shù)預(yù)測(cè)方法主要有線(xiàn)差法、等效分法、平均排位法等,基于時(shí)間序列的預(yù)測(cè)方法主要有回歸分析法、指數(shù)平滑法、灰色關(guān)聯(lián)度法、人工神經(jīng)網(wǎng)絡(luò)法等,也有將單一預(yù)測(cè)模型加以組合形成的組合預(yù)測(cè)模型。上述方法主要存在兩方面問(wèn)題:一是使用分?jǐn)?shù)或排名作為預(yù)測(cè)依據(jù),沒(méi)有考慮到招生規(guī)模變化、省控線(xiàn)變化對(duì)高校錄取分?jǐn)?shù)水平的影響;二是沒(méi)有考慮高校發(fā)展趨勢(shì)對(duì)錄取分?jǐn)?shù)的影響,或僅以簡(jiǎn)單線(xiàn)性回歸研究錄取走勢(shì),缺乏足夠的適用性。首先引入線(xiàn)上百分位測(cè)度衡量高校錄取分?jǐn)?shù)水平,消除了招生規(guī)模、省控線(xiàn)分?jǐn)?shù)對(duì)高校錄取分?jǐn)?shù)水平測(cè)量的影響,同時(shí)實(shí)現(xiàn)了錄取分?jǐn)?shù)的歸一化處理。然后,基于深度學(xué)習(xí)中的長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（LSTM）構(gòu)建了具有四個(gè)LSTM細(xì)胞單元和一個(gè)全連接輸出層的LSTM預(yù)測(cè)模型,使用誤差平方和作為損失函數(shù),輸入數(shù)據(jù)為前四年的最低分線(xiàn)上百分位和平均分線(xiàn)上百分位,輸出數(shù)據(jù)為第五年最低分線(xiàn)上百分位。采集河北省1053所高校... 

【文章來(lái)源】：華北理工大學(xué)河北省

【文章頁(yè)數(shù)】：81 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

神經(jīng)元結(jié)構(gòu)示意圖

華北理工大學(xué)碩士學(xué)位論文-12-性因素到神經(jīng)網(wǎng)絡(luò)中，達(dá)到去線(xiàn)性化的作用。常用的激活函數(shù)有：（1）Sigmoid函數(shù)，圖像如圖3所示。圖3Sigmoid函數(shù)Fig.3Sigmoidfunction（2）Tanh函數(shù)，圖像如圖4所示。圖4Tanh函數(shù)Fig.4Tanhfunction（3）Relu函數(shù)，圖像如圖5所示。圖5Relu函數(shù)Fig.5Relufunction3）損失函數(shù)全鏈接神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)時(shí)，引入損失函數(shù)（lossfunction）的作用有兩個(gè)，其一是對(duì)損失值進(jìn)行衡量，通過(guò)引入損失函數(shù)實(shí)現(xiàn)預(yù)測(cè)值與真實(shí)值的差值越來(lái)越

華北理工大學(xué)碩士學(xué)位論文-12-性因素到神經(jīng)網(wǎng)絡(luò)中，達(dá)到去線(xiàn)性化的作用。常用的激活函數(shù)有：（1）Sigmoid函數(shù)，圖像如圖3所示。圖3Sigmoid函數(shù)Fig.3Sigmoidfunction（2）Tanh函數(shù)，圖像如圖4所示。圖4Tanh函數(shù)Fig.4Tanhfunction（3）Relu函數(shù)，圖像如圖5所示。圖5Relu函數(shù)Fig.5Relufunction3）損失函數(shù)全鏈接神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)時(shí)，引入損失函數(shù)（lossfunction）的作用有兩個(gè)，其一是對(duì)損失值進(jìn)行衡量，通過(guò)引入損失函數(shù)實(shí)現(xiàn)預(yù)測(cè)值與真實(shí)值的差值越來(lái)越

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)LSTM的線(xiàn)損預(yù)測(cè)技術(shù)研究與應(yīng)用[J]. 辛永,黃文思,陸鑫,霍成軍,陳婧.  電氣自動(dòng)化. 2019(04)
[2]LSTM網(wǎng)絡(luò)模型在Web服務(wù)器資源消耗預(yù)測(cè)中的應(yīng)用研究[J]. 譚宇寧,黨偉超,白尚旺,潘理虎.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(07)
[3]基于Keras的LSTM模型在空氣質(zhì)量指數(shù)預(yù)測(cè)的應(yīng)用[J]. 鄭洋洋,白艷萍,侯宇超.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2019(07)
[4]基于LSTM神經(jīng)網(wǎng)絡(luò)的滬深300指數(shù)預(yù)測(cè)模型研究[J]. 馮宇旭,李裕梅.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2019(07)
[5]基于循環(huán)神經(jīng)網(wǎng)絡(luò)的股指價(jià)格預(yù)測(cè)研究[J]. 王理同,薛騰騰,王惠敏,劉震.  浙江工業(yè)大學(xué)學(xué)報(bào). 2019(02)
[6]基于LSTM神經(jīng)網(wǎng)絡(luò)的水電站短期水位預(yù)測(cè)方法[J]. 劉亞新,樊啟祥,尚毅梓,樊啟萌,劉志武.  水利水電科技進(jìn)展. 2019(02)
[7]基于循環(huán)神經(jīng)網(wǎng)絡(luò)的95598小尺度網(wǎng)絡(luò)流量預(yù)測(cè)[J]. 張小博,王婷,秦浩,李暉,徐鐵軍,佟芳.  電力信息與通信技術(shù). 2019(02)
[8]基于數(shù)據(jù)挖掘的長(zhǎng)短期記憶網(wǎng)絡(luò)模型油井產(chǎn)量預(yù)測(cè)方法[J]. 谷建偉,周梅,李志濤,賈祥軍,梁穎.  特種油氣藏. 2019(02)
[9]基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的PM2.5預(yù)測(cè)[J]. 白盛楠,申曉留.  計(jì)算機(jī)應(yīng)用與軟件. 2019(01)
[10]基于循環(huán)神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的股票預(yù)測(cè)方法[J]. 黃麗明,陳維政,閆宏飛,陳翀.  廣西師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)

碩士論文
[1]基于人工神經(jīng)網(wǎng)絡(luò)的高考分?jǐn)?shù)線(xiàn)預(yù)測(cè)研究[D]. 任祥旭.江西財(cái)經(jīng)大學(xué) 2018
[2]基于線(xiàn)性回歸和深度置信網(wǎng)絡(luò)的TBM性能預(yù)測(cè)研究[D]. 羅華.浙江大學(xué) 2018
[3]基于深度學(xué)習(xí)的股票預(yù)測(cè)方法的研究與實(shí)現(xiàn)[D]. 周愷越.北京郵電大學(xué) 2018



本文編號(hào)：3428443