基于参数优化人工神经网络的高考专业分数线预测算法及系统实现

游程荃

【摘  要】 文章主要對高考专业分数线预测算法进行研究，首先通过大量数据的分析，确定了影响专业分数线的相关因素，然后结合相关文献和研究成果，对BP神经网络的结构、网络训练参数等进行了优化，最后对预测结果进行了分析。通过预测结果与实际情况的比较分析，发现该算法在高考专业分数线预测中具有一定的优越性。可以应用于高校招生工作中，能够帮助高校更好地规划招生计划和专业设置。同时文章也可以为相关高校提供招生工作方面的帮助，为学生提供更好的专业选择。文章通过分析，对神经网络参数进行优化，并在此基础上建立了高考专业分数线预测系统。系统主要由基本信息管理、志愿填报管理和专业录取管理等模块构成。用户可以在系统中输入自己的志愿数据，并根据系统提供的分析模型，对高考志愿填报方案进行科学分析，从而有效地避免考生所填报的志愿与专业不相符，甚至出现专业落榜的现象。

【关键词】 高考；专业分数线；人工神经网络

一、优化人工神经网络的高考专业分数线预测算法及系统意义

（一）有助于考生顺利志愿填报

在高考填报志愿时，由于考生不清楚所报考的高校及专业的情况，致使许多考生不能顺利填报志愿。如何避免这种情况出现？准确把握专业分数线是关键。但在实际操作中，高校招生计划及专业设置相对比较稳定，学生所报考的专业分数线也比较稳定，因此，很难通过录取分数线对其进行准确预测。而利用人工神经网络模型对考生进行专业分数线预测，是一种相对比较有效的方法。算法的模型结构是基于BP网络，引入一种遗传算法的参数优化方法作为BP网络的初始权值和阈值优化算法，以提高网络的学习效率，提高预测精度。

（二）有助于高校规划招生计划和专业设置

全国高考填报志愿工作是一个长期的、复杂的系统工程，高校的招生计划和专业设置都受到各方面因素的影响。比如，高校录取新生时要根据计划进行，学校在制订招生计划时必须考虑到各方面的因素，要统筹考虑高考分数、招生规模、生源情况以及各专业对考生的要求等多方面因素。此外，高校招生计划和专业设置也要受到国家政策法规、社会经济发展需求等多方面因素影响。因此，高校要想获得更多的招生机会，就需要制订合理、科学的招生计划和专业设置方案，并及时根据社会需求进行调整，确保学生能获得最合适的专业。

（三）有助于为学生提供更好的专业选择

有助于为学生提供更好的专业选择指导，提高学生的志愿填报成功率。高校在录取新生时，要根据当年高校的招生计划和录取分数线，按照一定的公式计算出各专业的录取线，并将其与学校计划招生人数进行比较，根据考生所填报的专业志愿顺序、分数高低进行排序。在录取过程中，如果考生对专业志愿不满意，则由计算机根据考生高考成绩、专业志愿、填报顺序等情况自动生成一个专业录取线，并作为学校当年录取新生的依据。在报考志愿时，学生可能会对自己想要选择的专业没有明确的了解，但这并不是意味着他们就不能选到自己喜欢的专业。通过高考专业分数线预测算法来对学生未来可以选择的专业进行预测，就能让学生在填报志愿时有更好的选择。

二、当前高考专业分数线预测算法及系统存在的问题

随着信息技术的快速发展，我国的高等教育已从精英化教育转变为大众化教育。招生类型包括普通高等教育、网络教育和自学考试。为给考生提供准确的报考参考，高校需要及时公布各专业的招生计划和录取分数线。但是目前大多数高校公布的专业招生计划和录取分数线都是基于经验公式或者模拟数据进行的预测，在实际应用中会遇到很多问题。

（一）院校地域、办学实力、专业设置等因素影响

受院校地域、办学实力、专业设置等因素影响，同一个高校不同专业之间的录取分数会存在差异。例如，一些院校会根据办学实力和专业设置等因素将不同专业按照不同比例分配招生计划，导致部分考生因为报考的是热门专业而与好学校失之交臂，严重影响了考生报考志愿的积极性。

（二）录取分数线随年份变化

在高考志愿填报中，考生只能根据历年高校专业录取分数线进行参考。而各院校每年的录取分数线都会根据当年招生情况发生变化，所以在制订专业分数线时不能只参考历年数据，需要根据当年实际情况进行调整。在高考志愿填报中，很多考生都会参考往年的录取分数线。然而，每年的录取分数线都会随着当年招生情况发生变化，尤其是在各院校招生计划变化较大的情况下。因此，考生在报考时要注意及时了解各院校近几年的招生计划及录取分数变化，结合自身实际情况进行填报。随着志愿填报系统的开发和志愿填报的推广，各高校也纷纷开通自己的官方网站和微信公众号，这些途径都可以方便考生查询到自己所报专业历年的录取分数线。

（三）报考时机不当

在高考志愿填报中，一些考生往往会根据自身分数情况选择报考院校及专业。甚至部分考生并未意识到自己分数与院校录取分数线之间存在较大差距。在报考时常选择一些较为热门的专业进行报考。然而，热门专业并不一定适合自己，因此在录取后很可能出现考生与心仪高校失之交臂的情况。

（四）招生信息不对等

多数高校都有招生章程，其中会对各专业录取条件进行说明，如单科成绩、身体健康状况等要求。然而，很多考生不了解各院校招生章程中对考生提出的要求，因此在填报志愿时会出现填报错误而与心仪高校失之交臂的情况。在高考志愿填报中，考生可以根据自己的兴趣爱好、就业前景等方面选择专业。然而，许多考生并不了解自己所报专业的具体信息。在高校招生计划发布时，会对招生专业进行详细说明，其中包括各专业招生计划及要求等内容。但部分考生在填写志愿时并不清楚所报专业是否属于该院校招生专业范围之内。因此，在高考志愿填报中存在许多错误填写导致无法进入心仪学校的情况发生。

三、高考专业分数线预测方法

（一）基于灰色预测的高考专业分数线预测方法

灰色预测模型是在常规的灰色系统理论基础上建立起来的一种新的预测方法。灰色预测方法有一个假设前提：各专业招生计划数都是已知的，不受各院校招生计划数的影响。通过对院校历史数据进行分析，并结合考生的实际情况，建立一个可以反映各专业招生计划数变化趋势的灰色模型，通过对该模型进行修正得到一种新的预测方法。在高考专业分数线预测中，首先，根据各院校近几年来专业分数线数据，计算出各专业的平均录取分数；其次，根据该平均录取分数和考生报考该专业的分数进行加权，计算出考生最终可报考该专业的最低分数线；最后，将该最低分数线作为考生最终可报考该专业的分数线。

（二）基于LSTM模型的高考专业分数线预测方法

基于 LSTM的高考专业分数线预测方法，利用LSTM模型对考生高考分数进行多层次、多维度的预测。该方法首先通过专家对考生的高考分数进行打分，并根据分数进行排序，从而得到每一位考生的初始预测结果；其次，利用 LSTM模型对初始预测结果进行优化，通过反向传播算法不断修正输入值与输出值之间的误差，并根据误差调整各层节点的权重，使网络能够更好地利用数据进行预测。最后，将最优模型与 BP神经网络进行对比，得到最终预测结果。该方法具有较强的学习能力、泛化能力和可解释性，并可在多个场景下应用，具有较高的可行性和有效性。

（三）基于参数优化BP深度神经网络的高考专业分数线预测方法

BP神经网络是一种传统的多层前向网络，其网络结构由输入层、隐藏层、输出层构成，其中隐藏层中的神经元数量为输入神经元数的两倍，输出层中的神经元数量为输入神经元数的四倍。在神经网络模型中， BP神經网络能够通过调整权值和阈值来训练网络，以获得较好的预测性能。在前人研究基础上，采用遗传算法和粒子群优化算法来优化 BP神经网络的参数，以提高网络的泛化能力。遗传算法是一种基于生物进化机制来解决计算问题的智能优化算法，而粒子群优化算法是一种群智能优化算法。研究采用遗传算法对 BP神经网络进行优化。

高考专业分数线预测问题是一个复杂的多目标、多变量、多因素组合优化问题。在研究中，将遗传算法与粒子群优化算法相结合来对 BP神经网络进行参数优化，构建了基于遗传算法和粒子群优化算法的高考专业分数线预测模型。在研究中，针对影响高考专业分数线的几个关键因素：高考成绩、专业名称、所选科目和选考科目，将其作为输入参数，以专业名称和选考科目为输出参数，构建基于 BP深度神经网络的高考专业分数线预测模型，通过网络训练得到预测模型。在实际应用中，采用三层结构的神经网络模型来处理高考成绩和专业名称、所选科目和选考科目之间的非线性关系，利用优化后的 BP深度神经网络来处理专业名称、所选科目和选考科目之间的非线性关系，并将其用于预测高考专业分数线，从而提高预测精度。

四、基于高考专业分数线预测系统设计与实现

（一）预测系统总体设计

该系统的开发平台为 Delphi6.5，数据库采用的是 MySQL关系型数据库，系统界面简洁、直观，用户使用简单、方便。系统主要分为以下五个模块：数据管理、专业分数线预测、专业选择推荐、用户管理和辅助工具。其中，数据管理模块主要用来收集用户的基本信息和专业数据，并且将这些信息存入数据库中；专业分数线预测模块用来对采集到的专业数据进行处理，得到专业的分数线，然后根据标准和需求给出专业预测结果。用户管理模块主要是对用户的一些基本信息和选择推荐信息进行管理，并且对这些信息进行处理得到用户的一些基本情况；辅助工具主要是为了方便用户查询所需要的功能。

（二）预测系统功能模块设计

功能模块主要包括：用户管理、成绩查询、专业录取信息查询、志愿填报辅助及相关数据的导出等。

用户管理模块主要包括登录验证，用户信息，角色信息，权限管理，日志记录等。

成绩查询模块主要包括查询统计，成绩统计分析，生成成绩单等。

志愿填报辅助模块主要包括考生信息，录取信息查询，模拟志愿填报等。

数据导出模块主要包括数据导出表，数据字典表，历史数据表等。

五、结语

本研究在分析了高考专业分数线影响因素的基础上，结合 BP人工神经网络的优势，建立了 BP人工神经网络专业分数线预测模型，并提出了一种基于 BP神经网络和遗传算法相结合的参数优化算法。基于 BP神经网络的高考专业分数线预测模型，通过结合模糊神经网络和粒子群优化算法对 BP神经网络进行优化，使其具有较强的预测能力。通过对高考专业分数线影响因素的分析，建立了一个多因素的高考专业分数线预测模型，并将该模型应用到高考专业分数线预测中。利用遗传算法对 BP神经网络进行参数优化，结合神经网络和遗传算法的优点，提高了预测精度。最后设计了高考专业分数线预测系统，该系统包括用户管理、数据管理、历史数据查询、专业信息查询等功能，具有较好的实用性和可操作性。实验结果表明，所提出的预测模型能有效地对高考专业分数线进行预测，具有较强的泛化能力，能够满足高考招生中的实际需求。

参考文献：

［1］ 赵江南. 新高考背景下高考计分政策研究［D］. 厦门：厦门大学，2021.

［2］ 陈文雪. 广东省P市新高考政策实施问题与策略研究［D］. 西安：陕西师范大学，2021.

［3］ 万海波. 基于两层复杂网络层间同步的混沌保密通信研究［D］. 武汉：华中科技大学，2017.