教育扶贫中高考志愿填报的智能推荐模型及应用研究
这是一篇关于精准扶贫,智能推荐,神经网络,BP算法,综合评价的论文, 主要内容为近年来,随着高考制度改革,高考志愿填报的“技术含量”越来越高,在高考志愿填报期间一些培训机构甚至打出了“大数据”、“人工智能”等招牌来吸引考生和家长,以赚取高昂的服务费。然而,对于信息闭塞、经济不发达的贫困地区的考生和家长而言,只能凭借自己主观的臆断和有限的信息来填报志愿,因此考生出现“滑档”、“不理想”以及“被迫选择复读”等现象不胜枚举。为响应国家“精准扶贫”政策,扶贫先扶教育,本文特以湘中地区农村学生为例,研究高考志愿填报服务智能推荐模型,具体工作包括:(1)本文重点研究了基于神经网络算法的高校筛选模型。首先通过调查和实验确定样本数据集。样本数据包含4个属性:2018年考生的成绩、全省排名、各高校2017年在湖南省的招生分数线、录取排名等数据。运用BP算法对样本数据建模,获得识别规则,训练出最佳神经网络。(2)通过对娄底一中部分建档立卡学生进行问卷调查,综合得出湘中地区农村贫困学生最关心的高校指标体系有11个。应用层次分析法根据考生的主观设定对11个高校指标建模,获得各指标动态权重。根据指标权重与高校信息结合,计算出高校推荐值。(3)结合以上研究,设计出高考志愿填报智能服务系统的模型。考生输入分数、省内排名进入神经网络,仿真筛选出能被录取的高校。通过层次分析法获得动态指标权重,综合评价推荐出最符合考生实际情况的10个院校。实验证明,最终推荐结果综合考虑多方因素,满足考生常规志愿填报“冲、稳、保底”三大规则。本文所提出的高校智能推荐算法具有可行性和有效性。
基于Hadoop的手机流量预测算法研究
这是一篇关于Hadoop平台,BP算法,相空间重构,手机流量的论文, 主要内容为近年来移动互联网已经进入一个快速发展的时期,随着手机用户流量的数量级从GB级迈向TB级甚至PB级,海量手机用户流量的出现给各运营商在数据分析处理上带来挑战。如何对海量手机用户流量下阶段使用情况进行有效预测,进而拉动企业业务量增长,已成为研究热点。由于传统数据分析方法无法对海量数据进行快速分析处理,处理海量数据较慢,无法高效分析非结构化数据,且扩展性较差。因此建立一个基于大数据预测算法的平台去处理海量数据势在必行。Hadoop是一个分布式框架,可以方便实现对海量数据挖掘与处理,所以基于Hadoop平台的处理框架为解决上述问题提供了一种新的解决方案。本文通过对比常用智能算法对手机流量的预测效果,得到BP神经网络算法优于其他各算法。但BP算法也存在着不足,为了克服BP神经网络算法陷入局部极小值问题,本文结合了BP神经网络与相空间重构技术,计算出最佳嵌入维数和延迟时间,来提高手机流量预测的准确率。对于训练过程需要消耗大量时间的缺点,本文提出了基于Hadoop平台对BP算法进行并行化处理,缩短训练时间,以此来提高处理海量数据的效率。为了能够更加直观反应数据的预测效果,本文搭建了基于Hadoop平台下利用MapReduce分布式编程框架与CC-BP算法相结合的仿真平台,采用了SSM框架技术,从而对手机流量数据预测结果进行可视化。通过对比实验结果,证明本文所设计出基于Hadoop的BP改进算法处理海量手机流量数据效率更高,同时也保持着较高的预测精度。通过对比不同节点下的数据处理效率,可知随着平台节点数目的增加,海量数据的处理效率会随之提高,从而验证了仿真平台的可行性。
教育扶贫中高考志愿填报的智能推荐模型及应用研究
这是一篇关于精准扶贫,智能推荐,神经网络,BP算法,综合评价的论文, 主要内容为近年来,随着高考制度改革,高考志愿填报的“技术含量”越来越高,在高考志愿填报期间一些培训机构甚至打出了“大数据”、“人工智能”等招牌来吸引考生和家长,以赚取高昂的服务费。然而,对于信息闭塞、经济不发达的贫困地区的考生和家长而言,只能凭借自己主观的臆断和有限的信息来填报志愿,因此考生出现“滑档”、“不理想”以及“被迫选择复读”等现象不胜枚举。为响应国家“精准扶贫”政策,扶贫先扶教育,本文特以湘中地区农村学生为例,研究高考志愿填报服务智能推荐模型,具体工作包括:(1)本文重点研究了基于神经网络算法的高校筛选模型。首先通过调查和实验确定样本数据集。样本数据包含4个属性:2018年考生的成绩、全省排名、各高校2017年在湖南省的招生分数线、录取排名等数据。运用BP算法对样本数据建模,获得识别规则,训练出最佳神经网络。(2)通过对娄底一中部分建档立卡学生进行问卷调查,综合得出湘中地区农村贫困学生最关心的高校指标体系有11个。应用层次分析法根据考生的主观设定对11个高校指标建模,获得各指标动态权重。根据指标权重与高校信息结合,计算出高校推荐值。(3)结合以上研究,设计出高考志愿填报智能服务系统的模型。考生输入分数、省内排名进入神经网络,仿真筛选出能被录取的高校。通过层次分析法获得动态指标权重,综合评价推荐出最符合考生实际情况的10个院校。实验证明,最终推荐结果综合考虑多方因素,满足考生常规志愿填报“冲、稳、保底”三大规则。本文所提出的高校智能推荐算法具有可行性和有效性。
基于Hadoop的手机流量预测算法研究
这是一篇关于Hadoop平台,BP算法,相空间重构,手机流量的论文, 主要内容为近年来移动互联网已经进入一个快速发展的时期,随着手机用户流量的数量级从GB级迈向TB级甚至PB级,海量手机用户流量的出现给各运营商在数据分析处理上带来挑战。如何对海量手机用户流量下阶段使用情况进行有效预测,进而拉动企业业务量增长,已成为研究热点。由于传统数据分析方法无法对海量数据进行快速分析处理,处理海量数据较慢,无法高效分析非结构化数据,且扩展性较差。因此建立一个基于大数据预测算法的平台去处理海量数据势在必行。Hadoop是一个分布式框架,可以方便实现对海量数据挖掘与处理,所以基于Hadoop平台的处理框架为解决上述问题提供了一种新的解决方案。本文通过对比常用智能算法对手机流量的预测效果,得到BP神经网络算法优于其他各算法。但BP算法也存在着不足,为了克服BP神经网络算法陷入局部极小值问题,本文结合了BP神经网络与相空间重构技术,计算出最佳嵌入维数和延迟时间,来提高手机流量预测的准确率。对于训练过程需要消耗大量时间的缺点,本文提出了基于Hadoop平台对BP算法进行并行化处理,缩短训练时间,以此来提高处理海量数据的效率。为了能够更加直观反应数据的预测效果,本文搭建了基于Hadoop平台下利用MapReduce分布式编程框架与CC-BP算法相结合的仿真平台,采用了SSM框架技术,从而对手机流量数据预测结果进行可视化。通过对比实验结果,证明本文所设计出基于Hadoop的BP改进算法处理海量手机流量数据效率更高,同时也保持着较高的预测精度。通过对比不同节点下的数据处理效率,可知随着平台节点数目的增加,海量数据的处理效率会随之提高,从而验证了仿真平台的可行性。
教育扶贫中高考志愿填报的智能推荐模型及应用研究
这是一篇关于精准扶贫,智能推荐,神经网络,BP算法,综合评价的论文, 主要内容为近年来,随着高考制度改革,高考志愿填报的“技术含量”越来越高,在高考志愿填报期间一些培训机构甚至打出了“大数据”、“人工智能”等招牌来吸引考生和家长,以赚取高昂的服务费。然而,对于信息闭塞、经济不发达的贫困地区的考生和家长而言,只能凭借自己主观的臆断和有限的信息来填报志愿,因此考生出现“滑档”、“不理想”以及“被迫选择复读”等现象不胜枚举。为响应国家“精准扶贫”政策,扶贫先扶教育,本文特以湘中地区农村学生为例,研究高考志愿填报服务智能推荐模型,具体工作包括:(1)本文重点研究了基于神经网络算法的高校筛选模型。首先通过调查和实验确定样本数据集。样本数据包含4个属性:2018年考生的成绩、全省排名、各高校2017年在湖南省的招生分数线、录取排名等数据。运用BP算法对样本数据建模,获得识别规则,训练出最佳神经网络。(2)通过对娄底一中部分建档立卡学生进行问卷调查,综合得出湘中地区农村贫困学生最关心的高校指标体系有11个。应用层次分析法根据考生的主观设定对11个高校指标建模,获得各指标动态权重。根据指标权重与高校信息结合,计算出高校推荐值。(3)结合以上研究,设计出高考志愿填报智能服务系统的模型。考生输入分数、省内排名进入神经网络,仿真筛选出能被录取的高校。通过层次分析法获得动态指标权重,综合评价推荐出最符合考生实际情况的10个院校。实验证明,最终推荐结果综合考虑多方因素,满足考生常规志愿填报“冲、稳、保底”三大规则。本文所提出的高校智能推荐算法具有可行性和有效性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码货栈 ，原文地址：https://bishedaima.com/lunwen/53137.html
