[发明专利]一种基于神经网络的三位一体招生录取概率预测方法

权利要求书

1.一种基于神经网络的三位一体招生录取概率预测方法，其特征在于：包括以下步骤：

1)关联分析

在“三位一体”招生考试中，学生的成绩分为三大部分：学业水平测试成绩、高考成绩和专项特长成绩；其中，学业水平测试指的是会考：即学生需参加语文、数学、外语、物理、化学、地理、政治、历史、生物和通用技术10门课程的会考测试；选考指的是考生需要在政治、历史、地理、物理、化学、生物六门课中选择其中的三门课程参加考试；而专项特长成绩指的是额外加分；

在这六门课中选择其中的三门课参加考试，考生对这6门课的选择中进行关联度分析，其步骤如下：

1.1)收集、准备数据

收集了浙江省13所高校所有报名的“三位一体”考生的数据，删除一些缺失和无效数据；

1.2)问题描述

使用集合的支持度来度量其出现的频率，扫描所有数据，将统计得到的总数除以所有的数据，即可得到支持度；

1.3)使用Apriori算法简化计算

1.4)使用Apriori算法发现频繁集

使用Apriori算法的两个输入参数：最小支持度和数据集，首先，生成所有单个科目的项集列表，接着扫描哪些项集满足最小支持度要求，删除不满足最小支持度要求的集合；然后，对剩下的集合进行组合生成包含两个元素的项集，再重新扫描交易记录，去除不满足最小支持度的项集；

1.5)从频繁项集中挖掘关联规则

要找到关联规则，需先从频繁项集开始，通过某个元素或者某个元素集合推导出另一个元素；引入量化指标“可信度”，为找到感兴趣的规则，先生成一个可能的规则列表，然后测试每条规则的可信度，若可信度不满足要求，则去掉该规则；

2)神经网络的预测模型

采用BP神经网络对考生针对某一具体高校的复试成绩进行预测，ω_ij是输入层和隐藏层间的连接权值，ω_jk是隐层和输出节点的连接权值，隐层和输出节点的输入是前一层节点的输出加权和，每一节点的激励程度由它的激励函数确定；

假定某一样本的输入X_p和输出O_k对网络进行训练，输出层第k节点的输入为：

实际网络的输出为:

O_k＝f(n_k) (2)

式中，f(n_k)为激励函数；设置了两个隐含层，激励函数选择sigmoid函数，其定义为：

3)预测模型的训练与评估

神经网络训练完成后，要采用样本进行训练，训练时对所有的样本正向进行一轮并反向修改权值一次称为一次训练，通常一个网络需要进行多次训练；

3.1)样本的选取

3.2)训练样本的数据预处理

在对神经网络进行训练之前需要先对数据进行预处理，以消除原始数据形式不同所带来的不准确性，为此，对其进行归一化处理，将所有的输入和输出数据都落在[0,1]之间，归一化公式为：

式中，p_n为原始数据，n_n为输入数据，p_min,p_max,n_min,n_min分别为p和n中的最小值和最大值，P_n为归一化后的目标，N_n为归一化后的输入数据；

3.3)输入层节点的确定

输入层节点对应模型的输入变量；

3.4)输出层节点的确定

神经网络的输出为考生针对某一高校的复试成绩，因此，输出端采用1个节点；设置了两个隐含层，激励函数选择sigmoid函数，其定义为：

采用均方误差来衡量其性能；

4)录取概率

根据会考成绩、选考成绩以及上述神经网络预测得出的复试成绩，由高校的计分标准得出考生的综合成绩，并对所有考生的综合成绩进行排名，根据排名以及高校的预录取人数确定考生在该校“三位一体”招生中的录取概率。