[发明专利]基于深度学习算法的高考分数预估及志愿选择方法、系统

权利要求书

1.一种基于深度学习算法的高考分数预估及志愿选择方法，其特征在于，包括：

步骤1，根据往年各高校各专业各生源地的历史分数线和线差数据，通过LSTM神经网络算法预测当前年度各高校各专业各生源地的线差数据，并对预测出来的各高校各专业各生源地的线差值进行分组；

步骤2，根据预测出的当前年度各高校各专业各生源地的线差数据，确定考生生源地当前年度各级别高校分数线，包括一本、二本、三本和专科分数线；

步骤3，考生输入当前年度的成绩值，根据所在生源地，对其输入的成绩值进行判断：

当输入的成绩值为其实际考取的成绩时，采用DNN神经网络算法训练得出该考生成绩所对应的线差，与步骤1中所得的各高校各专业的线差值分组进行匹配，得出相关的高校专业结果；

当输入的成绩值为其预估的成绩时，对输入的预估成绩进行模糊化处理，得到该考生的预估分数区间，并结合考生的高中数据，采用DNN神经网络算法联合训练后，得出相关的高校专业结果，包括：

根据该预估成绩的评价因素的权重及评分结果，经模糊数学模型处理后，得到该考生的预估分数区间；

从步骤1中预测获得的各高校各专业各生源地的线差时间序列数据中筛选出该预估分数区间所对应的线差时间序列数据作为DNN神经网络的样本数据，训练得到该考生所在生源地各高校各专业所对应的高校专业线差分类器；

根据采集到的各高校各专业各生源地学生的高中数据，将该高中数据作为DNN神经网络的样本数据，训练得到各高校各专业各生源地的学生高中考试分数表现分类器；

将高校专业线差分类器与学生高中考试分类器联合训练，以使得二者各类别一一对应；

将考生的高中数据输入学生高中考试分数表现分类器，以得到该考生所属高中考试分类器的类别，并获取对应的高校专业线差分类器中的类别；

根据分类情况，将所属该高校专业线差分类器中的类别作为考生对应的高校专业结果；

步骤4，根据匹配出的高校专业结果，得到初步报考方案；

步骤5，将初步报考方案与高校政策类信息结合分析，得到最终报考方案。

2.根据权利要求1所述的高考分数预估及志愿选择方法，其特征在于，步骤1中，采用LSTM神经网络算法预测当前年度各高校各专业的线差数据的方法为：

以往年各高校各专业的线差的时间序列数据作为样本输入，采用LSTM神经网络训练这些样本数据，获取当前年度各高校各专业各生源地的线差模拟器，得到当前年度各高校各专业各生源地的线差值；

其中，采用的LSTM神经网络由输入门、忘记门、输出门以及细胞单元组成：

输入门，其用于对输入的成绩值进行筛选，采用的公示为：

i_t＝σ_g(W_ix_t+U_ih_t-1+b_i)；

忘记门，其用于历史信息在单元中的继承问题，采用的公示为：

f_t＝σ_g(W_fx_t+U_fh_t-1+b_f)；

输出门，其用于围绕输出值展开过滤，采用的公示为：

o_t＝σ_g(W_ox_t+U_oh_t-1+b_o)；

细胞单元，采用的公式为：

历经各计算过程后，最终可根据细胞单元c_t计算得到隐态

其中初始状态为：c_o＝0，h_o＝0；

式中，x_t为LSTM神经网络输入值，i_t为输入门激活向量，f_t为忘记门激活向量，o_t为输出门激活向量，h_t为LSTM神经网络输出值，c_t为细胞单元向量，W、U为权矩阵，b为偏差向量，σ_g、σ_c、σ_h则分别为Sigmoid函数、Tanh函数、Tanh或恒等函数，则为逐点矩阵乘法。