《高考志愿填报关键技术研究及系统实现》论文笔记（十）
一、基本信息
标题：高考志愿填报关键技术研究及系统实现
时间：2017
来源：江苏大学
关键词：高考志愿填报; 院校投档线预测; 神经网络; C4.5; 访问控制;
二、研究内容
1.论文主要内容以及章节安排
第 1 章：绪论。简单介绍了高考志愿填报关键技术的研究背景和意义，以及高考志愿填报指导系统设计和实现过程中访问控制技术的研究现状。最后对文本的内容安排做出说明。
第 2 章：主要是介绍神经网络和分类算法等相关的一些基础知识，为后面章节的研究工作做知识储备。
第 3 章：基于神经网络的院校投档分数线的预测。针对目前常用几种线性预测方法误差较大的问题，本文提出了一种基于神经网络实现院校投档分数线预测的方法。该方法采用基于粒子群算法优化的神经网络模型，通过粒子群算法在迭代过程中对粒子的自身历史能力认知和全局环境认知进行动态分配，解决了神经网络算法容易陷入局部极小值的问题。通过对 2011-2015 年的数据进行实验，结果表明直接采用神经网络与线差法相比，对于本一本二院校，38%的院校投档分数线预测误差不超过 1 分，准确率提高了 12%，54%的院校投档分数线预测误差不超过 2分，准确率提高了 14%；对于高职专科院校，64%的院校投档分数线预测误差不超过3分，准确率提高了43%。而在采用优化后的神经网络与直接采用神经网络相比，
对于本科院校，42%的院校投档分数线预测误差不超过 1 分，准确率提高了 4%，62%的院校投档分数线预测误差不超过 2 分，准确率提高了 8%；对于高职专科院校，68%的院校投档分数线预测误差不超过 3 分，准确率提高了 4%。
第 4 章：基于 C4.5 的六档专业推荐法。江苏省高考志愿填报规则规定每位考生同批次同科类填报 8 所院校，每所院校选择 6 个专业。本章提出了基于优化 C4.5算法实现的六档专业推荐法，改善了现有基于线差法进行分类推荐方法误差较大的问题，该方法采用了等价无穷小理论对 C4.5 选择分裂属性的进行优化，在保持准确率不变的情况下，使得算法效率大幅度提升。
第 5 章：高考志愿填报指导系统的设计和实现。在系统实现的过程中，解决了两个主要问题：数据库设计和并发访问效率。在数据库设计方面通过合理的分表、关联处理、关键信息数据化等操作，满足了系统当前的业务需求以及后期系统的业务扩展和升级。在并发访问效率方面，本文提出一种基于 Apache Shiro 的 Web 高效访问控制方案，该方案采用基于 Apache Shiro 过滤器链的形式对访问控制模块进行了改进，使得效率得到大幅提升。
2.系统框架
（1）系统工作流程
基于 Web 的高考志愿填报指导系统主要实现高考志愿填报指导服务信息化、流程化、简单化。论文实现的基于 Web 的高考志愿系统的总体工作流程如图所示：
（2）系统功能架构
基于 Web 的高考志愿系统架构图如图所示：
系统管理模块主要涵盖动态部署、消息推送以及系统设置三个子模块。其中系统设置又包括部门管理、账号管理和角色管理。本文在高考志愿 Web 应用系统开发过程中的一个难题（安全访问）在这三个子模块中体现。
用户管理模块主要实现后台管理人员对系统用户的管理，主要是对系统中用户的角色管理、支付管理、订单管理、信息认证、权限审核等。
政策管理模块主要实现后台业务专家通过解读高考招生政策，将各省的招生政策数据化，配置到系统中。例如江苏省目前的招生政策为语数外总分+两门选修课等级以及志愿表中填报 5 所学校且每所学校可填报 6 个专业（2017 年高考政策填报 8 所学校），后台管理专家则可以在后台进行江苏省的招生政策配置，使得生源地为江苏的考生在填报志愿的时候，能够根据江苏省的招生政策进行志愿模拟填报。
学校管理模块主要实现对学校静态和动态信息的管理，静态信息是指学校的一些基本信息，很少有变动、更新的信息。动态信息则是指经常有变动和更新的信息，主要是学校每年的录取信息、政策信息等。
专业管理模块主要实现对每个学校所有专业静态信息和动态信息的管理，专业静态信息指的是专业名称、专业门类等一些基本信息。专业动态信息则是指每年专业的录取信息，包括专业录取分数、专业招生代码、计划招生人数等信息。
三、结论
通过对论文的阅读，了解到论文实现了一种基于神经网络实现院校投档分数线预测的方法。该方法采用了基于粒子群算法优化的神经网络模型，通过粒子群算法在迭代过程中对粒子的自身历史能力认知和全局环境认知进行动态分配，解决了神经网络算法容易陷入局部极小值的问题。论文讨论了院校投档分数线的预测，如何提高其预测精度，阐述了针对专业填报方案提出的“六档专业推荐法”以及基于 C4.5 算法实现的专业推荐方案。
四、参考文献
［１］徐宗保．高考志愿填报关键技术研究及系统实现［D］．江苏大学，2017.
