| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 1 绪论 | 第12-19页 |
| 1.1 研究背景和意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 现有院校投档分数线预测方法 | 第14-16页 |
| 1.2.2 六档专业分类法 | 第16-17页 |
| 1.2.3 访问控制技术 | 第17页 |
| 1.3 本文的研究内容以及具体安排 | 第17-19页 |
| 2 相关知识 | 第19-29页 |
| 2.1 神经网络 | 第19-24页 |
| 2.1.1 神经网络概述 | 第19-20页 |
| 2.1.2 多层感知器 | 第20-23页 |
| 2.1.3 神经网络特点 | 第23-24页 |
| 2.2 粒子群算法 | 第24页 |
| 2.3 决策树算法 | 第24-28页 |
| 2.3.1 决策树算法的基本概念 | 第24-25页 |
| 2.3.2 决策树的构建步骤 | 第25-26页 |
| 2.3.3 ID3算法 | 第26-27页 |
| 2.3.4 C4.5 算法 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 基于神经网络的院校投档线预测 | 第29-38页 |
| 3.1 线性预测技术失效的原因 | 第29-30页 |
| 3.2 基于神经网络实现院校投档分数线预测 | 第30-36页 |
| 3.2.1 基于粒子群算法优化神经网络模型 | 第30-33页 |
| 3.2.3 实验结果对比 | 第33-36页 |
| 3.3 本章小结 | 第36-38页 |
| 4 基于C4.5 的六档专业推荐方法 | 第38-51页 |
| 4.1 六档专业推荐法 | 第38-40页 |
| 4.1.1 六档分类的必要性 | 第38页 |
| 4.1.2 基于线差的分类技术及缺陷 | 第38-40页 |
| 4.2 基于改进C4.5 的专业六档分类算法 | 第40-49页 |
| 4.2.1 C4.5 算法优化 | 第41-42页 |
| 4.2.2 分类算法实现 | 第42-44页 |
| 4.2.3 实验及结果分析 | 第44-49页 |
| 4.3 本章小结 | 第49-51页 |
| 5 志愿填报系统实现 | 第51-71页 |
| 5.1 系统设计需要解决的问题 | 第51页 |
| 5.2 系统架构 | 第51-55页 |
| 5.2.1 系统工作流程 | 第51-53页 |
| 5.2.2 系统功能架构 | 第53-55页 |
| 5.3 数据库设计 | 第55-58页 |
| 5.4 并发访问效率的优化 | 第58-64页 |
| 5.4.1 基于Apache Shiro的WEB访问控制 | 第58-62页 |
| 5.4.2 基于过滤器链高效访问控制 | 第62-64页 |
| 5.5 系统前台业务功能实现 | 第64-68页 |
| 5.5.1 输入考生高考信息 | 第64-65页 |
| 5.5.2 专业倾向测评 | 第65页 |
| 5.5.3 依分选院校 | 第65-66页 |
| 5.5.4 智能填报 | 第66-67页 |
| 5.5.5 志愿评估 | 第67-68页 |
| 5.6 系统后台业务功能实现 | 第68-70页 |
| 5.6.1 学校信息管理页面 | 第68-69页 |
| 5.6.2 角色管理模块访问控制页面 | 第69-70页 |
| 5.7 本章小结 | 第70-71页 |
| 6 总结与展望 | 第71-73页 |
| 6.1 本文工作总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-76页 |