大数据分析技术在高校教育成本核算中的应用.docxVIP

? ? 大数据分析技术在高校教育成本核算中的应用 ? ? 宾扬帆 （湖南环境生物职业技术学院，湖南 衡阳 421005） 0 引言 自从我国全面建成小康社会以来，不仅在经济建设上取得了巨大的成果，还将高校教育提上了改革计划的日程。高校教育的目的就是培养出源源不断的人才，为建设国家和服务社会提供人力资源。 目前我国高校教育中缺乏系统的资源管理，高校核算教育成本时通常采用较为粗糙的计算方法。这就导致核算值与实际应用值存在较大差别，使资源分配不均匀、资源浪费的情况时常发生。虽然在高校教育中投入了很多资源，但是效果却不尽人意。高校教育成本核算方法成了研究的热门话题。 随着经济的不断发展，科学技术也在不断创新发展。其中计算机科学的发展成果尤其显著。计算机科学中的大数据分析技术被广泛运用到生活中。大数据具有信息多样性、能够快速分析计算且数据库规模较大的特点。大数据分析与信息融合技术的应用为人们的工作和生活带来了很大的便利。 该文在此基础上提出了大数据分析技术在高校教育成本核算中的应用。利用大数据技术优化高校教育成本核算方法，设计出更加科学合理的核算方法，以提高核算精确度，为高校管理者提供精准信息，为高校教育的管理提供依据。 1 基于大数据分析技术的高校教育成本核算设计 1.1 基于大数据技术的高校教育成本数据处理 在建模前要对所收集的高校教育成本数据文件信息进行预先处理，筛选出条件稳定的数据作为建模的基础数据后再进行建模。具体的建模步骤如下。1）挑选数据试验集合和练习集合。通常用于建模的数据分为2个不同的类型：第1种是对模型进行练习的数据集合，模型能够在这个类型的数据集合中通过不断学习优化出最适合的数据，并抓取数据中有用的信息进行标记，同时学习数据行为，将信息的输入和输出行为进行优化，构建相对稳定的行为习惯，再通过学习与带有问题的数据进行对比，对整体数据库的性能进行优化操作。第2种数据是试验集合，当模型通过学习完成自我优化后，经过该数据集合能够对模型的数据全面性进行优化。所以，采集数据时要关注这2种数据集合的样本质量和个数。该文对模型进行设计时使用试错的方法对第1种数据集合进行设置，利用对2种数据集合的设置使建模数据更加完整，强化了模型性能。2）对所采集的基本数据进行归一化操作。对所采集的基本数据进行预处理在构建模型的前期准备中是十分重要的一步。由于基本数据是从不同的高校采集来的，所以数据的范围和标准也不同，倘若直接将这些收集来的基本数据用于构建模型，会因为标准和数据范围的不同而使模型在核算成本时不稳定，不能准确公平地进行成本核算。因此建模时要先进行预处理，将数据进行归一化操作，统一数据的量纲和标准，减少数据之间的误差。 在对所采集的高校教育成本基本数据进行归一化处理时需要运用最大、最小化进行计算，如公式（1）所示。 式中：y为归一化后的样本数据值；y和y分别为归一化后的样本数据值的最大值和最小值；x为原始样本数据值；和分别为原始样本数据序列中的最小值和最大值。 1.2 成本核算数据核函数及核参数的确定 将高校教育成本数据进行线性化操作，一方面能够大大增强模型的计算能力，当所要计算的高校成本教育数据信息过于庞大时，该操作能够保证模型正常运行。另一方面，可避免计算时产生较大误差，能够有效提升模型的稳定性和准确性。该文运用核函数对高校教育成本数据进行处理，模型的核函数所在使用位置见表1。 表1 核函数设置表 核函数中的参数是核函数本身自带的，核函数参数的取值规则是定义核函数最重要的标准。该文分别使用了2种不同的核函数进行模型的构建，能够增强模型的稳定性和计算的准确性，避免模型在进行大数据计算时产生误差。 1.3 构建高校教育成本核算模型 构建高校教育成本核算模型时需要运用灵活性较强的算法，这个算法需要效率高、计算精准，以保证模型的稳定性。选择合适的算法来构建模型十分重要，该文采用人工蜂群算法来确定模型参数。人工蜂群算法在每次计算参数的过程中都会进行2次计算，一次是全面计算，一次是局部计算。2种计算方法相结合能够更快更稳定地将模型参数计算出来，并能保证参数的误差在合理的范围内。该文所设计的模型需要在所收集的基本数据中挑选出相对较小的数据作为样本构建模型。为了使构建模型时所用的参数更加合理、全面，需要对所收集来的数据信息进行全方位筛选。 该文所运用的人工蜂群算法中的侦察蜜蜂可通过不断扩大侦查范围、减小数据的极值误差来提高算法的性能。在最开始的原始数据阶段，新产生的资源会替代旧资源，以此来形成循环。这种方法虽然大大减少了数据计算的任务量，但是被替代的旧资源中还存在一部分对模型有用的数据，这就导致模型的基本数据不完善，形成参数时也不能保证参数的准确性，进而使模型在计算高校教育成本时出现误差，削弱了模型的计算性能。 根据以上算法分析可知，使用人