相关系数,回归模型,自组织竞争神经网络
自组织竞争神经网络
第23页
3.搜索阶段：
由Reset信号置获胜阶段无效开始，网络进入搜索 阶段。此时R为全0，G1=1 ，在C层输出端又得到了此 次输入模式X。所以，网络又进入识别及比较阶段，得 到新获胜节点（以前获胜节点不参加竞争）。这么重 复直至搜索到某一个获胜节点K，它与输入向量X充分 匹配到达满足要求为止。模式X编制到R层K节点所连 模式类别中，即按一定方法修改K节点自下而上和自上 而下权向量，使网络以后再碰到X或与X相近模式时， R层K节点能很快取得竞争胜利。若搜索了全部R层输 出节点而没有发觉有与X充分靠近模式，则增设一个R 层节点以表示X或与X相近模式。
⑥ 警戒线检测。设向量X中不为0个数用||X||表示，可
有 n || X || xi
n
||C'|| w' j *iXi i1
(5.3.1)
i 1
n
||C'|| w' j *iXi
(5.3.2)
i1
若||C||/||X||>成立，则接收j*为获胜节点，转⑦。
不然发Reset信号，置j*为0（不允许其再参加竞争），
信号1：输入X第i个分量Xi。 信号2：R层第j个单元自上而下返回信号Rj。 信号3：G1控制信号。 设C层第i个单元输出为Ci。 Ci依据“2/3规则”产 生，即Ci含有三个信号中多数相同值。 网络开始运行时， G1 =1，R层反馈信号为0。
自组织竞争神经网络
第18页
2.R 层结构：
R层功效结构相当于一个前向竞争网络，假设输出 层有m个节点，m类输入模式。输出层节点能动态增加， 以满足设置新模式类需要。设由C层自下而上连接到R 层第j个节点权向量用Wj={w1j,w2j,..,wnj} 表示。C层输出向量C沿Wj向前馈送，经过竞争在R层 输出端产生获胜节点，指示此次输入向量类别。
神经网络的模型和算法
神经网络的模型和算法人工智能领域中最流行的技术之一是神经网络。
神经网络是模拟神经系统对信息进行处理的一种模型。
它由多个相互连接的单元组成，形成图形结构，类似于人类神经系统。
神经网络经常被用于图像识别、语音识别和自然语言处理等应用领域。
本文将讨论神经网络的模型和算法。
神经网络的模型神经网络可以描述为由多个神经元单元组成的图形结构。
图形结构是由神经元单元之间的连接和对输入的响应特征定义的。
神经元单元可以被描述为一组输入和输出之间的特定函数。
神经网络的模型分为前向神经网络和反向神经网络。
前向神经网络根据输入数据的特征通过多个隐藏层传递信息，最终得到一个输出值。
反向神经网络则是通过输入和输出之间的关系来学习网络的参数。
反向传播算法被广泛地应用于训练多层前馈神经网络。
神经网络的算法神经网络的算法与其模型密切相关，下面将介绍几种常用的神经网络算法。
BP算法BP算法是一种反向传播算法，通过反向传播误差更新神经网络的权重和阈值，使得网络输出与期望输出之间的误差最小化。
BP算法分别计算输出层和隐含层的误差，然后反向传播误差，更新网络的权重和阈值。
Hopfield网络算法Hopfield网络算法是一种无监督学习模型，采用回馈结构，可以存储和检索模式。
Hopfield网络将重要的信息编码为状态向量，并选择一些不合法的状态，以期获得一些不同的结果。
Hopfield网络具有较好的容错性和大规模模式的处理能力。
自组织映射算法Kohonen SOM算法是一种无监督学习算法，可以进行数据降维和聚类分析。
该算法是基于映射的，将高维输入数据映射到低维输出层。
自组织映射算法将数据点映射到CRT图中的点，以发现数据库中存在的潜在结构。
总结神经网络作为人工智能工具之一，正在被应用于许多领域。
神经网络的模型和算法是其成功实现的关键。
本文介绍了几种常用的神经网络模型和算法，希望对读者理解神经网络提供一定的帮助。
2008B大学学费问题2008数学建模国家一等奖论文
C = Ri [G *Q *(1− b)] + (1.0502x1 −1.1959x2 −1.3108x3 −1.3636x4 − 0.7929x5) * Ri * b ;
由此便可得到综合学费标准 C 的取值范围。然后，我们随机选取了同一区域不 同专业，并根据表达式计算这些专业的学费，结果发现对社会收益大，个人收益 小的专业如地质学的学费范围为：3469.8~3506.3 元之间；对社会收益小，个人 收益大的专业如广告设计的学费范围为：7931.0~8014.5 元之间。与通常高校实 现的一刀切政策有了明显的优点。
获得这两个基本原则，我们从影响普通高校学费能力的众多因素中选取全国
人均 GDP 和学生就读的专业这两个基本因素进行研究，通过建立相关模型确
定这两个因素的权重系数，
2、模型的准备
根据查询国家统计局显示的数据资料[7]，我们搜集到从 1995 年到 2004 年间
我国普通高校生均学费和人均 GDP 的值如表 5. 1 所示：
从中国的国情出发，收集诸如近几年来关于我国教育经费方面的及家庭收入 等数据[1-4]，并通过分析数据建立数学模型，就几类学校或专业的费用标准进行 定量分析，并从中得出明确、有说服力的结论。
二、 问题分析
（一）我国教育收费的现状
通过国家统计局相关资料检索得到 2000 年到 2005 年我国普通高等学校教育
151828
172775
278253
256375
215440
210796
学费和杂 费 1926109 2824417 3906526 5057307 6476921 7919249
其他教育经费 1677772 2158574 2840985 3220992 3785362 4662641
十大数据分析模型详解
十大数据分析模型详解数据分析模型是指用于处理和分析数据的一种工具或方法。
下面将详细介绍十大数据分析模型：1.线性回归模型：线性回归模型是一种用于预测数值型数据的常见模型。
它基于变量之间的线性关系建立模型，然后通过拟合这个模型来进行预测。
2.逻辑回归模型：逻辑回归模型与线性回归模型类似，但应用于分类问题。
它通过将线性模型映射到一个S形曲线来进行分类预测。
3.决策树模型：决策树模型是一种基于树结构的分类与回归方法。
它将数据集划分为一系列的决策节点，每个节点代表一个特征变量，根据特征变量的取值选择下一个节点。
4.随机森林模型：随机森林模型是一种集成学习的方法，通过建立多个决策树模型来进行分类与回归分析。
它通过特征的随机选择和取样来增加模型的多样性和准确性。
5.支持向量机模型：支持向量机模型是一种用于分类和回归分析的模型。
其核心思想是通过找到一个最优的分割超平面，使不同类别的数据点之间的间隔最大化。
6.主成分分析：主成分分析是一种常用的数据降维方法，用于减少特征维度和提取最重要的信息。
它通过找到一组新的变量，称为主成分，这些主成分是原始数据中变量的线性组合。
7.聚类分析：聚类分析是一种无监督学习方法，用于对数据进行分类和分组。
它通过度量样本之间的相似性，将相似的样本归到同一类别或簇中。
8.关联规则挖掘：关联规则挖掘是一种挖掘数据集中的频繁项集和关联规则的方法。
它用于发现数据集中的频繁项集，并根据频繁项集生成关联规则。
9.神经网络模型：神经网络模型是一种模拟人脑神经网络结构和功能的机器学习模型。
它通过建立多层的神经元网络来进行预测和分类。
10.贝叶斯网络模型：贝叶斯网络模型是一种基于概率模型的图论模型，用于表示变量之间的条件依赖关系。
它通过计算变量之间的概率关系来进行推理和预测。
以上是十大数据分析模型的详细介绍。
这些模型在实际应用中具有不同的优势和适用范围，可以根据具体的问题和数据情况选择合适的模型进行分析和预测。
自组织竞争神经网络
dj =
n
∑ (x
i =1
i
− wi j ) 2
∆wi j = η h( j , j*)( xi − wi j )
j − j*2 h ( j , j *) = exp − σ2
自组织竞争神经网络算法能够进行有效的自适应分类，但它仍存在一些问题： 学习速度的选择使其不得不在学习速度和最终权值向量的稳定性之间进行折中。 有时有一个神经元的初始权值向量离输入向量太远以至于它从未在竞争中获胜， 因 此也从未得到学习，这将形成毫无用处的“死”神经元。
网络结构
%1.ÎÊÌâÌá³ö X=[0 1;0 1]; clusters=8; points=10; std_dev=0.05; P=nngenc(X,clusters,points,std_dev); plot(P(1,:),P(2,:),'+r'); title('ÊäÈëÏòÁ¿'); xlabel('P(1)'); ylabel('P(2)'); %2.ÍøÂçÉè¼Æ net=newc([0 1;0 1],8,.1) w=net.IW{1}; plot(P(1,:),P(2,:),'+r'); hold on; circle=plot(w(:,1),w(:,2),'ob') %3.ÍøÂçѵÁ· net.trainParam.epochs=7; net=train(net,P) w=net.IW{1}; delete(circle); plot(w(:,1),w(:,2),'ob'); %4.ÍøÂç²âÊÔ p=[0.5;0.2]; a=sim(net,p)
自组织神经网络概述
针对自组织神经网络的计算密集型特 性，硬件加速技术如GPU、FPGA等 正被广泛应用于提升自组织神经网络 的计算效率和实时性。
大规模数据的应用
随着大数据技术的不断发展，自组织 神经网络在大规模数据上的应用也日 益广泛，能够从海量数据中提取有用 的特征和模式。
未来展望
01
更高效的自组织学习机制
未来的研究将致力于开发更高效、更灵活的自组织学习算法，以适应不
它利用神经元之间的连接权重进 行学习，使得相似的输入数据能 够被映射到相近的神经元输出。
自组织映射能够自动识别输入数 据的内在结构和规律，从而对数
据进行分类、聚类和可视化。
竞争学习
01
竞争学习是自组织神经网络中 的一种重要机制，通过竞争的 方式选择最佳的神经元来表示 输入数据。
02
在竞争过程中，每个神经元根 据其与输入数据的相似度进行 响应，相似度最高的神经元将 获得胜利并更新其连接权重。
它不需要预先定义输入数据的类别或 结构，而是通过学习输入数据的内在 规律和模式，自动对数据进行分类或 聚类。
自组织神经网络的应用场景
图像识别
语音识别
自组织神经网络可以用于图像识别任务， 自动提取图像中的特征并进行分类。
在语音识别领域，自组织神经网络可以用 于自动提取语音中的特征，提高语音识别 的准确率。
总结词
通过最小化预测误差的方式，学习输入样本的映射关系，用于预测和函数逼近。
详细描述
回归型自组织神经网络采用最小化预测误差的规则，通过调整神经元权重，使得 神经元的输出能够逼近输入样本的目标值。这种类型的自组织神经网络常用于时 间序列预测和函数逼近。
概率型自组织神经网络
总结词
基于概率密度函数，学习输入样本的概 率分布，用于概率建模和异常检测。
自组织神经网络
❖
PR
- Rx2 矩阵确定输入范围
❖
Di
- 第i层神经元个数,缺省为5× 8
❖ TFCN
- 拓扑函数,缺省为 'hextop'.
❖ DFCN
- 距离函数,缺省为 'linkdist'.
❖
OLR
- 排序阶段学习率,缺省为0.9.
❖ OSTEPS - 排序阶段最大学习步骤,缺省为1000.
❖
TLR
- 调整阶段学习率,缺省为0.02;
例：LVQ网络的设计
❖ 设定输入样本和期望输出 ❖ 构建并设置网络参数 ❖ 根据训练样本对网络进行训练 ❖ 用训练样本测试网络 ❖ 用新样本测试网络 ❖ 讨论比例的影响
小结
❖ 何谓自组织：没有答案的学习
❖ 自组织竞争神经网络的基本概念
神经元：输入与权值的负距离加上阈值 网络结构：竞争网络 学习方法：Kohonen和阈值学习规则 用途：聚类
❖
TND
- 调整阶段最大学习步骤,缺省为1
例八：SOFM网络的构建和训练
❖ 构建网络 ❖ 设置训练样本 待聚类样本 ❖ 观察训练前网络的状态 ❖ 根据样本进行训练
排序阶段 粗调 调整阶段 细调
❖ 观察训练后网络的状态
例九：一维SOFM网络设计
❖ 输入为二维向量,神经元分布为一维 ❖ 将二维空间的特征映射到一维拓扑结构 ❖ 步骤
* IW 1 ,1 ( q 1 )
若分类不正确：
修正第 i个神经元的权值更远离
该样本
i i － ( p ( q ) i ) * IW 1,1 ( q )
* IW 1 ,1 ( q 1 )
* IW 1 ,1 ( q 1 )
竞争型神经网络与自组织神经网络
竞争型神经网络是基于无监督学习的神经网络的一种重要类型，作为基本的网络形式，构成了其他一些具有组织能力的网络，如学习向量量化网络、自组织映射网络、自适应共振理论网络等。
与其它类型的神经网络和学习规则相比，竞争型神经网络具有结构简单、学习算法简便、运算速度快等特点。
竞争型神经网络模拟生物神经网络系统依靠神经元之间的兴奋、协调与抑制、竞争的方式进行信息处理。
一个竞争神经网络可以解释为：在这个神经网络中，当一个神经元兴奋后，会通过它的分支对其他神经元产生抑制，从而使神经元之间出现竞争。
当多个神经元受到抑制，兴奋最强的神经细胞“战胜”了其它神经元的抑制作用脱颖而出，成为竞争的胜利者，这时兴奋最强的神经元的净输入被设定为 1，所有其他的神经元的净输入被设定为 0，也就是所谓的“成者为王，败者为寇”。
一般说来，竞争神经网络包含两类状态变量：短期记忆变元（STM）和长期记忆变元（LTM）。
STM 描述了快速变化的神经元动力学行为，而 LTM 描述了无监督的神经细胞突触的缓慢行为。
因为人类的记忆有长期记忆（LTM）和短期记忆（STM）之分，因此包含长时和短时记忆的竞争神经网络在理论研究和工程应用中受到广泛关注。
竞争性神经网络模型图自组织特征映射神经网络（简称SOM），是由输入层和输出层组成的单层神经网络，主要用于对输入向量进行区域分类。
SOM是一种无导师聚类，能将一维输入模式在输出层映射成二维离散图形，此图形分布在网格中，网格大小由m*n 表示，并保持其拓扑结构不变，从而使有相似特征的神经元彼此靠近，不同特征的神经元彼此远离，最终实现区分识别样品的目的。
SOM 通过学习输入向量的分布情况和拓扑结构，靠多个神经元的协同作用来完成模式分类。
当神经网络接受外界输入模式时，神经网络就会将其分布在不同的对应区域，并且记忆各区域对输入模式的不同响应特征，使各神经元形成有序的空间分布。
当输入不同的样品光谱时，网络中的神经元便随机兴奋，经过SOM 训练后神经元在输出层有序排列，作用相近的神经元相互靠近，作用不同的神经元相互远离。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
高等教育学费标准的研究摘要本文从搜集有关普通高等学校学费数据开始，从学生个人支付能力和学校办学利益获得能力两个主要方面出发，分别通过对这两个方面的深入研究从而制定出各自有关高等教育学费的标准，最后再综合考虑这两个主要因素，进一步深入并细化，从而求得最优解。
模块Ⅰ中，我们将焦点锁定在从学生个人支付能力角度制定合理的学费标准。
我们从选取的数据和相关资料出发，发现1996年《高等学校收费管理暂行办法》规定高等学校学费占生均教育培养的成本比例最高不得超过25%，而由数据得到图形可知，从2002年开始学费占教育经费的比例超过了25%，并且生均学费和人均GDP 的比例要远远超过美国的10%到15%。
由此可见，我国的学费的收取过高。
紧接着，我们从个人支付能力角度出发，研究GDP 和学费的关系。
并因此制定了修正参数，由此来获取生均学费的修正指标。
随后，我们分析了高校专业的相关系数，从个人支付能力角度，探讨高校收费与专业的关系，进一步得到了高校收费标准1i i y G R Q =Q R G y ig g i =1 在模块Ⅱ中，我们从学校办学利益获得能力出发，利用回归分析对学生应交的学杂费与教育经费总计、国家预算内教育经费、社会团体和公民个人办学经验、社会捐投资和其他费用的关系，发现学杂费与教育经费总计成正相关，与其他几项费用成负相关。
对此产生的数据验证分析符合标准。
然后，再根据专业相关系数来确定学校收取学费的标准。
从而，得到了学校办学利益的收费标准2i i i y y R = 。
在模块Ⅲ中，为了获取最优解，我们综合了前面两个模块所制定的收费指标，并分别给予不同权系数，得到最终学费的表达式12i i C ay by =+。
然后，我们从学校收费指标的权系数b 考虑，利用神经网络得到的区域划分，根据不同区域而计算出的权系数b 的范围。
最终得到的表达式]12345**(1)(1.0502 1.1959 1.3108 1.36360.7929)**b i i C R G Q b x x x x x R =-+----;由此便可得到综合学费标准C 的取值范围。
然后，我们随机选取了同一区域不同专业，并根据表达式计算这些专业的学费，结果发现对社会收益大，个人收益小的专业如地质学的学费范围为：3469.8~3506.3元之间；对社会收益小，个人收益大的专业如广告设计的学费范围为：7931.0~8014.5元之间。
与通常高校实现的一刀切政策有了明显的优点。
最后，我们从本论文研究方向考虑，为优化高校费用标准的制定提出参考意见，如建立反馈制度和特殊生补贴制度的建议。
【关键字】相关系数 回归模型 自组织竞争神经网络一、问题提出高等教育事关高素质人才培养、国家创新能力增强、和谐社会建设的大局，因此受到党和政府及社会各方面的高度重视和广泛关注。
高等教育的一个核心指标是培养质量，不同的学科、专业在设定不同的培养目标后，都需要有相应的经费来保证其质量。
高等教育属于非义务教育，在世界各地其经费都是由政府财政拨款、学校自筹、社会捐赠和学费收入等几部份组成的。
世纪之交和“十五”期间，对我国高等教育制度进行改革与发展，我国高等教育面临着大有作为的重要战略机遇期，也面临着新的挑战。
随着改革的进行，学费问题也面临着严重的矛盾。
学费问题涉及每一个大学生及其家庭，是一个敏感而又复杂的问题：由于中国的经济限制，中国的人均收入并不是太高，特别是一些偏远山区和西北部地区，若学费过高会是许多学生因为无力支付学费而辍学；若学费太低，会导致学校的财力不足以致无法保障教学质量。
因此，学费问题在近年来的各种媒体上都引起了热烈的讨论。
从中国的国情出发，收集诸如近几年来关于我国教育经费方面的及家庭收入等数据[1-4]，并通过分析数据建立数学模型，就几类学校或专业的费用标准进行定量分析，并从中得出明确、有说服力的结论。
二、问题分析（一）我国教育收费的现状通过国家统计局相关资料检索得到2000年到2005年我国普通高等学校教育经费统计[5]如表2. 1所示：表2. 1 表2. 1 表2. 1 表2. 1 表2. 1 表2. 1 表2. 1表2. 1 2002~2005年我国普通高校教育经费情况（单位：万元）年份2000 2001 2002 2003 2004 2005 项目合计9133504 11665762 14878590 17543468 21297613 25502371国家财政性教育经5311854 6328004 7521463 8405779 9697909 10908369 费预算内教育经费5044173 6060683 7243459 8074148 9309882 10463734社会团体和公民个65941 181993 331363 603015 1121982 1801315 人办学经费社会捐资和集资办151828 172775 278253 256375 215440 210796 学经费学费和杂费1926109 2824417 3906526 5057307 6476921 7919249 其他教育经费1677772 2158574 2840985 3220992 3785362 4662641学费占教育经费的0.21 0.24 0.26 0.29 0.30 0.31比例以表2. 1所示数据中的年份为横坐标，学费占教育经费的比例为纵坐标，利用MATLAB作图得到图2. 1 各年度学费占教育经费的比例的情况图2. 1 各年度学费占教育经费的比例的情况1996年12月16日颁布的《高等学校收费管理暂行办法》规定在现阶段，高等学校学费占年生均教育培养成本的比例最高不得超过２５％。
[6]鉴于用于计算生均培养成本的相关数据的搜集工作难度系数较大，我们借用全国高校总的学费收入和总的教育经费的比值来表示高校学费占年生均教育培养成本的比例。
正如图2. 1 各年度学费占教育经费的比例的情况（二）影响我国普通高校学费标准制定的因素我们若想要具体确定学费标准，首先必须要搞清楚到底有哪些因素会影响学费标准的制定。
影响高等教育学费的因素是很多的，包括政治因素、历史文化传统因素、思想观念因素、国际因素、经济因素等。
前四种因素主观性都比较强，很难量化，因此本文暂不多加考虑。
经济方面的影响因素当然也包括很多，不过本文中主要涉及四种，即各方面的承受能力、高等教育个人收益率、生均培养成本以及地区差异。
（三）我国普通高校学费标准制定的原则至于学费标准制定的原则，研究者已有不少，如王善迈认为教育投资负担的基本依据是收益原则和能力原则，学费制定则应坚持教育成本的一部分原则和多数居民可以承受原则，其实这二者是一致的，如多数居民可以承受原则也就是能力原则。
全国政协常委辜胜阻对此谈得比较全面。
他认为，合理的成本分担机制建设应坚持一下八条原则：第一，成本合理分担原则；第二、承受能力原则；第三，收费标准差别性原则；第四，办学投入多元化原则；第五，办学主体多元化原则；第六，高等学校成本核算管理原则；第七，政府投入到为原则；第八，保障教育公平性原则。
也有很多学者有一些其他的观点，不过绝大多数学者还是认为要以能力支付原则和利益获得这两个最基本的原则来制定学费。
接下来我们就是要根据这两个基本原则来制定我国普通高校学费标准。
所谓能力支付原则，是根据利益获得者的付款能力来确定负担主体及负担程度。
教育成本支出最终来源于国民收入，国民收入通过初次分配和再分配被各社会群体所占有。
从理论上说，谁占有国民收入，谁就应当担负教育成本。
但是由于国民收入在分配上存在着不均等的现象，各群体的付款能力不同，教育成本的负担应该根据付款能力不同确定负担的程度与比例。
所谓利益获得原则，简言之，谁受益谁负担，获益多者多负担。
用于教育的成本支出就其性质而言是一种可获得预期收益的投资。
由于教育具有经济功能，用于教育的成本是可以获得预期的经济和非经济收益的一种投资。
由于教育的公共物品或准公共物品的特性，教育投资可以产生外部效益，不仅受教育者可以获益，全社会都可以从中获益。
因而社会各成员应根据其所获得的利益，分摊教育成本的负担。
三、 模型假设1、 假设收集的数据均真实有效。
2、 假设不考虑第三批本科国家不给予补助；3、 因为《中国统计年鉴》公布有关高等教育数据的滞后性，我们假设选取2005年的数据对本论文不构成影响。
四、 定义与符号说明G —— 人均GDPQ —— 人均GDP 的权重系数i R —— 各专业的权重系数i y —— 各专业学费的收费标准1x —— 国家财政性教育经费2x —— 预算内教育经费3x —— 社会团体和公民个人办学经费4x —— 社会捐款和集资办学经费5x —— 其他教育经费i b —— i x 相对应的系数C —— 学费制定标准1i y —— 学生期望的各专业学费标准y——学校期望的各专业学费标准2ia——y的权重系数1iy的权重系数b——2i五、模型的建立与求解（一）基于学生个人支付能力能力制定的学费标准——模块Ⅰ1、模型的分析首先，就学生家庭的经济承受能力这个角度来看，基于能力支付和利益获得这两个基本原则，我们从影响普通高校学费能力的众多因素中选取全国人均GDP和学生就读的专业这两个基本因素进行研究，通过建立相关模型确定这两个因素的权重系数，2、模型的准备根据查询国家统计局显示的数据资料[7]，我们搜集到从1995年到2004年间我国普通高校生均学费和人均GDP的值如错误！未找到引用源。
表2. 1 表5. 1（1）人均GDP的权重系数Q我们根据国内和国外的高校学费占人均GDP的比例各自所占的权重系数，求出我国高校学费占人均GDP的一般比例，从而根据我国的人均GDP算出我国所有普通高校专业的平均学费。
根据错误！未找到引用源。
所列的数据，以各个年份为横坐标，普通高校生均学费和人均GDP的比值为纵坐标作图如图2. 1各年度学费占教育经费的比例的情况错误！未找到引用源。
图5. 1 各年度高校生均学费与人均GDP比值的变化情况很显然，由表2. 1可以看出，我国普通高校生均学费与人均GDP的比值总体上呈不断上升的趋势，1995年~1998年增长幅度较小（范围在0.20~0.30之内），1998年以后出现猛烈增长，两年之内从0.28突增至0.50，之后两年基本稳定，2002到2004年内又有小范围的滑落，但整体上一直处于高水平状态，保持再0.45以上。
1999年6月24日，教育部和国家计委联合宣布，1999年普通高校招生从上年的108万人扩大到156万人，增幅高达44.44﹪，中国高校大规模的扩招从此拉开了帷幕。
然而这个政策的推行却给民众带来了极大的困扰，扩招后学费高得离谱，令人难以接受。