matlab神经网络在图书资源管理中的应用.pdfVIP

matlab神经网络在图书资源管理中的应用.pdf

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
matlab 神经网络在图书资源管理中的应用 Application of matlab neural network in the book resources management 商俊燕 吴正明 Shang,Junyan Wu,Zhengming [摘要] :本文介绍了基于matlab 的径向基函数RBF 神经网络对于图书馆借书量预测的方法, 讨论了RBF 神经网络的构造思路、参数和分布密度spread 的选择。为图书馆工作人员书籍 管理提供了新的思路。 [关键字] :matlab RBF 神经网络 样本 分布密度 中图分类号:TP183 文献标识码: A [Abstract] :A brief introduction of the means using the radial function RBF Neural Network based on the matlab, which can help to predict the volume lent from the library. This article also discusses the constructive means, parameter and the choice of the distributing density, thus, providing the library staff with a new means of the rationality of the books management. [Key words]:matlab radial basis function neural network sample distributing density 1 引言 学生的借书量可以直接反映学校图书馆利用率。如果能掌握学生的借书量,那么对图书馆管 理人员书籍管理来说是很有意义的一件事情。但是由于借书量的高度非线性特征,导致众多 分析方法的应用效果都难如人意。近年来,计算机技术和人工智能技术的迅猛发展,为图书 馆借书量的建模和预测都提供了新的技术和方法。 2 RBF 网络的设计 径向基函数RBF 神经网络(简称径向基网络)是由J.Moody 和C.Darken 于20 世纪80 年代 末提出来的一种神经网络接口,它是具有单隐层的三层前馈网络。如果要实现同一个功能, 径向基网络的神经元个数可能要比前向BP 网络的神经元个数要多,但是,径向基网络所需 要的训练时间却比前向BP 网络的要少。所以本文在这里采用径向基网络来进行数据的预测。 径向基(RBF )网络主要包括隐含层和输出层,其中隐含层的传递函数为radbas ,输出层的 传递函数为纯线性函数purelin 。 在matlab 中神经网络工具箱中用于创建RBF 网络的函数为newrbe ,在利用函数newrbe 创 建RBF 网络过程中,可以自动增加隐含层的神经元个数,直到均方误差满足要求为止。所 以,网络的创建过程就是训练过程了。 当网络的输入变量确定后,需要进行归一化处理,将其变换在[-1,1]的范围内,经过归一化 处理的数据对于神经网络更容易训练和学习。 3 借书情况的概述 由于那借书情况的数据可以看做一个时间序列进行处理,因此这里假定有时间序列 { } x xi | xi ∈R , i 1,2,Λ ,L ,现在希望通过序列的前N 个时刻的值,预测出后M 个时刻 的值。这里可以采用序列的前N 个时刻的数据为滑动窗,并将其映射为M 个值。这M 个值 代表在该窗之后的M 个时刻上的预测值。如表 1 所示,列出了数据的一种划分方法。该表 把数据分为K 个长度为N+M 的、有一定重叠的数据段,每一个数据段可以看做一个样本, 这样就可以得到K L −(N +M ) +1个样本。这样一来,就可以将每个样本的前N 个值作 为RBF 神经网络的输入,后M 个值作为目标输出。通过学习,实现从RN 到输出空间RM 的映射,从而达到时间序列预测的目的。 N 个输入 M 个输出 x ,Λ ,x x

文档评论(0)

docindoc + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档