动态神经网络在图书资源管理中应用.docVIP

动态神经网络在图书资源管理中应用 　　［摘要］ 本文讨论应用动态神经网络建立图书馆借阅数量预测模型的方法，并结合实际图书借阅统计数字对模型进行仿真验证，验证效果较好。该研究对于图书馆进行图书流通定量定性分析，改善图书馆管理具有一定的指导和借鉴意义。 　　［关键词］ 神经网络； 图书借阅数量； 预测； 训练 　　doi : 10 . 3969 / j . issn . 1673 - 0194 . 2011 . 18. 044 　　［中图分类号］TP183； G251 ［文献标识码］A ［文章编号］1673 - 0194（2011）18- 0066- 02 　　 　　０引言 　　 　　在学校图书馆的管理工作中，借阅量是衡量图书馆利用水平和图书馆藏书质量的标准。通过对学校师生借阅量的监测，可以间接地反映图书馆书刊采购及为读者服务工作中存在的问题。通过分析图书流通量的规律有助于图书馆合理制订采购计划，进行资源的有效管理，合理调整人员分配［１－３］。本文基于神经网络理论，结合山东理工职业学院师生的借阅图书情况，建立图书馆借阅图书的数学模型，实现对借阅图书数量的预测，为合理采购图书，有效进行图书资源管理提供依据。 　　 　　１ＢＰ神经网络结构与算法 　　 　　ＢＰ神经网络是一种多层前向神经网络，它采用误差反向传播（Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ，ＢＰ）学习算法。ＢＰ神经网络已经在许多科学领域得到应用，也是理论上较成熟的神经网络。 　　利用ＭＡＴＬＡＢ ７．８提供的神经网络工具箱建立ＢＰ神经网络，根据Ｋｏｌｍｏｇｏｒｏｖ（映射网络存在）定理，选择ＢＰ神经网络为两层前向神经网络结构，神经网络的每个神经元均有输入输出，输入和输出之间的关系可用传递函数来描述，神经元可以采用不同的传递函数。 　　每个神经元节点的净输入 　　ｎｅｔｉ ＝ ∑ＷｉｊＱｉｊ （１） 　　式中，Ｑｉｊ为上层第ｊ节点输出；Ｗｉｊ为ｉ，ｊ节点间的连接权值。节点的输出为： 　　ｚｉ ＝ ｆ（ｎｅｔｉ ＋ ｂｉ） （２） 　　式中，ｂｉ为节点的阈值；ｆ（．）为节点的传递函数。 　　ＢＰ学习算法可描述如下： 　　（１） 权值ｗ和阈值ｂ的初始化； 　　（２） 给定输入Ｐ和目标输出Ｔ； 　　（３） 从输入层开始至输出层正向计算网络输出Ｔ； 　　（４） 修正权值，从输出层开始将误差信号沿连接通道反向传播，修正各连接权值，使网络误差最小。 　　Ｗｉｊ（ｋ ＋ １） ＝ Ｗｉｊ（ｋ） ＋ ｌｒζｊＴｊ （３） 　　式中，ｌｒ为学习参数，ζｊ为节点误差。使用平方形误差函数 　　若ｊ为隐节点，则ζｊ ＝ Ｔｊ（１ － Ｔｊ）∑ζｋＷｊｋ （５） 　　若ｊ为输出节点，则ζｊ ＝ Ｔｊ（１ － Ｔｊ）（Ｔｊ － １ － Ｔｊ） （６） 　　式中，ｋ为ｊ节点的下一层节点。 　　 　　２数据资料与仿真分析 　　 　　图书借阅情况的数据可以作为一个时间序列来进行处理，现在假定有时间序列ｘ（ｎ），序列ｘ（ｎ） ＝ ｛ｘｉ ｜ ｘｉ∈Ｒ，ｉ ＝ １，２，…，｝。通过序列ｘ（ｎ）的前Ｎ个时刻的数值，预测出第Ｍ个时刻的数值。本文采用山东理工职业学院师生２００７年3月至2011年1月共40个月（去除学生假期２月、８月）借阅数量的数据，如表１所示。采用前Ｎ个数据作为滑动窗，将其映射为Ｍ个数值，这Ｍ个数值代表在该滑动窗之后的Ｍ个数值。 　　应用每一年前３个月的数据作为神经网络的输入，第４个月的借阅量作为输出，共分２８组，选择前２０组训练，后８组测试。 　　编写ＭＡＴＬＡＢ程序实现预测，主程序如下： 　　ｒａｗＤＢ＝ｘｌｓｒｅａｄ（＇Ｄ：＼我的文档＼ＭＡＴＬＡＢ＼ｈｃｌ１１１．ｘｌｓ＇，＇ｓｈｅｅｔ１＇，＇Ｂ３：Ｈ１２＇） 　　ｘ＝［ｒａｗＤＢ（：，１）＇，ｒａｗＤＢ（：，３）＇，ｒａｗＤＢ（：，５）＇，ｒａｗＤＢ（：，７）＇］ 　　 Ｘ（１，：）＝（ｘ（１，：）－ｍｉｎ（ｘ（１，：）））／（ｍａｘ（ｘ（１，：））－ｍｉｎ（ｘ（１，：））） ％归一化处理 　　ｆｏｒ ｉ＝１：２８ 　　Ｘ１（ｉ，：）＝［Ｘ（ｉ） Ｘ（ｉ＋１） Ｘ（ｉ＋２） Ｘ（ｉ＋３）］；％数据分组处理 　　Ｅｎｄ 　　ｎｅｔ＝ｎｅｗｆｆ（ｍｉｎｍａｘ（Ｘ３），［２８ １］，｛＇ ｔａｎｓｉｇ’，’ｐｕｒｅｌｉｎ＇，＇＇｝，＇ｔｒａｉｎｌｍ＇）； ％建立神经网络，Ｘ３为网络 输入 　　ｎｅｔ．ｔｒａｉｎＰａｒａｍ．ｅｐｏｃｈｓ＝２０００； 　　 ｎｅｔ．ｔｒａｉｎＰａｒａｍ．ｇｏａｌ＝０．０００００１；％设置训练参数 　　ＬＰ．ｌｒ＝０．１； 　　设置测试参数，可以进行学生图书借阅数量的预测，并对该网络进行仿真校验，线性相关度达到０．９８５，能够比较准确地应用先