神经网络在高校图书馆图书借阅流量预测中的应用.docxVIP

神经网络在高校图书馆图书借阅流量预测中的应用 摘要：由于高校图书馆图书借阅流量具有一定的非线性特性，传统的回归分析、灰色模型等方法难以处理这种非线性时间序列问题，影响了预测精度。为了提高预测精确度，提出粒子群优化RBF神经网络的图书借阅流量预测模型。该方法以图书馆图书借阅流量历史数据进行RBF神经网络建模，采用粒子群算法对RBF神经网络参数进行优化，最后建立了图书借阅流量动态响应模型。预测结果表明该模型预测结果合理，精度较高，为图书馆提高工作效率和服务质量提供了参考依据。 关键词：图书借阅；流量；神经网络；粒子群优化 Applicationofneuralnetworkinbooksborrowingflowforecastingforuniversitylibrary CHENYuehua （LibraryofGuangxiTeachersEducationUniversity，Nanning530001，China） Keywords：booksborrowing；flow；neuralnetwork；particleswarmoptimization 0引言 图书借阅流量受到师生人数、不同时间、馆藏数量与质量、学校的学术氛围等多种因素的影响，具有一定的周期性与规律性，对借阅流量进行准确预测，可以对图书馆进行科学、高效的管理和监控[4]。目前国内对图书借阅流量预测研究多是运用回归分析和灰色模型，这种基于线性时间序列的建模方法自身存在固有的缺陷，由于图书馆借阅流量受到多种因素的影响，是一个复杂的非线性动力学过程，线性预测模型不能很好地揭示其内在运行规律，因此影响了其预测精度[5]。神经网络鲁棒性很强，有着强大的非线性逼近能力，在非线性时间预测领域得到了广泛的应用[6]。神经网络有很多种，其中用得较多的有BP神经网络与RBF神经网络，RBF神经网络结构简单，非线性逼近能力强，运算速度快，應用极为广泛[7]。但是RBF神经网络在进行非线性预测时，网络输出权重、隐单元中心和宽度等参数直接影响预测精度。为了更精确地预测高校图书馆图书借阅流量，在研究中利用粒子群优化算法（ParticleSwarmOptimization，PSO）具有很强的并行处理能力，可以有效避免神经网络陷入早熟收敛，从而搜索到最优的RBF神经网络参数[8]。 针对传统线性方法在进行高校图书馆图书借阅流量预测中的不足，提出粒子群算法优化RBF神经网络的高校图书馆图书借阅流量预测方法（PSO?RBFNN）。结果表明，PSO?RBFNN提高了图书馆图书借阅流量预测精度，可以及时把握图书借阅流量的动态变化，对图书馆工作人员与设备配备动态管理、确定馆藏资源建设的重点和方向，提高工作效率和服务质量提供了参考依据。 1粒子群优化神经网络 1.1神经网络 设RBF神经网络有[n]个输入节点、[m]个隐层节点和p（p通常等于1）个输出节点，隐层节点是RBF函数。 RBF神经网络的映射关系由如下两部分组成： （1）从输入层到隐含层的非线性变换： [hi=exp-x-ci2σ2i，i=1，2，…，m]（1） 式中：[x]表示[n]維输入向量；[ci]表示第[i]个RBF神经网络隐节点的变换中心；[σi]表示RBF神经网络隐节点非线性变换单元的宽度。 （2）从隐含层到输入层的线性合并： [f（x）=j=1mhi（x）ωi]（2） 式中：[m]表示隐含层节点；[ωi]表示第[i]个隐节点与输出节点的连接权重。 1.2RBF神经网络映射机理 在RBF神经网络中，隐含层将输入数据从输入空间利用一种固定不变的非线性变换映射到一个新的高维特征空间内。隐节点的变换中心[ci]通常表现为一种局部敏感性，仅仅只对中心附近的输入数据敏感，而非线性变换单元的宽度[σi]决定了数据减小的快慢，[σi]越小，则数据减小的速度越快，反之，[σi]越大，则减小的速度越缓慢，非线性变换单元的输出需通过输出层的权值[ωi]进行调整，从而得到期望输出。由此可以看出，利用RBF神经网络预测高校图书馆图书借阅流量，预测的精度与网络的输出权重[ωi，]隐节点的变换中心[ci]及隐节点非线性变换单元的宽度[σi]的取值有着直接的关系，因此，要寻找出最优的[ωi，][ci，][σi]等参数。 在RBF神经网络中，对于训练样本，通常取均方误差[E]来评价神经网络的性能。 [E=12i=1Nyi-f（xi）2]（3） 式中：[N]表示预测数据的个数；[yi]表示原始数据；[f（xi）]表示预测值。 从上述分析可知，指标[E]是关于[ωi，][ci，][σi]的函数，RBF神经网络训练就是针对训练样本，使误差[E]趋于最小。 1.3粒子群算法 在PSO中，将每一个个体视为高维特征空间的一个粒子，粒子们通过对最优粒子极值Pbest和全局极