matlab神经网络在图书资源管理中的应用

《matlab神经网络在图书资源管理中的应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、matlab神经网络在图书资源管理中的应用Applicationofmatlabneuralnetworkinthebookresourcesmanagement商俊燕吴正明Shang,JunyanWu，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]：matlabRBF神经网络样本分布密度中图分类号:TP183文献标识码:A[Abstract]：Abrief

2、introductionofthemeansusingtheradialfunctionRBFNeuralNetworkbasedonthematlab,whichcanhelptopredictthevolumelentfromthelibrary.Thisarticlealsodiscussestheconstructivemeans,parameterandthechoiceofthedistributingdensity,thus,providingthelibrarystaffwithanewmeansoftheratio

3、nalityofthebooksmanagement.[Keywords]：matlabradialbasisfunctionneuralnetworksampledistributingdensity1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。2RBF网络的设计径向基函数RBF神经网络（简

4、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

5、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={}x

6、x∈R,i=1,2,Λ,Lii，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

7、，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，K=L−(N+M)+1这样就可以得到个样本。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,xx,Λ,x1NN+1N+Mx,Λ,xx,Λx2N+1N+2N+M+1x,Λ,xx,Λ,x3N+2N+3N+M+2…………x,Λ,xx,Λ,xKN+K−1N+KN+M+K−1表1数据的划分方法样本数据来源

8、于我校（常州轻工职业技术学院）大学城新校区图书馆每个月的借书量，因新校区图书馆系统2004年9月份才更新，所以在这里取了10个月的数据作为样本。但是需要指出的是，无论采用多大的学习样本，网络的设计和训练过程是一致的。惟一不同的是，通过大容量样本训练出来的网络其预报误差更小，外推能力也更强。随着以后数据的丰富，借书量的预测将更加准确。在学习之前，首先对这些数据归一化到区间[0，1]中，如表2所示。如果数据已经位于区间[0，1]的数据，无需进行归一化处理。日期借书量2004-090.12512004-100.23142004-110.3

9、2952004-120.43722005-010.54232005-020.60782005-030.71212005-040.86852005-050.92532005-061.0000表2数据4网络训练与测试将每3个月作为一个周期