基于ANN的综合评价系统设计开题报告

《基于ANN的综合评价系统设计开题报告》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、开题报告基于ANN的综合评价系统设计一、选题的背景、意义万维网服务是目前因特网提供的核心业务之一，目前已经渗透到我们生活的方方面面，万维网服务的基本组成就是形形色色的网站，网站的质量直接决定了我们获取服务的质量。因此，一个客观科学的网站评价体系对于因特网的发展具有重要的意义。综合国内外网站评价研究，不少学者提出了各种评价方法，包括网络可用性评测法、网站自动评价法、网站链接分析法、网站框架评价法、网络链接分析法、对应分析法等。从评估的模式来看，有技术性测试调查、网站流量监测、网站调查、专家调查和网络计量等五种模式。各种网站评

2、价方法的角度和侧重点不同，得出的结论也不尽相同。其中比较常用的方法有问卷调查法、链接分析法，近年来，由于对于指标评价的定量分析要求，层次分析法也开始应用到了网站评价中。从已有的文献所采用的研究方法来看，把定量研究和定性研究结合起来，以定性研究方法和模型为基础，用定量的研究方法提高其科学性和可信度，是当前研究的趋势。[1-5]二、研究的基本内容与拟解决的主要问题1、影响网站绩效评佑的相关指标体系确定及其量化和规范化。2、影响网站绩效评估各相关指标的相对权重确定。影响网站绩效各相关因素在输入预测和评估模型时,需要一组决定其相对

3、重要性的初始权重,权重的确定需要基本的原则作支持。3、基于BP神经网络的网站绩效评价模型研究。以BP神经网络为基础,构建基于多因素的网站绩效评价模型。4、基于BP神经网络的网站绩效评价模型计算方法设计。根据基于BP神经网络的技术创新预测和评估模型的基本特点,设计其相应的计算方法。5、基于BP神经网络的网站绩效评价模型学习样本设计。根据相关的历史资料,构建基于BP神经网络的网站绩效评价模型的学习样本,对模型进行自学习和训练,使模型适合评价者的思想。[6、7]三、研究的方法与技术路线、研究难点，预期达到的目标1、研究方法与技术

4、路线这种情况下,神经网络技术就有其特有的优势,以其并行分布、自组织、自适应、自学习和容错性等优良性能,可以较好地适应网站评价这类多因素、不确定性和非线性问题,它能克服上述各方法的不足。本项目以BP神经网络作为基于多因素的评估模型构建的基础,BP神经网络由输入层、隐含层和输出层构成,各层的神经元数目不同,由正向传播和反向传播组成,在进行网站评价时,从输入层输入影响网站评价值的n个因素信息,经隐含层处理后传入输出层,其输出值Y即为网站绩效的评估值。整个系统运用MATLAB编程实现。（1）隐层数的设计：理论分析证明，具有单隐层的

5、前馈网可以映射所有连续函数，只有当学习不连续函数（如锯齿波等）时，才需要两个隐层，所以神经网络系统设计一个隐层。（2）输入输出层节点数的设计：本网络中，输入神经元确定为6个，即影响网站绩效评价的因素有6个；输出层确定为4个，即网站绩效等级分为：优秀，良好，一般，差。（3）隐节点数的设计：隐节点的作用是从样本中提取并储存其内在规律，每个隐节点有若干个权值，而每个权值都是增强网络映射能力的一个参数。设置多少个隐节点取决于训练样本数的多少、样本噪声的大小以及样本中蕴含规律的复杂程度。确定最佳隐节点的一个常用方法称为试凑法，计算公

6、式有：；；；其中m为隐层节点数，n为输入层节点数，l为输出层节点数，a为1~10之间的常数。（4）传输函数：BP网络中的传输函数通常采用S(sigmoid）型函数：网络训练与测试：将收集到的可用样本随机分为两部分，一部分作为训练集，另一部分作为测试集。训练时对所有样本正向运行一轮并反向修改权值一次称为一次训练。在MATLAB神经网络工具箱中，常用的训练函数有traingd，traingdm，traingdx等。[7、8]（5）BP网络学习过程和步骤令网络输入向量为Pk；网络目标向量为Tk；中间层单元输入向量Sk，输出向量B

7、k；输出层单元输入向量Lk，输出向量Ck；输入层至中间层的连接权值wij；中间层至输出层的连接权值vjt；中间层个单元的输出阈值；输出层个单元的输出阈值。（a）初始化。给每个连接权值wij、vjt、阈值与赋予区间（-1,1）内的随机值。（b）随机选取一组输入和目标样本Pk、Tk提供给网络。（c）用输入样本Pk、连接权值wij和阈值计算中间层个单元的输入sj，然后用sj通过传递函数计算中间层个单元的输出bj。（d）利用中间层的输出bj、连接权值vjt和阈值计算输出层个单元的输出Lt，然后利用通过船体函数计算输出层噶单元的响应

8、Ct。（e）利用网络目标向量Tk，网络的实际输出Ct，计算输出层的各单元一般化误差。（f）利用连接权值vjt、输出层的一般化误差dt和中间层的输出bj计算中间层个单元的一般化误差。（g）利用输出层各单元的一般化误差与中间层各单元的输出bj来修正连接权值vjt和阈值。（h）利用中间层各单元的一般化误差，输