基于BP神經網絡對圖書借閱量的預測研究

摘 要：建立BP神經網絡系統模型，闡述其基本原理與計算方法。以某地方圖書館2012年借閱量為例使網絡進行訓練學習，得到基于BP神經網絡理論的圖書借閱量預測系統模型，經驗證，此模型對圖書借閱量的預測有一定的理論意義。

關鍵詞：圖書館；BP神經網絡；圖書借閱量

引言

圖書是信息傳遞和文化傳播的主要工具，圖書的借閱量是學術與文化氛圍的重要標志。對較長時期借閱量的總結分析能從側面了解網絡電子圖書館的貢獻。圖書的借閱量受很多因素的影響，如圖書的質量、圖書館的環境和圖書館工作人員服務態度等[1]，因此對借閱量的預測是非常復雜和困難的。

1 BP網絡及其學習算法

圖1 BP神經網絡結構

如圖1為BP神經網絡結構。標準的BP算法是基于梯度下降法的學習算法，學習過程是通過調整權值和閥值，使輸出期望值和神經網絡實際輸出值的均方差趨于最小而實現的[2]。為方便描述，現定義如下：

輸入向量 ；

隱含層的輸入 ；

隱含層的輸出 ；

輸出層的輸入 ；

輸出層的輸出 ；

期望輸出 ；

輸入層與隱含層連接權值wih；

隱含層與輸出層連接權值who；

隱含層各神經元的閥值bh；

輸出層各神經元的閥值bo；

樣本數據個數k=（1，2，...，m）；

激活函數f=（·）。

BP標準算法如下：

（1）初始化，給wih、wih、bh、bo分別賦值（-1，1）之間的隨機數，設

定穩態誤差函數 ，設定計算精度和最大學習次數。

（2）隨機選取第k個樣本 及對應的期望輸出 。

（3）計算隱含層各神經元的輸入hih（k），再與激活函數聯合計算隱含層各神經元的輸出hoh（k）：

（4）結合期望輸出向量 和網絡實際輸出yoo（k），計算誤差函數對輸出層的各神經元的偏導數

o=1，2，…，q

（5）結合隱含層到輸出層的權值who（k）、輸出層的？啄o（k）和隱含層的輸出hoh（k）計算誤差函數對隱含層各神經元的偏導數？啄h（k）：

（6）結合輸出層各神經元的？啄o（k）及隱含層各神經元輸出hoh（k）對連接權值who（k）和權值bo（k）進行修正：

式中：N-調整前；N+1-t調整后；

？濁-學習率，取值在（0，1）之間。

（7）利用隱含層各神經元的？啄h（k）和輸入層各神經元的輸入xi（k）修正閥值：

（8）計算全局誤差E

（9）當誤差E小于計算精度值或學習次數大于設定的最大次數則結束運算，否則選取下一個學習樣本及期望輸出進行下一輪的學習訓練。

2 BP神經網絡在借閱量預測中的應用

2.1 數據歸一化處理

以某圖書館2012年各月份的借閱量為例，各月份借閱量如表1所示。

表1 2012年各月圖書借閱量

為便于神經網絡學習訓練，對上述數據進行歸一化處理，歸一化公式為X=■，式中xi為當前數據，xmin為最小數據，xmax為最大數據，歸一化后的數據見表2。

表2 各月份借閱量歸一化數據

2.2 Matlab環境下預測與驗證

以每四個月的借閱量歸一化數據為依據，預測第五個月的借閱量，以此類推[3]。在Matlab中輸入如下程序：

圖2 訓練誤差曲線

每組輸入為第n個月到第n+3個月的借閱量，對應的期望輸出為第n+4個月的實際借閱量。設置最大訓練次數為15000，訓練目標誤差為0.01，學習速率為0.1。對網絡進行訓練，訓練誤差曲線如圖2所示，可見在訓練11402次后誤差滿足設定的要求。輸入如下程序：

以7-10月和8-11月的借閱量預測11月和12月的借閱量對預測模型進行檢驗。輸出結果為U=0.3014 0.6030。對比11月與12月的實際數據誤差率分別為0.225和0.183。

3 結束語

圖書借閱量受多因素影響，參考以上數據可見，BP神經網絡可以對圖書借閱量進行預測，且準確率較高。將此類預測系統應用于實際情況可對圖書館新書采購、服務環境改善等工作提供一定的理論依據。

參考文獻

[1]孫寶，趙艷梅，王志麗，等.基于借閱統計的采購量建模研究[J].情報科學，2011，29（1）：103-107.

[2]張良均，曹晶，蔣世忠.神經網絡使用教程[M].機械工業出版社，2008.

[3]石維，李慶芬.淺論利用Elman神經網絡實現圖書流通量預測[J].科技情報開發與經濟，2011，12（21）：18-20.

作者簡介：汪玉杰（1987-），女，碩士研究生，主要從事圖書情報方面的研究。