论文部分内容阅读
【摘要】網站访问量是衡量课程网站价值的重要指标。本文提出一种基于人工神经网络的网站访问量预测模型，首先将原始数据进行归一化处理，再利用多层前馈神经网络算法来建立预测模型，并预测未来的网站访问量，最终得到较精确的预测数据。
【关键词】人工神经网络 BP算法 网站访问量
【中图分类号】G64 【文献标识码】A 【文章编号】2095-3089（2017）43-0202-01
引言
当前高等院校十分重视课程网站在课程体系建设中的作用，纷纷建立专门的课程学习网站。研究表明，网站访问量常表现为非线性，而且在某一范围内波动，就必须采用非线性模型来预测。理论上，神经网络能够无限逼近非线性函数。因此，本文采用神经网络模型作为预测模型，以某课程网站的每天的访问量作为数据，来预测以后的网站访问量，最终得到了比较理想的预测模型和预测结果。
1.BP神经网络
人工神经网络，也称为神经网络，是一种应用类似于大脑神经突触接触连接的结构进行信息处理的数学模型。BP神经网络是由非线性变换单元组成的前馈网络，也被称为误差反向传播神经网络。一般的多层前馈网络也指BP神经网络。BP神经网络是人工神经网络中应用最广的一种神经网络。BP神经网络通常由输入层、输出层和若干隐含层构成，每个节点表示一个神经元，上层节点与下层节点之间通过权连接，层与层之间的节点采用权互联的连接方式，每层内节点之间没有联系。典型的BP神经网络是含有一个隐含层的三层结构网络。
BP神经网络训练方式包含前馈和反向传播两个阶段。前馈阶段是指输入信号由输入层引入，以前馈方式经由隐含层传至输出层，并计算网络输出；反向传播阶段是指以期望输出值减去网络输出值从而得到误差信号，然后将误差信号逐层反向传递回网络中，进而修改连接权值和阀值。
通过信号的正向传播与误差的反向传播两个过程的不断进行，在一定精度的要求下，权值和阀值得到不断的调整，直到网络输出与目标输出达到设定的精度。BP神经网络可以实现从输入到输出之间的高度非线性映射关系，因而在函数拟合、仿真预测等方面有着广泛的应用。
2.案例分析
以某课程网站的每天的访问量作为原始数据，利用BP神经网络进行预测分析。
为避免原始数据过大造成网络麻痹，要对原始数据进行归一化处理，对于预测值，由于变化幅度较大，也不宜直接作为神经网络的输出。对原始样本数据的进行归一化的公式为：
y=■
其中，max和min分别为样本数据中的最大值和最小值，x为原始样本数据，y为变换后的数值。这样不但避免了输入数据落入饱和区域，也保持了数据的原有特征。经过神经网络模型计算出的预测值，再做反归一化运算，即得到最终的预测值。
接下来，对样本进行分类，以1-9天的数据为训练样本，第10、11和12天的数据为检验样本。将前3天的数据作为输入，第4天的数据作为输出，以此类推建立训练数据。选用3层BP神经网络，即输入层、输出层和一个隐含层。利用MATLAB软件进行多次测试对比后，训练函数选用“trainlm”，输入层和隐含层之间的传递函数选用“tansig”，隐含层和输出层之间的传递函数选用“purelin”。隐含层节点数对神经网络的性能有一定的影响，依据l=■+a；式中，l为隐含层节点数，n为输入节点数，m为输出节点数，a为1-10之间的调节常数。这里n=3，m=1，故l的取值范围为3-12。本文通过设计一个隐含层节点数可变的BP网络，最大训练次数为1000次，训练函数采用trainlm时，用同一样本训练，发现隐含层节点数为6的情况下，网络训练误差最小，在本例中数据的预测效果最好。利用该BP网络，训练次数为10次时，标准数值误差即可达到10-30。第6、7、8、9天的数据作为训练样本，预测数据和原始数据完全吻合，达到了训练网络的目的。第10、11和12天的数据作为检验样本，相对误差均很小，预测结果和原始数据基本吻合，说明BP神经网络模型预测的精度比较高，利用该方案预测网站访问量是可行的。第11天的输入数据采用了第8天和9天的原始数据，以及第10天的预测数据，第12天的输入数据采用了第9天的原始数据，以及第10天和11天的预测数据，由于是用预测出来的值接着向后预测，导致误差较大。
3.结论
通过基于BP神经网络模型的网站访问量模型的预测和分析，充分证明BP神经网络对非线性系统具有良好的函数逼近功能，利用BP神经网络预测网站访问量是可行的，简单易行，而且具有很好的预测准确度。通过对网站访问量的预测，可为课程网站管理提供重要参考，及时调整网站性能，节约人力物力，提高效率。
参考文献：
[1]蒋宗礼.人工神经网络导论[M].北京：高等教育出版社，2001.
【关键词】人工神经网络 BP算法 网站访问量
【中图分类号】G64 【文献标识码】A 【文章编号】2095-3089（2017）43-0202-01
引言
当前高等院校十分重视课程网站在课程体系建设中的作用，纷纷建立专门的课程学习网站。研究表明，网站访问量常表现为非线性，而且在某一范围内波动，就必须采用非线性模型来预测。理论上，神经网络能够无限逼近非线性函数。因此，本文采用神经网络模型作为预测模型，以某课程网站的每天的访问量作为数据，来预测以后的网站访问量，最终得到了比较理想的预测模型和预测结果。
1.BP神经网络
人工神经网络，也称为神经网络，是一种应用类似于大脑神经突触接触连接的结构进行信息处理的数学模型。BP神经网络是由非线性变换单元组成的前馈网络，也被称为误差反向传播神经网络。一般的多层前馈网络也指BP神经网络。BP神经网络是人工神经网络中应用最广的一种神经网络。BP神经网络通常由输入层、输出层和若干隐含层构成，每个节点表示一个神经元，上层节点与下层节点之间通过权连接，层与层之间的节点采用权互联的连接方式，每层内节点之间没有联系。典型的BP神经网络是含有一个隐含层的三层结构网络。
BP神经网络训练方式包含前馈和反向传播两个阶段。前馈阶段是指输入信号由输入层引入，以前馈方式经由隐含层传至输出层，并计算网络输出；反向传播阶段是指以期望输出值减去网络输出值从而得到误差信号，然后将误差信号逐层反向传递回网络中，进而修改连接权值和阀值。
通过信号的正向传播与误差的反向传播两个过程的不断进行，在一定精度的要求下，权值和阀值得到不断的调整，直到网络输出与目标输出达到设定的精度。BP神经网络可以实现从输入到输出之间的高度非线性映射关系，因而在函数拟合、仿真预测等方面有着广泛的应用。
2.案例分析
以某课程网站的每天的访问量作为原始数据，利用BP神经网络进行预测分析。
为避免原始数据过大造成网络麻痹，要对原始数据进行归一化处理，对于预测值，由于变化幅度较大，也不宜直接作为神经网络的输出。对原始样本数据的进行归一化的公式为：
y=■
其中，max和min分别为样本数据中的最大值和最小值，x为原始样本数据，y为变换后的数值。这样不但避免了输入数据落入饱和区域，也保持了数据的原有特征。经过神经网络模型计算出的预测值，再做反归一化运算，即得到最终的预测值。
接下来，对样本进行分类，以1-9天的数据为训练样本，第10、11和12天的数据为检验样本。将前3天的数据作为输入，第4天的数据作为输出，以此类推建立训练数据。选用3层BP神经网络，即输入层、输出层和一个隐含层。利用MATLAB软件进行多次测试对比后，训练函数选用“trainlm”，输入层和隐含层之间的传递函数选用“tansig”，隐含层和输出层之间的传递函数选用“purelin”。隐含层节点数对神经网络的性能有一定的影响，依据l=■+a；式中，l为隐含层节点数，n为输入节点数，m为输出节点数，a为1-10之间的调节常数。这里n=3，m=1，故l的取值范围为3-12。本文通过设计一个隐含层节点数可变的BP网络，最大训练次数为1000次，训练函数采用trainlm时，用同一样本训练，发现隐含层节点数为6的情况下，网络训练误差最小，在本例中数据的预测效果最好。利用该BP网络，训练次数为10次时，标准数值误差即可达到10-30。第6、7、8、9天的数据作为训练样本，预测数据和原始数据完全吻合，达到了训练网络的目的。第10、11和12天的数据作为检验样本，相对误差均很小，预测结果和原始数据基本吻合，说明BP神经网络模型预测的精度比较高，利用该方案预测网站访问量是可行的。第11天的输入数据采用了第8天和9天的原始数据，以及第10天的预测数据，第12天的输入数据采用了第9天的原始数据，以及第10天和11天的预测数据，由于是用预测出来的值接着向后预测，导致误差较大。
3.结论
通过基于BP神经网络模型的网站访问量模型的预测和分析，充分证明BP神经网络对非线性系统具有良好的函数逼近功能，利用BP神经网络预测网站访问量是可行的，简单易行，而且具有很好的预测准确度。通过对网站访问量的预测，可为课程网站管理提供重要参考，及时调整网站性能，节约人力物力，提高效率。
参考文献：
[1]蒋宗礼.人工神经网络导论[M].北京：高等教育出版社，2001.