[发明专利]一种计算机应用神经网络预测方法及系统

说明书

本发明属于网络预测技术领域，公开了一种计算机应用神经网络预测方法及系统，所述计算机应用神经网络预测系统包括：数据接收模块、建模模块、跟踪模块、分层模块、神经网络学习模块、网络健康评价模块。本发明通过神经网络学习模块提出了采用倒数法使对分母中变量的偏导求解变成普通变量的偏导求解的方法，减少了系统的运算量，从而提高了系统的效率；最后利用训练好的模糊神经网络对测试数据进行识别预测，与传统模糊神经网络相比识别率有显著提高；同时通过网络健康评价模块能够及时将指标更新及健康状况评价结果专家意见反馈引入到评价方法中，进行自我修正；评价结果准确。

技术领域

本发明属于网络预测技术领域，尤其涉及一种计算机应用神经网络预测方法及系统。

背景技术

神经网络(Artificial Neural Network，即ANN)，是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。然而，现有神经网络学习算法存在着固有缺陷，如学习周期长、学习率和步长不能改变等问题，以至于不能很好地对那些维数大且模糊度较高的数据进行识别；同时现有神经网络数据海量，网络指标体系复杂，不能够灵活应对评价体系及指标的变化、不能够及时反馈专家意见等问题。

综上所述，现有技术存在的问题是：

(1)现有神经网络学习算法存在着固有缺陷，如学习周期长、学习率和步长不能改变等问题，以至于不能很好地对那些维数大且模糊度较高的数据进行识别；同时现有神经网络数据海量，网络指标体系复杂，不能够灵活应对评价体系及指标的变化、不能够及时反馈专家意见等问题。

(2)现有神经网络学习算法的模糊度较高的数据处理效率低。

发明内容

针对现有技术存在的问题，本发明提供了一种计算机应用神经网络预测方法及系统。

本发明是这样实现的，一种计算机应用神经网络预测方法，所述计算机应用神经网络预测方法包括以下步骤：

步骤一，采用效率模型的数据接收模块接收计算机应用数据；

所述效率模型为：

时间t_n中处理数据包数：

t_n＝T_E-T_B；

其中，T_B为数据包分析处理前系统时间；T_E为数据包分析处理后系统时间；t_n表示处理第n个数据包的时间；数据处理效率V，接收数据D；

步骤二，通过建模模块采用模糊数学神经网络的方法建模；

步骤三，预估数据的处理速度，通过跟踪模块对建模的数据进行跟踪；

所述数据的处理速度C点在X轴、Y轴和Z轴的数据速度大小分别为v_cx、v_cy、v_cz则：

v_cx＝v_upcx+v_ecx