[发明专利]基于神经网络技术的发帖预测系统

摘要

本发明提出基于神经网络技术的发帖预测系统，该系统采用相空间重构来实现非线性时间序列分析，系统采用基于J2EE平台的Browser/Server结构：该系统在结构上分为数据预处理模块、预测分析管理模块、预测建模仿真接口软件，有收敛快，训练误差小的特点，所建立的模型预测精度较好，但应用中需注意神经网络训练样本范围的选择，对于突发事件发帖的预测，可适当减少样本数，尽量不要用过早的样本。应用中还需注意异常值对模型的破坏，找出并调整异常值，才能保证模型的预测精度，所建立的模型采用定量分析，并取得一定精度，而且感观性能优。

主权项

基于神经网络技术的发帖预测系统，其特征在于，该系统采用相空间重构来实现非线性时间序列分析，系统采用基于J2EE平台的Browser/Server结构：该系统在结构上分为数据预处理模块、预测分析管理模块、预测建模仿真接口软件；神经网络的基本处理单元是神经元，它一般是多输入单输出的非线性器件，其输入输出关系可表示为：式中，xj(j=1，2，…，n)是神经元的输入信号；θi为阀值；wji表示神经元j到神经元i的连接权值；f为激活函数（又称传递函数），它必须连续可微，常用激活函数有线性函数，S型的非线性函数，或具有任意阶导数的非线性函数，本文在发帖预测时采用S型函数，S型函数中传递函数f(x)可表示为：$f\left(x\right)=\frac{1}{1+e^{-x}}$或$f\left(x\right)=\frac{e^x+e^{-x}}{e^x-e^{-x}}$人工神经网络的学习也称为训练，指的是神经网络在受到外部环境刺激下调整神经网络的参数，使神经网络以一种新的方式对外部环境做出反映的一个过程，人工神经网络的学习方式可分为有导师学习、无导师学习和再励学习，本系统采用导师学习，也称监督学习；本系统的具体原理和算法采用BP(Back Propagation)算法，BP是一种有导师的学习，BP算法在于利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其它各层的误差估计，人们特将此算法称为误差反向后传算法，简称BP算法，BP神经网络属于前向神经网络类型；数据预处理模块负责选择和清洗的跟踪分析预测系统提供的原始数据，选择发帖预测过程中所需用到字段的数据，通过一些数据预处理的方法清洗数据，填补空缺值，检测调整异常值，合并字段值等，并将处理后的新数据保留到预测数据库；预测分析管理模块是进行发帖预测的管理部分，负责维护预测分析的基础数据，如预测评价指标，样本数据范围等，并将样本数据传递给预测仿真子系统，同时调用来自预测仿真系统已经建好的预测模型，进行智能预测和分析，预测结果在此模块中通过信息发布方式显示；预测建模仿真软件与预测分析管理模块通过J2EE标准编程接口连接，预测建模仿真软件是一个可视化的神经网络建模仿真工具，主要负责神经网络的创建、训练及仿真测试，经反复调整参数，对于经过训练并经测试符合要求的预测模型可以导出。