图书馆数字资源聚合质量预测模型构建——基于改进遗传算法和BP神经网络

摘要：

[目的]针对图书馆数字资源聚合质量评价要求,基于遗传算法对BP神经网络进行改进,进而构建更为优化的图书馆数字资源聚合质量预测模型.[方法]利用遗传算法计算简单、对待求解问题依赖小、并发线程计算速度快等优点,通过广义海明距离定义种群提高种群多样性,进行种群选择、交叉、变异操作,求解初始权重和阈值;将改进的遗传算法引入BP神经网络,通过权重和阈值的不断调整,快速收敛至适应度设定值,最终实现预测结果的进一步优化.[结果]采用MATLAB R2014a平台进行仿真实验,预测结果平均误差2.74E-04,同实际数据误差小,模型精度较高.程序运行总时长18.56秒,且三步就收敛到误差目标,模型收敛速度快,相较单一的遗传算法和BP算法具有更高的预测精度和效率.[局限]样本数据质量有待提高;实验中未采用Train的其他快速训练函数进行训练时间和预测精度对比;种群数量因计算复杂性而受限.[结论]模型能够对图书馆数字资源聚合质量做出高效、客观预测,应用前景和延展性较好,能有效运用于图书馆数字资源聚合质量评价结果检验、大样本评价以及大样本预测领域.

关键词：数字资源、聚合质量、模型构建、遗传算法、BP神经网络

分类号：G25;TP393(图书馆学、图书馆事业)

资助基金：国家自然科学基金项目“语义网络环境下数字资源多维度聚合与可视化研究”项目71273111的研究成果之一

在线出版日期：2018-03-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：49-62