樊紅珍

摘要：通過對云存儲數(shù)據(jù)庫查詢過程的原理進行研究，該文提出的基于神經(jīng)網(wǎng)絡的數(shù)據(jù)庫優(yōu)化查詢方法主要通過對云存儲數(shù)據(jù)的關鍵詞進行相似度對比，利用神經(jīng)網(wǎng)絡算法對查詢數(shù)據(jù)樣本進行記憶訓練，通過對查詢關鍵字進行數(shù)據(jù)匹配，最終實現(xiàn)數(shù)據(jù)的準確查詢。為了測試該文設計的基于神經(jīng)網(wǎng)絡的數(shù)據(jù)庫優(yōu)化查詢方法的可行性及準確性能，作者在完成了模型構建后，Matlab軟件中構建實驗場景，模擬數(shù)據(jù)庫檢索過程，完成了對查詢方法進行測試驗證。仿真結果表明，該文提出的基于神經(jīng)網(wǎng)絡的數(shù)據(jù)庫優(yōu)化查詢方法的準確率高達99.3%，具有較高的檢索精度及穩(wěn)定性。

關鍵字：BP神經(jīng)網(wǎng)絡； 數(shù)據(jù)庫； 查詢；準確度

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2017）04-0001-03

神經(jīng)網(wǎng)絡系統(tǒng)是根據(jù)人體神經(jīng)系統(tǒng)的基本原理構建的，其在一定程度上實現(xiàn)了記憶和訓練過程[1-2]。此項功能體現(xiàn)了神經(jīng)網(wǎng)絡與傳統(tǒng)計算機算法存在的根本差異，其具備在線學習、自調(diào)節(jié)以及自適應性，同時具備信息的分布式信息存儲特性。正是由于神經(jīng)網(wǎng)絡的學習特性，使其在聯(lián)想記憶、數(shù)據(jù)非線性映射、在線學習模型構建、數(shù)據(jù)信息分類與識別等領域具有了廣泛的應用空間。

在云數(shù)據(jù)應用時代，存儲系統(tǒng)的應用領域及使用者的范圍不斷擴大[6]，用戶呈指數(shù)倍的增長使得數(shù)據(jù)的存儲容量不斷增長，用戶訪問數(shù)據(jù)庫的頻繁程度也將持續(xù)增加，這對存儲系統(tǒng)數(shù)據(jù)庫訪問的吞吐量性能提出了更高的要求，也對數(shù)據(jù)查詢的效率得出了更加嚴格的標準。

本文提出的基于神經(jīng)網(wǎng)絡的數(shù)據(jù)庫優(yōu)化查詢方法主要通過對云存儲數(shù)據(jù)的關鍵詞進行相似度對比，利用神經(jīng)網(wǎng)絡算法對查詢數(shù)據(jù)樣本進行記憶訓練，通過對查詢關鍵字進行數(shù)據(jù)匹配，最終實現(xiàn)數(shù)據(jù)的準確查詢。為了測試本文設計的基于神經(jīng)網(wǎng)絡的數(shù)據(jù)庫優(yōu)化查詢方法的可行性及準確性能，作者在完成了模型構建后，Matlab軟件中構建實驗場景，模擬數(shù)據(jù)庫檢索過程，完成了對查詢方法進行測試驗證。

1 神經(jīng)網(wǎng)絡模型的建立

1.1 BP神經(jīng)網(wǎng)絡處理單元模型

為了不失一般性，選取BP神經(jīng)網(wǎng)絡的任意兩層介紹其處理單元的數(shù)學模型。BP神經(jīng)網(wǎng)絡處理單元的結果如圖1所示，其中，L1層的[n]個神經(jīng)元和L2層的[p]個神經(jīng)元進行全連接，定義連接權向量為[W={wij}，i=1，2，…，n，j=1，2，…，p]；L1層的[n]個神經(jīng)元的輸出作為L2層各神經(jīng)元的輸入列向量[X=（x1，…，xi，…，xn）T]，L2層各個神經(jīng)元的閾值設置為[θj，j=1，2，…，p]，因此，L2層各神經(jīng)元接收的輸入加權和如下式所示[3-4]：

L2層各神經(jīng)元的輸出結果利用轉(zhuǎn)移函數(shù)進行計算。一般情況下，BP神經(jīng)網(wǎng)絡將Sigmoid函數(shù)作為轉(zhuǎn)移函數(shù)。Sigmoid函數(shù)的數(shù)學表達式為：

因此，L2層各個處理單元的輸出為：

由于Sigmoid函數(shù)的輸出類似于本文設計的神經(jīng)網(wǎng)絡的信號輸出形式，本文設計的模型采用Sigmoid函數(shù)作為系統(tǒng)的轉(zhuǎn)移函數(shù)，其能夠準確描述數(shù)據(jù)檢索過程中的非線性特性水平[5-6]。

1.2 BP神經(jīng)網(wǎng)絡學習算法

本文的無線通信選擇機制采用三層BP神經(jīng)網(wǎng)絡結果，具體學習算法如下所述：

輸入模式向量設為[Xk=（x1k，…，xik，…，xnk）T]，[k=1，2，…，m]，其中[m]表示樣本模式對個數(shù)，[n]表示輸入層神經(jīng)元數(shù)量；輸入模式對應的期望輸出向量為[Yk=（y1k，…，yik，…，yqk）T]，隱含層神經(jīng)元的凈輸入向量設置為[Sk=（s1k，…，sik，…，spk）T]，輸出向量設置為[Bk=（b1k，…，bik，…，bpk）T]，[q]表示輸出層單元數(shù)量，[p]表示隱含層單元個數(shù)；輸出層神經(jīng)元凈輸入向量設置為[Lk=（l1k，…，lik，…，lqk）T]，實際輸出向量設置為[Ck=（c1k，…，cik，…，cqk）T]；輸入層神經(jīng)元至隱含層神經(jīng)元的連接權值設置為[W={wij}]，其中，[i=1，2，…，n，j=1，2，…，p]隱含層至輸出層的連接權值設置為[V={vjt}]，隱含層神經(jīng)元的閾值設置為[θ={θj}，j=1，2，…，p]，輸出層各神經(jīng)元的閾值設置為[γ={γt}，t=1，2，…，q]。

（1）初始化操作。將連接權值矩陣[W]、[V]及閾值[θ]、[γ]在[[-1，+1]]區(qū)間內(nèi)進行隨機取值。

（2）隨機從訓練集合中選取一個學習模式對[（Xk，Yk）]作為BP神經(jīng)網(wǎng)絡的輸入。

（3）輸入層的輸出的計算。輸入層的各神經(jīng)元不對輸入模式進行任何處理，而是直接將接收到的數(shù)據(jù)關鍵詞直接輸出到隱含層各神經(jīng)元，不做任何的數(shù)據(jù)處理。

（4）根據(jù)下式求得隱含層各處理單元的凈輸入和凈輸出：

（5）根據(jù)下式求得各輸出層神經(jīng)元的凈輸入和實際輸出：

（6）根據(jù)設定的期望輸出，通過下式求得各輸出層神經(jīng)元的校正誤差[dkt]，

（7）根據(jù)下式得出隱含層各神經(jīng)處理單元的校正誤差[ekj]，

（8）根據(jù)下式調(diào)整隱含層至輸出層的連接權值[V]和輸出層神經(jīng)元閾值[γ]， [α]表示學習速率，[0<α<1]，

（9）根據(jù)下式調(diào)整輸入層至隱含層神經(jīng)元的連接權值[W]和輸出層神經(jīng)元閾值[θ]， [β]表示學習速率，[0<β<1]，

（10）為BP神經(jīng)網(wǎng)絡隨機輸入下一個學習模式對，返回（3）處，直至訓練完成[m]個學習模式對。

（11）對系統(tǒng)的全局誤差[E]進行判斷，查看其是否滿足神經(jīng)網(wǎng)絡設定的精度需求。如果 [E≤ε]，這說明滿足結束條件，結束學習過程，如果未滿足，則繼續(xù)學習。

（12）更新神經(jīng)網(wǎng)絡學習次數(shù)，如果未達到設定的學習次數(shù)，則返回Step2。

（13）BP神經(jīng)網(wǎng)絡學習過程結束。

在整個神經(jīng)網(wǎng)絡的學習階段中，分別涵蓋了輸入模式的“順傳播過程”，全局誤差的“逆?zhèn)鞑ミ^程”以及“學習記憶訓練”過程，（11）至（12）表示是收斂過程。全局誤差[E]的理想學習曲線如圖2所示。

為了減小震蕩，加快網(wǎng)絡的記憶訓練速度，作者在對連接權值進行調(diào)整時，在改變量基礎上添加一定比例的權值改變值，稱之為動量項。則附加動量項的連接權值調(diào)整方法如下式所示：

式中，[ηΔwij（n-1）]代表動量項，其中[n]為學習次數(shù)，[η]作為動量系數(shù)，[0<η<1]。

加入動量項的本質(zhì)目的是使控制學習過程的學習速率[β]不僅僅是一個固定值，而是能夠持續(xù)變化的。在引入動量項后，網(wǎng)絡總是試圖使連接權值的調(diào)整按照相同方向進行，即使前后兩次連接權值的調(diào)整值方向相反，也能夠降低震蕩趨勢，加快學習記憶速度，以及網(wǎng)絡收斂速度[7]。

通常來說，動量系數(shù)的取值不宜過大。若動量系數(shù)過大，動量項所占比例過重，則本次誤差修正項的作用會不太明顯，以致完全沒有作用，反而會減慢收斂速度，甚至導致整個網(wǎng)絡震蕩。一般情況下，動量系數(shù)的最大值在0.9作用，本文取值為0.6。

2 數(shù)據(jù)庫查詢方法測試

為了測試本文設計的基于神經(jīng)網(wǎng)絡的數(shù)據(jù)庫優(yōu)化查詢方法的可行性及準確性能，作者在完成了模型構建后，Matlab軟件中構建實驗場景，模擬數(shù)據(jù)庫檢索過程，完成了對查詢方法進行測試驗證。數(shù)據(jù)庫查詢學習樣本使用的是加州大學標準數(shù)據(jù)集，通過選擇中度數(shù)據(jù)規(guī)模的樣本空間進行設計網(wǎng)絡的學習訓練，主要訓練搜索關鍵字與查詢結果直接的對應關系，并進行存儲記憶。通過不同查詢次數(shù)的響應延時進行統(tǒng)計分析，與未使用任何算法的隨機檢索方法的搜索結果進行對比分析。數(shù)據(jù)檢索實驗對比結果如圖3所示。

從數(shù)據(jù)檢索對比結果得知，當?shù)螖?shù)達到200次時，本文提出的基于神經(jīng)網(wǎng)絡算法的數(shù)據(jù)庫查詢方法滿足收斂條件[f（x）≤e-10]，此時可視為系統(tǒng)以及查詢到最優(yōu)數(shù)據(jù)結果。同時，較隨機數(shù)據(jù)庫檢索方法，本設計的優(yōu)化方法在響應延時方面平均降低了34.7%，同時搜索查詢準確率高達99.3%。

3 總結

神經(jīng)網(wǎng)絡在聯(lián)想記憶、數(shù)據(jù)非線性映射、在線學習模型構建、數(shù)據(jù)信息分類與識別等領域具有了廣泛的應用空間。通過對云存儲數(shù)據(jù)庫查詢過程的原理進行研究，本文提出的基于神經(jīng)網(wǎng)絡的數(shù)據(jù)庫優(yōu)化查詢方法主要通過對云存儲數(shù)據(jù)的關鍵詞進行相似度對比，利用神經(jīng)網(wǎng)絡算法對查詢數(shù)據(jù)樣本進行記憶訓練，通過對查詢關鍵字進行數(shù)據(jù)匹配，最終實現(xiàn)數(shù)據(jù)的準確查詢。為了測試本文設計的基于神經(jīng)網(wǎng)絡的數(shù)據(jù)庫優(yōu)化查詢方法的可行性及準確性能，作者在完成了模型構建后，Matlab軟件中構建實驗場景，模擬數(shù)據(jù)庫檢索過程，完成了對查詢方法進行測試驗證。仿真結果表明，本文提出的基于神經(jīng)網(wǎng)絡的數(shù)據(jù)庫優(yōu)化查詢方法的準確率高達98.3%，具有較高的檢索精度及穩(wěn)定性。

參考文獻：

[1] 李中志.基于改進BP神經(jīng)網(wǎng)絡的水位流量關系擬合[J].中國農(nóng)村水利水電， 2008（10）：30-32.

[2] 任雯，胥布工.基于標準神經(jīng)網(wǎng)絡模型的非線性系統(tǒng)分布式無線網(wǎng)絡化控制[J]. 控制與決策， 2015，30（4）：691-697.

[3] 余開華.小波神經(jīng)網(wǎng)絡模型在河道流量水位預測中的應用[J].水資源與水工程學報， 2013， 24（2）：204-208.

[4] 潘道宏.RBF神經(jīng)網(wǎng)絡模型擬合電力抽水站水位流量關系研究[J].水利科技與經(jīng)濟， 2010，16（3）：300-301.

[5] 孔玉靜，侯鑫，華爾天等.基于BP神經(jīng)網(wǎng)絡的無線傳感器網(wǎng)絡路由協(xié)議的研究[J].傳感技術學報， 2013， 26（2）：246-251.

[6] 田曉青，劉松良.基于人工神經(jīng)網(wǎng)絡的過閘流量軟測量研究[J].電子產(chǎn)品世界， 2013（10）：43-45.

[7] Poirazi P， Brannon T， Mel B W. Pyramidal Neuron as Two-Layer Neural Network [J]. Neuron， 2003， 37（6）：989-999.

[8] Wong W K，Yuen C W M， Fan D D，et al. Stitching defect detection and classification using wavelet transform and BP neural network[J]. Expert Systems with Applications， 2009， 36（2）：3845-3856.