分布式數(shù)據(jù)庫管理系統(tǒng)中的RNN方法*

蔣本天，李英梅

(哈爾濱師范大學)

0 引言

分布式數(shù)據(jù)庫環(huán)境一般包括兩個以上的地理遠程地點.相互聯(lián)系的地點不完全擁有軟硬件，而軟硬件涉及數(shù)據(jù)庫管理及應用.分布式數(shù)據(jù)庫設計的步驟:先進行全局概念設計，進而進行局部概念設計，分布式環(huán)境中局部概念設計對數(shù)據(jù)庫進行分段.分布式設計決策決定如何進行數(shù)據(jù)分段、復制和分配.該文中論述數(shù)據(jù)庫分段步驟，考慮了用輻射函數(shù)神經(jīng)元網(wǎng)絡的非線性算法和能自動檢測最佳分段方法的隨機神經(jīng)元網(wǎng)絡來總結和選擇分段技術.

已經(jīng)開發(fā)了許多數(shù)據(jù)庫分段技術來物理的組織存儲器中數(shù)據(jù).每種技術都先將數(shù)據(jù)分組，然后將這些組分配到物理頁中，這些物理頁可分為六類:水平模塊、組水平模塊、單個垂直分片、物理垂直分片、組垂直分片和混合分片.水平分片用來為一個關系賦值為具有相同屬性的不同元組.單個垂直分片由關系和關鍵屬性貨源組標識一列組成.垂直分片方法對于分布式數(shù)據(jù)庫中數(shù)據(jù)庫的設計和分析極其重要.物理垂直分片方法對固定大小的物理組進行劃分.沒有數(shù)據(jù)庫管理系統(tǒng)使用這種方法.水平分片與垂直分片方法的結合稱之為混合分片方法.

隨機神經(jīng)元網(wǎng)絡是性質相同的神經(jīng)元網(wǎng)絡的一種簡單形式，以概率角度對它的特點進行描述.我們研究的網(wǎng)絡以異步方式運行，并以外部激勵形式接收環(huán)境的影響.用馬爾可夫過程對網(wǎng)絡的操作進行描述，馬爾可夫過程穩(wěn)態(tài)解給出了網(wǎng)絡行為的幾個全局度量.

1 隨機神經(jīng)元網(wǎng)絡方法

神經(jīng)元網(wǎng)絡及它的特殊分支——隨機神經(jīng)元網(wǎng)絡是在1989年定義的，在1990年對其進行了擴展和總結.它的特色十分有趣.因為該模式的信號像傳統(tǒng)網(wǎng)絡結構的電壓尖峰而不是固定的值，它似乎更接近真正的生理物理神經(jīng)元網(wǎng)絡.僅用一個計數(shù)器代表一個神經(jīng)元更容易進行計算.因而硬件上是可實現(xiàn)的.

2 解決數(shù)據(jù)庫分段問題的輻射基函數(shù)網(wǎng)絡和神經(jīng)元網(wǎng)絡方法

Poweu(1985)在解決實多變量插值問題時首先引入了輻射基函數(shù).Broomhead和Lowe在設計神經(jīng)元網(wǎng)絡時，首先使用了輻射基函數(shù).以最基本形式構造輻射基函數(shù)，涉及三個完全不同的層.第一層:由源結點組成的輸出入層，第二層為隱藏層，它的尺寸足夠大.輸出層根據(jù)輸入層的激活向量生成網(wǎng)絡的解.從輸入空間到隱藏單元空間的轉換是非線性的，而從隱藏層到輸出單元空間的轉換是線性的.若使隱藏單元空間的中心部分具有可適應性，則減少隱藏層空間的尺寸是可能的.

2.1 輸入及輸出參數(shù)

我們可以下列參數(shù)作為神經(jīng)元網(wǎng)絡模型的輸入:

(1)存儲關系所需的物理負的負號.

(2)重組織的代價，重組關系的代價(從存儲器中刪除及重載入).

(3)從一個模式中刪除一個條目的代價.(4)向模式中添加一個條目的代價.

(5)訪問條目的代價.即從給定關系的所有記錄中刪除條目的代價.

(6)重選一條記錄的代價.即從給定關系中選擇一條記錄的代價.

(7)向關系中加入一條新記錄的代價.

(8)修改一條記錄的代價.即修改一條給定記錄的某些私有條目的代價.

2.2 輻射基函數(shù)網(wǎng)絡算法

算法1:靜態(tài)培訓模型.為每種分段方法計算學習系數(shù)，進而進行代價分析.學習處理過程之后，用學習系數(shù)為每個輸出入集計算輸出序列.每個輸入集代表一種不同的分段技術.算法1稱為靜態(tài)培訓模型，它包括常值矩陣.

算法2:動態(tài)培訓模型.沒使用糾錯機制.因而算法1有錯誤累積.可用糾錯機制來評價算法2.算法1和算法2都使用了歐氏距離.但算法2包括去掉歐氏距離中的1/0元素的簡單值.算法2根據(jù)常量矩陣自動檢測哪些輸出參數(shù)依賴于輸出入?yún)?shù).對每種分段技術算法2首先使用評估向量W.

2.3隨機神經(jīng)元網(wǎng)絡算法

(1)將這個負值置0，在第k步因這個負值結束循環(huán)，第k+1步將從該值的當前值0開始，按照這個值遵循同樣規(guī)則進行循環(huán)操作.

(2)返回該變量的前一個值，用更小的n值進行循環(huán).

3 輸入神經(jīng)元網(wǎng)絡的培訓數(shù)據(jù)，計算權值常量

一個分布式數(shù)據(jù)庫環(huán)境建立起來了，按照模型，我們先選擇輸入、輸出值，那么神經(jīng)元網(wǎng)絡模型得以培訓.權值常量向量W計算后，數(shù)據(jù)庫分段方法的總體代價值就優(yōu)化了.因而提出的神經(jīng)元網(wǎng)絡模型是獨立于平臺的方法.與分段技術所用的線性法不同，我們正在實現(xiàn)文獻中提到的第一個非線性方法.用這種方法對所獲得的權重的計算很精確，加之提供了與其它分段技術相比較的環(huán)境，人布式數(shù)據(jù)庫系統(tǒng)中數(shù)據(jù)庫的分段與分配所需的庫結構獨立于平臺，最重要的是，它獨立于數(shù)據(jù)庫模式.

每種分段技術對應的神經(jīng)元網(wǎng)絡正在運行，因此用得到的數(shù)據(jù)集來比較分段技術.該模型的另一個優(yōu)點是，找出分段技術的參數(shù)據(jù)庫和輸出值來設計一定數(shù)目的數(shù)據(jù)庫模式之后，將得到與每種技術對應的權值常量和權值向量.得到系統(tǒng)常量之后，在給數(shù)據(jù)庫模式分段的過程中，我們將訪問該數(shù)據(jù)庫并僅從輸入?yún)?shù)和以前指定的權值直接得到輸出值.這是神經(jīng)元網(wǎng)絡的主要特色.

如果很精確地進行系統(tǒng)測試并提供輸入輸出值，神經(jīng)無限制網(wǎng)絡算法將給出有效的總代價級.下一部分將了解到輻射基函數(shù)網(wǎng)絡算法的計算速度很快，但一般來說，單向方法和水平方法的代價級相互重疊，隨機神經(jīng)元網(wǎng)絡的培訓時間和輻射基函數(shù)神經(jīng)元網(wǎng)絡算法2的培訓時間比輻射基函數(shù)神經(jīng)元網(wǎng)絡算法1的培訓時間要長，但它又為分段選擇決策提供了無重疊輸出.

4 神經(jīng)元網(wǎng)絡模型的性能比較

線性方法得不到我們要解決的問題的真正的解.然而當改變參數(shù)時，線性方法不能決定哪種方法是最好的.因而，首先用輻射基函數(shù)神經(jīng)元網(wǎng)絡方法來培訓一個網(wǎng)絡，然后改變參數(shù)來對差別進行跟蹤.針對這種方法，提出了兩個方法:靜態(tài)算法和動態(tài)算法.

靜態(tài)輻射基函數(shù)神經(jīng)元網(wǎng)絡算法認為特定的輸入值與唯一特定的輸出值有聯(lián)系.從而處理時間減少了，并提出了定義所涉及的具有不同特性的動態(tài)算法.但這種方法也存在問題，單向垂直分段方法的列訪問參數(shù)與物理分段方法的更訪問參數(shù)相同.取決于這些問題，我們可以選擇水平分段方法或單向垂直分段方法進行總代價函數(shù)的計算，提出了RNN方法和RBFNN算法來消除這個過載問題.

隨機神經(jīng)元網(wǎng)絡方法和輻射神經(jīng)元網(wǎng)絡方法遵循同樣策略.首先，我們培訓網(wǎng)絡，然后用權值常量來測試輸入并考查結果.這種方法消除了過載的輸出值，因而不用計算總代價函數(shù)我們就能決定哪種分段方法是最好的.

5 結束語

設計分布式數(shù)據(jù)庫系統(tǒng)所要考慮的第一特色是用最小代價把中心數(shù)據(jù)庫劃分為了數(shù)據(jù)庫.以上我們力圖解釋的操作及方法是借助可培訓的神經(jīng)元網(wǎng)絡模型，用權值常量而不是對系統(tǒng)中的所有表和關系進行分段測試，可計算結果.因此，培訓完神經(jīng)元網(wǎng)絡之后確定使用哪種分段技術就變得很簡單了.

［1］ Ceri S，Pelagatti G.Distributed Databases Principles and Systems，McGraw Hill，1986.

［2］ Tamhankar A，Ram M S.Database agmentation and Allocation:An Integrated Methodology and Case Study，IEEE Transactions On Systems，Man，and Cybernetics，1998，28(3):288-305.

［3］ Adem Karahoca.Random Neural Network Approach in Distributed Database Management Systems，2002.