基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)庫優(yōu)化查詢方法研究

樊紅珍

摘要：通過對云存儲數(shù)據(jù)庫查詢過程的原理進(jìn)行研究，該文提出的基于神經(jīng)網(wǎng)絡(luò)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(guān)鍵詞進(jìn)行相似度對比，利用神經(jīng)網(wǎng)絡(luò)算法對查詢數(shù)據(jù)樣本進(jìn)行記憶訓(xùn)練，通過對查詢關(guān)鍵字進(jìn)行數(shù)據(jù)匹配，最終實現(xiàn)數(shù)據(jù)的準(zhǔn)確查詢。為了測試該文設(shè)計的基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)庫優(yōu)化查詢方法的可行性及準(zhǔn)確性能，作者在完成了模型構(gòu)建后，Matlab軟件中構(gòu)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(jìn)行測試驗證。仿真結(jié)果表明，該文提出的基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)庫優(yōu)化查詢方法的準(zhǔn)確率高達(dá)99.3%，具有較高的檢索精度及穩(wěn)定性。

關(guān)鍵字：BP神經(jīng)網(wǎng)絡(luò)； 數(shù)據(jù)庫； 查詢；準(zhǔn)確度

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

神經(jīng)網(wǎng)絡(luò)系統(tǒng)是根據(jù)人體神經(jīng)系統(tǒng)的基本原理構(gòu)建的，其在一定程度上實現(xiàn)了記憶和訓(xùn)練過程[1-2]。此項功能體現(xiàn)了神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)計算機(jī)算法存在的根本差異，其具備在線學(xué)習(xí)、自調(diào)節(jié)以及自適應(yīng)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(luò)的學(xué)習(xí)特性，使其在聯(lián)想記憶、數(shù)據(jù)非線性映射、在線學(xué)習(xí)模型構(gòu)建、數(shù)據(jù)信息分類與識別等領(lǐng)域具有了廣泛的應(yīng)用空間。

在云數(shù)據(jù)應(yīng)用時代，存儲系統(tǒng)的應(yīng)用領(lǐng)域及使用者的范圍不斷擴(kuò)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(yán)格的標(biāo)準(zhǔn)。

本文提出的基于神經(jīng)網(wǎng)絡(luò)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(guān)鍵詞進(jìn)行相似度對比，利用神經(jīng)網(wǎng)絡(luò)算法對查詢數(shù)據(jù)樣本進(jìn)行記憶訓(xùn)練，通過對查詢關(guān)鍵字進(jìn)行數(shù)據(jù)匹配，最終實現(xiàn)數(shù)據(jù)的準(zhǔn)確查詢。為了測試本文設(shè)計的基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)庫優(yōu)化查詢方法的可行性及準(zhǔn)確性能，作者在完成了模型構(gòu)建后，Matlab軟件中構(gòu)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(jìn)行測試驗證。

1 神經(jīng)網(wǎng)絡(luò)模型的建立

1.1 BP神經(jīng)網(wǎng)絡(luò)處理單元模型

為了不失一般性，選取BP神經(jīng)網(wǎng)絡(luò)的任意兩層介紹其處理單元的數(shù)學(xué)模型。BP神經(jīng)網(wǎng)絡(luò)處理單元的結(jié)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(jìn)行全連接，定義連接權(quán)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(shè)置為[θj，j=1，2，…，p]，因此，L2層各神經(jīng)元接收的輸入加權(quán)和如下式所示[3-4]：

L2層各神經(jīng)元的輸出結(jié)果利用轉(zhuǎn)移函數(shù)進(jìn)行計算。一般情況下，BP神經(jīng)網(wǎng)絡(luò)將Sigmoid函數(shù)作為轉(zhuǎn)移函數(shù)。Sigmoid函數(shù)的數(shù)學(xué)表達(dá)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(shè)計的神經(jīng)網(wǎng)絡(luò)的信號輸出形式，本文設(shè)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(zhǔn)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(luò)學(xué)習(xí)算法

本文的無線通信選擇機(jī)制采用三層BP神經(jīng)網(wǎng)絡(luò)結(jié)果，具體學(xué)習(xí)算法如下所述：

輸入模式向量設(shè)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(yīng)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(shè)置為[Sk=（s1k，…，sik，…，spk）T]，輸出向量設(shè)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(shè)置為[Lk=（l1k，…，lik，…，lqk）T]，實際輸出向量設(shè)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(quán)值設(shè)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(quán)值設(shè)置為[V={vjt}]，隱含層神經(jīng)元的閾值設(shè)置為[θ={θj}，j=1，2，…，p]，輸出層各神經(jīng)元的閾值設(shè)置為[γ={γt}，t=1，2，…，q]。

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

（2）隨機(jī)從訓(xùn)練集合中選取一個學(xué)習(xí)模式對[（Xk，Yk）]作為BP神經(jīng)網(wǎng)絡(luò)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(jìn)行任何處理，而是直接將接收到的數(shù)據(jù)關(guān)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(shè)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(quán)值[V]和輸出層神經(jīng)元閾值[γ]， [α]表示學(xué)習(xí)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(quán)值[W]和輸出層神經(jīng)元閾值[θ]， [β]表示學(xué)習(xí)速率，[0<β<1]，

（10）為BP神經(jīng)網(wǎng)絡(luò)隨機(jī)輸入下一個學(xué)習(xí)模式對，返回（3）處，直至訓(xùn)練完成[m]個學(xué)習(xí)模式對。

（11）對系統(tǒng)的全局誤差[E]進(jìn)行判斷，查看其是否滿足神經(jīng)網(wǎng)絡(luò)設(shè)定的精度需求。如果 [E≤ε]，這說明滿足結(jié)束條件，結(jié)束學(xué)習(xí)過程，如果未滿足，則繼續(xù)學(xué)習(xí)。

（12）更新神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)次數(shù)，如果未達(dá)到設(shè)定的學(xué)習(xí)次數(shù)，則返回Step2。

（13）BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程結(jié)束。

在整個神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)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(xué)習(xí)記憶訓(xùn)練”過程，（11）至（12）表示是收斂過程。全局誤差[E]的理想學(xué)習(xí)曲線如圖2所示。

為了減小震蕩，加快網(wǎng)絡(luò)的記憶訓(xùn)練速度，作者在對連接權(quán)值進(jìn)行調(diào)整時，在改變量基礎(chǔ)上添加一定比例的權(quán)值改變值，稱之為動量項。則附加動量項的連接權(quán)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(xué)習(xí)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(xué)習(xí)過程的學(xué)習(xí)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(luò)總是試圖使連接權(quán)值的調(diào)整按照相同方向進(jìn)行，即使前后兩次連接權(quán)值的調(diào)整值方向相反，也能夠降低震蕩趨勢，加快學(xué)習(xí)記憶速度，以及網(wǎng)絡(luò)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(dǎo)致整個網(wǎng)絡(luò)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(shè)計的基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)庫優(yōu)化查詢方法的可行性及準(zhǔn)確性能，作者在完成了模型構(gòu)建后，Matlab軟件中構(gòu)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(jìn)行測試驗證。數(shù)據(jù)庫查詢學(xué)習(xí)樣本使用的是加州大學(xué)標(biāo)準(zhǔn)數(shù)據(jù)集，通過選擇中度數(shù)據(jù)規(guī)模的樣本空間進(jìn)行設(shè)計網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練，主要訓(xùn)練搜索關(guān)鍵字與查詢結(jié)果直接的對應(yīng)關(guān)系，并進(jìn)行存儲記憶。通過不同查詢次數(shù)的響應(yīng)延時進(jìn)行統(tǒng)計分析，與未使用任何算法的隨機(jī)檢索方法的搜索結(jié)果進(jìn)行對比分析。數(shù)據(jù)檢索實驗對比結(jié)果如圖3所示。

從數(shù)據(jù)檢索對比結(jié)果得知，當(dāng)?shù)螖?shù)達(dá)到200次時，本文提出的基于神經(jīng)網(wǎng)絡(luò)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(jié)果。同時，較隨機(jī)數(shù)據(jù)庫檢索方法，本設(shè)計的優(yōu)化方法在響應(yīng)延時方面平均降低了34.7%，同時搜索查詢準(zhǔn)確率高達(dá)99.3%。

3 總結(jié)

神經(jīng)網(wǎng)絡(luò)在聯(lián)想記憶、數(shù)據(jù)非線性映射、在線學(xué)習(xí)模型構(gòu)建、數(shù)據(jù)信息分類與識別等領(lǐng)域具有了廣泛的應(yīng)用空間。通過對云存儲數(shù)據(jù)庫查詢過程的原理進(jìn)行研究，本文提出的基于神經(jīng)網(wǎng)絡(luò)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(guān)鍵詞進(jìn)行相似度對比，利用神經(jīng)網(wǎng)絡(luò)算法對查詢數(shù)據(jù)樣本進(jìn)行記憶訓(xùn)練，通過對查詢關(guān)鍵字進(jìn)行數(shù)據(jù)匹配，最終實現(xiàn)數(shù)據(jù)的準(zhǔn)確查詢。為了測試本文設(shè)計的基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)庫優(yōu)化查詢方法的可行性及準(zhǔn)確性能，作者在完成了模型構(gòu)建后，Matlab軟件中構(gòu)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(jìn)行測試驗證。仿真結(jié)果表明，本文提出的基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)庫優(yōu)化查詢方法的準(zhǔn)確率高達(dá)98.3%，具有較高的檢索精度及穩(wěn)定性。

參考文獻(xiàn)：

[1] 李中志.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的水位流量關(guān)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(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)模型的非線性系統(tǒng)分布式無線網(wǎng)絡(luò)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(luò)模型在河道流量水位預(yù)測中的應(yīng)用[J].水資源與水工程學(xué)報， 2013， 24（2）：204-208.

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

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

[6] 田曉青，劉松良.基于人工神經(jīng)網(wǎng)絡(luò)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.