- 相關(guān)推薦
探析基于人工神經(jīng)網(wǎng)絡(luò )的圖書(shū)館服務(wù)質(zhì)量評價(jià)
人工神經(jīng)網(wǎng)絡(luò )(Artificial Neural Networks，簡(jiǎn)寫(xiě)為ANNs)是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò )行為特征，進(jìn)行分布式并行信息處理的算法數學(xué)模型。這種網(wǎng)絡(luò )依靠系統的復雜程度，通過(guò)調整內部大量節點(diǎn)之間相互連接的關(guān)系，從而達到處理信息的目的，并具有自學(xué)習和自適應的能力。
摘要：以環(huán)境、館藏資源、服務(wù)方式和硬件設備等9個(gè)影響圖書(shū)館服務(wù)質(zhì)量的參數作為評價(jià)指標，采用BP神經(jīng)網(wǎng)絡(luò )的相關(guān)理論方法，以問(wèn)卷調查結果作為分析數據的基礎，對江西省內的20所圖書(shū)館的服務(wù)質(zhì)量進(jìn)行了評價(jià)研究。仿真結果表明，采用構建的神經(jīng)網(wǎng)絡(luò )可以快速而準確地對圖書(shū)館服務(wù)質(zhì)量進(jìn)行評價(jià)。
關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò );評價(jià)指標;問(wèn)卷調查;服務(wù)質(zhì)量評價(jià)
引 言
隨著(zhù)我國科學(xué)文化的發(fā)展，各種類(lèi)型的圖書(shū)館正發(fā)揮著(zhù)越來(lái)越大的作用。隨著(zhù)人們的閱讀需要在用戶(hù)體驗要求等各方面的提高，對圖書(shū)館服務(wù)質(zhì)量的要求也越來(lái)越高。而對圖書(shū)館的服務(wù)質(zhì)量進(jìn)行客觀(guān)、準確、高效的評價(jià)是圖書(shū)館優(yōu)化服務(wù)流程、改善服務(wù)質(zhì)量和提高服務(wù)水平的基礎。為此，本文引入了一種全新的評價(jià)體系和方法，即采用BP神經(jīng)網(wǎng)絡(luò )的方法對圖書(shū)館服務(wù)質(zhì)量進(jìn)行評價(jià)，該方法具有操作簡(jiǎn)便，評價(jià)快速準確的特點(diǎn)。
一、評價(jià)指標的確定
1.1 指標參考
為了更好的對圖書(shū)館的服務(wù)質(zhì)量進(jìn)行評價(jià)，本文參考《圖書(shū)館評估指標標準與管理規范指導手冊》和ISO11620等標準化文件構建圖書(shū)館服務(wù)質(zhì)量評價(jià)體系。該體系一共包括了對圖書(shū)館服務(wù)質(zhì)量影響較為顯著(zhù)的9個(gè)因素作為評價(jià)的參考指標：即館藏紙質(zhì)資源(X1)、環(huán)境(X2)、服務(wù)人員(X3)、服務(wù)方式(X4)、硬件設備(X5)、軟件設備(X6)、數字資源(X7)、個(gè)性化服務(wù)(X8)、服務(wù)結果(X9)�；谶@9組評價(jià)指標，利用BP神經(jīng)網(wǎng)絡(luò )的分類(lèi)評價(jià)能力，本文建立了基于BP神經(jīng)網(wǎng)絡(luò )的圖書(shū)館服務(wù)質(zhì)量評價(jià)模型。
為了更好地描述樣本圖書(shū)館的服務(wù)質(zhì)量，本文針對服務(wù)質(zhì)量的評價(jià)特性和評價(jià)指標的選取特點(diǎn)將服務(wù)水平分為5個(gè)等級并對其賦予相應的分數：優(yōu)(5分)、良(4分)、中(3分)、差(2分)、非常差(1分)。
1.2 數據來(lái)源
本文采用問(wèn)卷調查的方式對江西省的20所圖書(shū)館的服務(wù)質(zhì)量進(jìn)行調查，共發(fā)出300份問(wèn)卷，回收287份，其中有效問(wèn)卷276份，問(wèn)卷有效率為92%。對問(wèn)卷進(jìn)行統計，計算出每所圖書(shū)館的各項評價(jià)指標對應的分數，并利用參考文獻的權值計算方式計算出每個(gè)圖書(shū)館的服務(wù)評價(jià)水平，如表1所示。
二、BP神經(jīng)網(wǎng)絡(luò )
2.1 BP神經(jīng)網(wǎng)絡(luò )的原理
BP神經(jīng)網(wǎng)絡(luò )是一種前饋型誤差修正的人工神經(jīng)網(wǎng)絡(luò )，它通過(guò)不斷調整各個(gè)單元層之間的網(wǎng)絡(luò )權值和閾值實(shí)現網(wǎng)絡(luò )的訓練。BP神經(jīng)網(wǎng)絡(luò )主要運行由信號的正向傳播和誤差的逆向傳播兩個(gè)過(guò)程組成，通過(guò)不斷地權重調整，可以實(shí)現網(wǎng)絡(luò )誤差的不斷縮小。
2.2 神經(jīng)網(wǎng)絡(luò )模型的建立
本文采用含一個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò )結構進(jìn)行分析，由于輸入單元的數目為9，輸出單元均為1，根據經(jīng)驗公式可選隱含層單元數為1～10之間的整數，采用試湊法得到隱含層神經(jīng)元與均方平均值(MSE)的曲線(xiàn)關(guān)系，如圖1所示。其中隱層神經(jīng)元數目為9時(shí)，得到的MSE值最小為6，所以確定的隱含層神經(jīng)元數為9。
本文構建的BP神經(jīng)網(wǎng)絡(luò )的結構如圖2所示。
2.3 BP神經(jīng)網(wǎng)絡(luò )模型的訓練
選取表1中的15組數據在Matlab中對神經(jīng)網(wǎng)絡(luò )進(jìn)行訓練，其中期望誤差設為10-5。訓練過(guò)程中，BP神經(jīng)網(wǎng)絡(luò )誤差的變化形式如圖3所示。
由圖3可知，當訓練經(jīng)過(guò)84次迭代后達到了滿(mǎn)意的誤差期望。
2.4 結果對比
利用表1中剩余的5個(gè)樣本對訓練出的神經(jīng)網(wǎng)絡(luò )進(jìn)行測試實(shí)驗，并將結果與通過(guò)權值計算的結果進(jìn)行比較，如表3所示。
由表3可以看到，經(jīng)過(guò)訓練后的BP神經(jīng)網(wǎng)絡(luò )可以很好地對圖書(shū)館的服務(wù)質(zhì)量進(jìn)行評價(jià)分析，且分析結果的精度較高。
三、結語(yǔ)
本文通過(guò)在圖書(shū)館的服務(wù)質(zhì)量分析中引入人工神經(jīng)網(wǎng)絡(luò )的相關(guān)理論和方法，對通過(guò)問(wèn)卷調查法收集的樣本進(jìn)行訓練和分析。試驗結果表明，本文構建的三層神經(jīng)網(wǎng)絡(luò )模型可以很好地判斷出不同圖書(shū)館的不同服務(wù)質(zhì)量水平，采用此方法可以大大提高對圖書(shū)館服務(wù)質(zhì)量的評價(jià)效率。
參考文獻：
[1] 孫飛.精通Matlab神經(jīng)網(wǎng)絡(luò )[M].北京：中國計算機工業(yè)出版社，2014.
[2] 劉洋.神經(jīng)網(wǎng)絡(luò )技術(shù)在高校教學(xué)水平評價(jià)中的應用[J].教育與教學(xué)，2015(1)：122-128.
[3] 陳慶梅.圖書(shū)館讀者滿(mǎn)意度模型的建立[J].大學(xué)圖書(shū)情報學(xué)刊，2006，24(6)：73-75.
[4] 周瑛，劉天嬌.基于神經(jīng)網(wǎng)絡(luò )的高校圖書(shū)館知識服務(wù)評價(jià)體系研究[J].情報理論與實(shí)踐，2013，36(2)：55-59.
[5] 陳瑾，劉樂(lè ).基于CMAC神經(jīng)網(wǎng)絡(luò )的網(wǎng)絡(luò )控制系統模糊PD控制[J].物聯(lián)網(wǎng)技術(shù)，2015，5(2)：46-49.
[6] 尤勝.基于異構技術(shù)的數字圖書(shū)館信息統計平臺[J].現代電子技術(shù)，2016，39(7)：167-170.
【探析基于人工神經(jīng)網(wǎng)絡(luò )的圖書(shū)館服務(wù)質(zhì)量評價(jià)】相關(guān)文章：
基于LMBP神經(jīng)網(wǎng)絡(luò )的聲納圖像識別03-07
基于模糊綜合評判的圖書(shū)館讀者滿(mǎn)意度評價(jià)03-07
基于802.16d的服務(wù)質(zhì)量架構03-07
探析基于電子商務(wù)的組織創(chuàng )新11-15
基于粗集的神經(jīng)網(wǎng)絡(luò )的項目風(fēng)險評估02-27
基于神經(jīng)網(wǎng)絡(luò )的車(chē)輛動(dòng)力學(xué)分析11-22
基于GIS和神經(jīng)網(wǎng)絡(luò )的超市選址方法研究11-22
基于神經(jīng)網(wǎng)絡(luò )ZISC的模式識別系統03-18