论文部分内容阅读
摘 要：教学资源网络共享平台的检索需要高效、准确的算法来进行优化，该文尝试运用当前大量应用于计算机预测检索方面的BP神经网络算法这一技术手段来对教学资源网络共享平台的检索进行优化，以达到提高教学资源网络共享平台的用户体验这一目的。
关键词：教学资源网络共享平台 BP神经网络 资源检索 优化算法
中图分类号：G642 文献标识码：A 文章编号：1672-3791（2015）05（b）-0149-01
在信息化大潮的今天，高校教学资源已步入了数字化信息化时代网络化的时代。在教育部的主导下现在各大高校已经建设起了上万门的精品课程；现在又大力开展精品资源共享课的建设，计划在“十二五”期间支持建设5000门国家级精品资源共享课。如此多的优质教学资源就意味着必须有一个优质高效的教学资源网络共享平台才能发挥这些资源最大的教学效能。其中这种类型的平台要解决的第一个问题就是资源检索的优化问题，以期解决在大规模访问时支撑教学资源网络共享平台的服务器能同时对多个使用者快速准确的完成检索并返回检索的结果。
为什么我们把优化检索效率放在首要解决的问题上呢？我们对教学资源网络共享平台的使用对广西中医药大学的大三学生进行了相关问卷调查。其中一项的的调查为在什么情况下会放弃使用该平台，四个选项中检索速度慢和检索结果不精确这两个选项分别占据了38%和32%。由此可以得出结论：在现在的现实应用中我们已经有了很多优质的教学视频资源，由此对于一个教学资源网络共享平台而言现在最为重要的就是要解决检索的速度、效率、和准确度的问题了。因此我们把对高校优质教学资源网络共享平台的信息检索的优化作为首要解决的问题。
神经网络的基本特征在数据检索上的应用具有以下四点。
（1）非线性：非线性现象大量的存在于现实世界中。大脑的神经网络活动就是属于这种现象。神经网络的基本单元神经元一般具有两种形态：激活或关闭，在数学上该行为表现为一种离散特性而教学资源网络共享平台信息检索所产生的指令数据就是典型的离散信息。这些神经元在一定的闽值控制下进行激活或关闭，由此它们所构成的网络具有更好的容错性。
（2）非局限性：由网络化结构来组成的大量神经元网络可以模拟出大脑的非局限性，这种局限性可以限制对整个系统的无限制遍历，可以更精确的先行定位搜索的范围。单个神经元的特性并不能决定一个系统的整体行为，而神经元之间的相互作用、相互连接却能够决定一个系统的整体行为。
（3）非常定性：在处理检索信息的时候，如果引用神经网络，其本身具有自适应、自组织自学习能力，可以使其处理各种变化的输入信息，且在处理信息的同时，非线性动力系统也通过迭代过程不断的变化，就可以适应一段时间内检索内容的变化多寡而改变针对某个检索内容的检索效率。
（4）非凸性：由于非凸性可以让检索信息在神经网络中拥有自组织学习的过程，可以达到多个较稳定的平衡状态，这可以解释为数学原理，某个特定的状态函数在一定的条件下将会决定一个系统所进化的方向。例如检索变量函数的极值对应于系统的结果输出的稳定状态。而非凸性指的是该检索变量函数可以达到的多个极值，所以系统有多个稳定的检索结果，因此这就使系统检索结果具有变化的多样性。神经网络算法有多重类型由于检索的信息需要有反馈所以该文使用有反馈的前向网络即BP神经网络。
神经网络一般是输入层检索目标对输出层的检索结果有反馈信息，使得输出层输出相应的检索结果，而这种类型的网络中对输入层存在反馈信息，用于存储某种模式序列，典型的神经认知机和回归BP网络就属于这种网络类型。
（1）在多级的神经网络中，同级的神经元节点是独立的，它们之间没有联系。
（2）通过相互的权值各级层神经元之间互联，前一层的输入要查询的检索信息是后一层的输出结果。
（3）检索信息从前一层逐层向后一层传递，并没有反向连接信号。
在该文中作为实际输出，通过对上述公式的计算就可以不断的检索出实际的检索目标对应的字段标志参数，完成分类、模式识别或者函数逼近和模拟的任务，最终不断的逼近最优化的值，形成最快捷的检索通路。通过上述方法我们可以BP算法在检索信息时的训练过程总结（如图1所示）。
通过上述内容可以初步得到高校优质教学资源网络共享平台信息检索的优化采用BP神经网络算法是可行的，在检索优化的过程中在检索效率和准确度上由于神经网络具有的自我学习能力使之具备较好的检索性能。
參考文献
[1] 陈国良.并行算法的设计与分析[M].北京：高等教育出版社，2005：76-80.
[2] 蒋宗礼.人工神经网络导论[M].北京：高等教育出版社，2005：34-78.
[3] 文继军，王珊.SEEKER：基于关键词的关系数据库信息检索[J].软件学报，2005，16（7）：1270-1281.
[4] 肖科.基于BP神经网络的Web服务选择算法[D].北京：北京邮电大学，2014：15-20.
关键词：教学资源网络共享平台 BP神经网络 资源检索 优化算法
中图分类号：G642 文献标识码：A 文章编号：1672-3791（2015）05（b）-0149-01
在信息化大潮的今天，高校教学资源已步入了数字化信息化时代网络化的时代。在教育部的主导下现在各大高校已经建设起了上万门的精品课程；现在又大力开展精品资源共享课的建设，计划在“十二五”期间支持建设5000门国家级精品资源共享课。如此多的优质教学资源就意味着必须有一个优质高效的教学资源网络共享平台才能发挥这些资源最大的教学效能。其中这种类型的平台要解决的第一个问题就是资源检索的优化问题，以期解决在大规模访问时支撑教学资源网络共享平台的服务器能同时对多个使用者快速准确的完成检索并返回检索的结果。
为什么我们把优化检索效率放在首要解决的问题上呢？我们对教学资源网络共享平台的使用对广西中医药大学的大三学生进行了相关问卷调查。其中一项的的调查为在什么情况下会放弃使用该平台，四个选项中检索速度慢和检索结果不精确这两个选项分别占据了38%和32%。由此可以得出结论：在现在的现实应用中我们已经有了很多优质的教学视频资源，由此对于一个教学资源网络共享平台而言现在最为重要的就是要解决检索的速度、效率、和准确度的问题了。因此我们把对高校优质教学资源网络共享平台的信息检索的优化作为首要解决的问题。
神经网络的基本特征在数据检索上的应用具有以下四点。
（1）非线性：非线性现象大量的存在于现实世界中。大脑的神经网络活动就是属于这种现象。神经网络的基本单元神经元一般具有两种形态：激活或关闭，在数学上该行为表现为一种离散特性而教学资源网络共享平台信息检索所产生的指令数据就是典型的离散信息。这些神经元在一定的闽值控制下进行激活或关闭，由此它们所构成的网络具有更好的容错性。
（2）非局限性：由网络化结构来组成的大量神经元网络可以模拟出大脑的非局限性，这种局限性可以限制对整个系统的无限制遍历，可以更精确的先行定位搜索的范围。单个神经元的特性并不能决定一个系统的整体行为，而神经元之间的相互作用、相互连接却能够决定一个系统的整体行为。
（3）非常定性：在处理检索信息的时候，如果引用神经网络，其本身具有自适应、自组织自学习能力，可以使其处理各种变化的输入信息，且在处理信息的同时，非线性动力系统也通过迭代过程不断的变化，就可以适应一段时间内检索内容的变化多寡而改变针对某个检索内容的检索效率。
（4）非凸性：由于非凸性可以让检索信息在神经网络中拥有自组织学习的过程，可以达到多个较稳定的平衡状态，这可以解释为数学原理，某个特定的状态函数在一定的条件下将会决定一个系统所进化的方向。例如检索变量函数的极值对应于系统的结果输出的稳定状态。而非凸性指的是该检索变量函数可以达到的多个极值，所以系统有多个稳定的检索结果，因此这就使系统检索结果具有变化的多样性。神经网络算法有多重类型由于检索的信息需要有反馈所以该文使用有反馈的前向网络即BP神经网络。
神经网络一般是输入层检索目标对输出层的检索结果有反馈信息，使得输出层输出相应的检索结果，而这种类型的网络中对输入层存在反馈信息，用于存储某种模式序列，典型的神经认知机和回归BP网络就属于这种网络类型。
（1）在多级的神经网络中，同级的神经元节点是独立的，它们之间没有联系。
（2）通过相互的权值各级层神经元之间互联，前一层的输入要查询的检索信息是后一层的输出结果。
（3）检索信息从前一层逐层向后一层传递，并没有反向连接信号。
在该文中作为实际输出，通过对上述公式的计算就可以不断的检索出实际的检索目标对应的字段标志参数，完成分类、模式识别或者函数逼近和模拟的任务，最终不断的逼近最优化的值，形成最快捷的检索通路。通过上述方法我们可以BP算法在检索信息时的训练过程总结（如图1所示）。
通过上述内容可以初步得到高校优质教学资源网络共享平台信息检索的优化采用BP神经网络算法是可行的，在检索优化的过程中在检索效率和准确度上由于神经网络具有的自我学习能力使之具备较好的检索性能。
參考文献
[1] 陈国良.并行算法的设计与分析[M].北京：高等教育出版社，2005：76-80.
[2] 蒋宗礼.人工神经网络导论[M].北京：高等教育出版社，2005：34-78.
[3] 文继军，王珊.SEEKER：基于关键词的关系数据库信息检索[J].软件学报，2005，16（7）：1270-1281.
[4] 肖科.基于BP神经网络的Web服务选择算法[D].北京：北京邮电大学，2014：15-20.