基于多層感知器神經(jīng)網(wǎng)絡(luò)的智能分類算法

李心宇，李曉航，李志偉，李冬雪

（1.吉林大學(xué) 軟件學(xué)院軟件工程系，吉林 長春 130000；2. 吉林大學(xué) 數(shù)學(xué)學(xué)院，吉林 長春 130000）

1 多層感知器神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

1.1 四層作業(yè)架構(gòu)

多層感知器神經(jīng)網(wǎng)絡(luò)，重視以較多的層次進(jìn)行復(fù)雜信息快速處理，擬構(gòu)建四層作業(yè)架構(gòu)，拓?fù)浣Y(jié)構(gòu)見圖1。

圖1 多層感知器神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

對該結(jié)構(gòu)進(jìn)行分析可發(fā)現(xiàn)，其特點(diǎn)在于增設(shè)了兩個中間層次，基層仍負(fù)責(zé)海量信息的直接收集和處理，之后反饋給中層，再由中層反饋給高層。此過程中所有信息不斷得到優(yōu)化和加工，有助于實(shí)現(xiàn)高效率的分析和決策。

1.2 不同層次功能

基層的功能在于直接進(jìn)行海量信息的直接收集，并對其進(jìn)行初步加強(qiáng)，使完全松散的數(shù)據(jù)信息帶有一定的半結(jié)構(gòu)化特點(diǎn)。在此基礎(chǔ)上，半結(jié)構(gòu)化信息被傳輸至中層，由中層將其加工為結(jié)構(gòu)化信息，并借助中層的另一個層次進(jìn)行處理，使其在結(jié)構(gòu)化的基礎(chǔ)上完成分類，再選取合適的信道進(jìn)行傳輸。結(jié)構(gòu)化的分類信息最終傳輸給高層，即多層感知器神經(jīng)網(wǎng)絡(luò)的終端，結(jié)合傳輸結(jié)果進(jìn)行信息分析和最終決策。

2 智能分類算法設(shè)計(jì)

2.1 降維設(shè)計(jì)思路

多層感知器神經(jīng)網(wǎng)絡(luò)對信息處理的要求極高，不同信息富含的內(nèi)容也較為多樣，具有多個可分析的維度。例如，信息內(nèi)容為“X 省XX 大學(xué)X 學(xué)院100 名學(xué)生考入清華大學(xué)研究生院”。該信息中可分析的維度包括地理信息、學(xué)校信息、動態(tài)信息、主體信息等。如果各類信息均完整進(jìn)行所有維度評估，工作量較大，難以保證效率，不符合多層感知器神經(jīng)網(wǎng)絡(luò)的工作要求，也無法發(fā)揮智能分類算法的積極作用。擬采用降維設(shè)計(jì)思路，在多層感知器神經(jīng)網(wǎng)絡(luò)的各層次，只在層次內(nèi)對信息的核心維度進(jìn)行提煉，以完成海量信息的快速處理[1]。

2.2 基層K 近鄰算法

多層感知器神經(jīng)網(wǎng)絡(luò)的基層即第一層，作用與人體各處的神經(jīng)元類似，強(qiáng)調(diào)海量信息的收集和快速加工。以降維訓(xùn)練法為基礎(chǔ)，擬在該層次收集K 近鄰算法進(jìn)行工作。選取工作對象后，提煉其核心維度信息，將提煉后獲取的信息作為標(biāo)準(zhǔn)K 點(diǎn)帶入計(jì)算機(jī)中實(shí)現(xiàn)記憶。收集所獲的信息越多，K 點(diǎn)的選取越具科學(xué)性。例如，工作對象為“大學(xué)生消費(fèi)信息統(tǒng)計(jì)”?？蛇x取的核心維度包括大學(xué)生和消費(fèi)額兩個方面。多層感知器神經(jīng)網(wǎng)絡(luò)內(nèi)廣泛分布的基層神經(jīng)組織，可對各類信息進(jìn)行初步收集，信息被收集后均投入到K 近鄰算法的定義域內(nèi)。如果該信息與兩個標(biāo)準(zhǔn)K 點(diǎn)學(xué)生、消費(fèi)額均較為接近，表明其符合信息收集要求，可對其進(jìn)行下一步處理。如果基層資源豐富，可做性別、年齡等維度的設(shè)計(jì)，進(jìn)一步發(fā)揮基層的計(jì)算價值，提升信息加工的有效性。如果基層計(jì)算資源相對缺乏，則不做更多信息，以核心維度進(jìn)行信息初篩和計(jì)算即可[2]。

2.3 其他層次隨機(jī)森林法

第二層次、第三層次采用的智能算法均為隨機(jī)森林法?；鶎油瓿稍夹畔⒌氖占统醪郊庸ず?，以“學(xué)生、消費(fèi)額”為核心維度的信息被傳輸至第二層。第二層仍借助降維方式進(jìn)行計(jì)算，設(shè)定“性別”“地區(qū)”“年級”等核心維度，在此基礎(chǔ)上調(diào)整訓(xùn)練方式，建立涵蓋至少30 000 棵決策樹的森林。所有樣本投入第二層次后，均由森林內(nèi)決策樹進(jìn)行分析。例如，A樣本含有“性別”“地區(qū)”“年級”等維度信息，森林中3 000 棵樹木認(rèn)為信息包括“女性”特點(diǎn)，嘗試將其納入女大學(xué)生信息庫。20 000 棵樹木認(rèn)為信息包括“男性”特點(diǎn)，嘗試將其納入男大學(xué)生信息庫。根據(jù)多數(shù)原則，可認(rèn)為A 樣本中的目標(biāo)為“男性”，進(jìn)行對應(yīng)信息的快速加工，進(jìn)一步提升其結(jié)構(gòu)化特點(diǎn)。

第二層次信息完成智能計(jì)算后，繼續(xù)發(fā)送至第三等級。第三等級借助降維方式進(jìn)行計(jì)算，以隨機(jī)森林法進(jìn)行智能分析，其設(shè)定的分析維度與第二層和基層均有不同，更強(qiáng)調(diào)借助具有高度特點(diǎn)的方式完成信息的篩選，如“學(xué)歷”維度、“消費(fèi)結(jié)構(gòu)”維度、“消費(fèi)等級維度”等。以消費(fèi)等級維度為例，可設(shè)定高級（月消費(fèi)超過3 000 元）、中級（月消費(fèi)在1 500～2 999 元之間）和低級（月消費(fèi)在1 499 元及以下）。在此模式下，第二層次傳輸?shù)乃行畔⒌玫皆搶哟蔚倪M(jìn)一步加工處理，更具結(jié)構(gòu)化特點(diǎn)。計(jì)算完成后可傳輸至第四層次，直接用于分析、查看。

3 模擬實(shí)驗(yàn)

3.1 模擬對象與指標(biāo)

模擬對象為A 地區(qū)17 所大學(xué)的成績情況，借助大學(xué)信息資料庫建立基于多層感知器神經(jīng)網(wǎng)絡(luò)的智能分類算法模型，采用第一節(jié)、第二節(jié)所述的設(shè)計(jì)和算法進(jìn)行模擬分析。以常規(guī)單層次感知器神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)算法對照，評估新方式的積極作用。觀察指標(biāo)為計(jì)算耗時、結(jié)果是否存在差錯和信息完整性。其中，信息完整性包括原始信息完整性、半結(jié)構(gòu)化信息完整性和結(jié)構(gòu)行信息完整性3 個方面。三類信息均完整，可隨時調(diào)取查看，評估為完整。樣本數(shù)共18.52 萬個，均為隨機(jī)樣本，不進(jìn)行重組[3]。

3.2 模擬過程

模擬過程分為兩個階段。第一階段為新方式階段，直接將所有樣本投入到第一層次進(jìn)行大范圍收集和分析。設(shè)定第一層次分析維度為“成績”“年級”“學(xué)院”3個方面；第二層次分析維度為“不同科目”“必修課”“選修課”；第三層次為“優(yōu)等”（得分超過80 分）、“中等”（得分60～79 分）、“較差”（得分59 分或以下）。第四層次直接進(jìn)行第三層次信息的收集和查看。第二階段為常規(guī)單層次感知器神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)算法模擬。對照標(biāo)準(zhǔn)為上述學(xué)院的現(xiàn)有信息。

3.3 結(jié)果與分析

實(shí)驗(yàn)結(jié)果見表1。

可見，基于多層感知器神經(jīng)網(wǎng)絡(luò)的智能分類算法，能夠快速完成18.52 萬個樣本的分析和計(jì)算，耗時6.4 s，未出現(xiàn)差錯，信息完整性為100.00%。對照組采用常規(guī)單層次感知器神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)算法進(jìn)行工作，計(jì)算耗時為12.2 min，出現(xiàn)差錯共411 例，且信息完整性為66.67%，僅實(shí)現(xiàn)了非結(jié)構(gòu)化信息、結(jié)構(gòu)化信息的保存，無法提供半結(jié)構(gòu)信息，表明基于多層感知器神經(jīng)網(wǎng)絡(luò)的智能分類算法具有較高的價值。

表1 模擬實(shí)驗(yàn)結(jié)果

結(jié)合實(shí)驗(yàn)結(jié)果，四層次感知器神經(jīng)網(wǎng)絡(luò)存在結(jié)構(gòu)相對復(fù)雜、對硬件設(shè)備要求高、對通信活動要求高的特點(diǎn)。不同層次之間的交互，要求以無線模式和優(yōu)先模式并行的方法開展。當(dāng)出現(xiàn)通信信道擁堵問題時，基層可能無法獲取對應(yīng)的原始信息，中層、高層之間的信息交互也會受到影響。此外，頻繁的信息交互也可能導(dǎo)致互擾問題，導(dǎo)致信息可讀性下降。此外，無論采用K 近鄰算法或隨機(jī)森林法，均面臨大量數(shù)據(jù)收集和訓(xùn)練的問題，且需要合理進(jìn)行篩選、計(jì)算維度的選取，以免出現(xiàn)計(jì)算遺漏或降維不當(dāng)。

為予以應(yīng)對，不同層次進(jìn)行早期訓(xùn)練時可收集大數(shù)據(jù)信息，確?；谀繕?biāo)的算法具有高度適用性。例如，借助大數(shù)據(jù)進(jìn)行消費(fèi)信息評估時，應(yīng)考慮收集所獲信息與工作對象的相關(guān)性，剔除無關(guān)信息的同時，確保主要信息內(nèi)容詳實(shí)、豐富且客觀。降維訓(xùn)練法下，在計(jì)算維度選取時，要求保證所選維度能與對象核心信息相匹配。建議在實(shí)際工作中加強(qiáng)信道建設(shè)，在條件允許的情況下，以有線信道提供通信服務(wù)，所有信道均避免接收干擾源頭。從算法設(shè)計(jì)層面看，還應(yīng)引入智能分析法。當(dāng)存在信息傳遞和交互需求時，借助中層（包括第二層次和第三層次）進(jìn)行信道擁堵程度的智能化評析，優(yōu)先選取較流暢的信道進(jìn)行信息傳輸。為避免信息出現(xiàn)互擾，可采用降噪技術(shù)，在信息的接收一端對初步收集和傳遞的信息進(jìn)行篩選、加工，篩除各類噪音。

4 結(jié) 論

基于多層感知器神經(jīng)網(wǎng)絡(luò)的智能分類算法具有較高價值，也具有可行性。多層感知器神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為四層模式，不同層次功能各自獨(dú)立，擬采用降維設(shè)計(jì)思路對海量數(shù)據(jù)的處理采用K 近鄰算法，用于多層感知器神經(jīng)網(wǎng)絡(luò)基層，其余層次以隨機(jī)森林法進(jìn)行智能計(jì)算。模擬實(shí)驗(yàn)證明，上述理論具有可行性。