基于誤差反向傳播神經(jīng)網(wǎng)絡(luò)的web服務(wù)選擇方法
【專(zhuān)利摘要】本發(fā)明揭示了一種基于反向傳播神經(jīng)網(wǎng)絡(luò)的web服務(wù)選擇方法，包括：建立反向傳播神經(jīng)網(wǎng)絡(luò)；訓(xùn)練反向傳播神經(jīng)網(wǎng)絡(luò)；使用反向傳播神經(jīng)網(wǎng)絡(luò)評(píng)估web服務(wù)；選擇web服務(wù)。本發(fā)明在傳統(tǒng)的反向傳播神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上增加了一個(gè)平緩項(xiàng)，克服了傳統(tǒng)反向傳播算法收斂速度慢、訓(xùn)練過(guò)程振蕩的缺陷，加快了網(wǎng)絡(luò)收斂，從而使得web服務(wù)的選擇更加快捷和準(zhǔn)確。
【專(zhuān)利說(shuō)明】基于誤差反向傳播神經(jīng)網(wǎng)絡(luò)的web服務(wù)選擇方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及網(wǎng)絡(luò)技術(shù)，尤其涉及基于誤差反向傳播神經(jīng)網(wǎng)絡(luò)的web服務(wù)選擇方法。
【背景技術(shù)】
[0002]Internet網(wǎng)絡(luò)如同空氣和水一樣，自然而深刻地融入人類(lèi)的日常生活和工作中。它能夠滿足個(gè)人和社會(huì)的需求，利用現(xiàn)有的和新的信息傳輸技術(shù)，提供人與人、人與物、物與物之間按需進(jìn)行的信息獲取、傳遞、存儲(chǔ)、認(rèn)知、決策、使用等信息服務(wù)。Internet網(wǎng)絡(luò)無(wú)處不在，具備超強(qiáng)的環(huán)境感知、內(nèi)容感知和連接任何物體的能力，能夠?yàn)閭€(gè)人和社會(huì)提供泛在的、無(wú)所不含的信息服務(wù)和應(yīng)用。但是由于在網(wǎng)絡(luò)計(jì)算環(huán)境中，計(jì)算復(fù)雜度和人的移動(dòng)性的提升，越來(lái)越多的任務(wù)不可能由一個(gè)單獨(dú)的服務(wù)來(lái)完成，所以必須有多于一個(gè)的服務(wù)來(lái)合作完成這個(gè)目標(biāo)任務(wù)。隨著web服務(wù)提供者數(shù)量的激增，具有相同或相似功能的web服務(wù)可能由許多不同的web服務(wù)提供者來(lái)提供，但是它們會(huì)有不同的服務(wù)質(zhì)量。例如，不同的響應(yīng)時(shí)間、不同的價(jià)格、不同的信譽(yù)等等。因此，如何從所有相同或相似的服務(wù)中來(lái)選擇一個(gè)最合適的服務(wù)提供給用戶，已經(jīng)成為了 web服務(wù)環(huán)境下亟待解決的關(guān)鍵問(wèn)題。
[0003]反向傳播神經(jīng)網(wǎng)絡(luò)(即BP神經(jīng)網(wǎng)絡(luò))被廣泛應(yīng)用在很多重要的互聯(lián)網(wǎng)應(yīng)用中，如語(yǔ)音識(shí)別，圖像識(shí)別，自然語(yǔ)言處理等，是目前應(yīng)用最為廣泛和成功的神經(jīng)網(wǎng)絡(luò)之一。典型的BP神經(jīng)網(wǎng)絡(luò)是一種具有三層或三層以上結(jié)構(gòu)的無(wú)反饋的、層內(nèi)無(wú)互連結(jié)構(gòu)的前向網(wǎng)絡(luò)，典型的三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，其中首尾兩層分別稱(chēng)為輸入層和輸出層，中間各層稱(chēng)為隱藏層。BP神經(jīng)網(wǎng)絡(luò)中各層之間的神經(jīng)元為全連接關(guān)系，層內(nèi)的各個(gè)神經(jīng)元之間無(wú)連接。
[0004]與其它智能優(yōu)化算法(如:遺傳算法，模擬退火，禁忌搜索等)相比，神經(jīng)網(wǎng)絡(luò)最主要的優(yōu)點(diǎn)在于并行計(jì)算性、容錯(cuò)性以及可硬件實(shí)現(xiàn)性等優(yōu)點(diǎn)。但是神經(jīng)網(wǎng)絡(luò)存在一定的缺陷，主要表現(xiàn)在:神經(jīng)網(wǎng)絡(luò)的初始條件嚴(yán)重影響計(jì)算結(jié)果，在優(yōu)化計(jì)算過(guò)程中很容易得不到最優(yōu)解或合理解，更不容易收斂到全局最優(yōu)解，并且學(xué)習(xí)收斂速度慢以及容易陷入局部極小值。在web服務(wù)選擇問(wèn)題中，如果得不到合理解，會(huì)使得整個(gè)工程無(wú)法正常運(yùn)行，而收斂速度不夠快，會(huì)影響系統(tǒng)的時(shí)效性，降低競(jìng)爭(zhēng)力。

【發(fā)明內(nèi)容】

[0005](一)要解決的技術(shù)問(wèn)題
[0006]本發(fā)明要解決的技術(shù)問(wèn)題就是基于反向傳播神經(jīng)網(wǎng)絡(luò)選擇web服務(wù)時(shí)如何避免學(xué)習(xí)收斂速度慢的缺陷。
[0007](二)技術(shù)方案
[0008]為了解決上述技術(shù)問(wèn)題，本發(fā)明提供了一種基于誤差反向傳播神經(jīng)網(wǎng)絡(luò)的web服務(wù)選擇方法，該方法包括:
[0009]建立包括輸入層、隱藏層和輸出層的三層反向傳播神經(jīng)網(wǎng)絡(luò)，輸入層的每個(gè)節(jié)點(diǎn)對(duì)應(yīng)web服務(wù)的一種屬性,輸出層的各節(jié)點(diǎn)對(duì)應(yīng)web服務(wù)的各目標(biāo)屬性；
[0010]使用一個(gè)目標(biāo)屬性值已知的web服務(wù)訓(xùn)練反向傳播神經(jīng)網(wǎng)絡(luò)，所述訓(xùn)練包括:
[0011]第一步:將該web服務(wù)的各種屬性的屬性值對(duì)應(yīng)輸入到輸入層的各個(gè)節(jié)點(diǎn)，為輸入層到隱藏層以及隱藏層到輸出層的各節(jié)點(diǎn)之間設(shè)定初始連接權(quán)值；
[0012]第二步:求得輸出層節(jié)點(diǎn)的實(shí)際輸出值，根據(jù)實(shí)際輸出值與目標(biāo)屬性值得到誤差值，若誤差值小于或等于設(shè)定的誤差精度時(shí)，結(jié)束訓(xùn)練，否則進(jìn)入第三步；
[0013]第三步:若為第一次得到的誤差值，則使用設(shè)定的初始學(xué)習(xí)因子作為學(xué)習(xí)因子；否則若本次得到的誤差值大于上一次得到的誤差值，則將學(xué)習(xí)因子減小，若小于則將學(xué)習(xí)因子增大，若等于則學(xué)習(xí)因子不變；
[0014]第四步:用第三步得到的學(xué)習(xí)因子乘以誤差梯度下降值得到第一項(xiàng)，用設(shè)定的動(dòng)量因子乘以上一次連接權(quán)值的變化量得到第二項(xiàng)，用本次得到的實(shí)際輸出值減去目標(biāo)屬性值的結(jié)果乘以設(shè)定的平緩因子得到第三項(xiàng)；
[0015]第五步，將連接權(quán)值加上第四步中的第一項(xiàng)、第二項(xiàng)和第三項(xiàng)作為新的連接權(quán)值，轉(zhuǎn)到第二步；
[0016]對(duì)于所有待選擇的web服務(wù)，將每個(gè)web服務(wù)的各種屬性的屬性值對(duì)應(yīng)輸入到訓(xùn)練完畢的反向傳播神經(jīng)網(wǎng)絡(luò)輸入層的各節(jié)點(diǎn)分別得到輸出值；
[0017]選擇其輸出值在設(shè)定目標(biāo)范圍內(nèi)的Web服務(wù)。
[0018]優(yōu)選地，該方法還包括:
[0019]在使用一個(gè)目標(biāo)屬性值已知的web服務(wù)將反向傳播神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢后，還可以依次使用另外多個(gè)目標(biāo)屬性值已知的web服務(wù)訓(xùn)練反向傳播神經(jīng)網(wǎng)絡(luò)。
[0020]優(yōu)選地，所述設(shè)定的初始學(xué)習(xí)因子為0.5，所述設(shè)定的動(dòng)量因子為0.1，所述設(shè)定的平緩因子為1.2.[0021 ] 優(yōu)選地，該方法還包括:
[0022]反向傳播神經(jīng)網(wǎng)絡(luò)中，隱藏層的節(jié)點(diǎn)數(shù)比輸入層的節(jié)點(diǎn)數(shù)的兩倍多一個(gè)。
[0023]優(yōu)選地，所述輸入層到隱藏層以及隱藏層到輸出層的各節(jié)點(diǎn)之間設(shè)定的初始連接權(quán)值為大于-1小于I的隨機(jī)浮點(diǎn)數(shù)。
[0024]優(yōu)選地，該方法還包括:
[0025]在輸出值在設(shè)定目標(biāo)范圍內(nèi)的Web服務(wù)中，選擇對(duì)應(yīng)輸出值與設(shè)定的標(biāo)準(zhǔn)目標(biāo)值最接近的web服務(wù)。
[0026]優(yōu)選地，該方法還包括:
[0027]對(duì)web服務(wù)的每種輸入屬性的屬性值進(jìn)行歸一化處理。
[0028]優(yōu)選地，從輸入層到隱藏層、從隱藏層到輸出層的傳遞函數(shù)(也稱(chēng)為激活、激勵(lì)函數(shù))均為sigmoid函數(shù)。
[0029]優(yōu)選地，其特征在于，UPS服務(wù)為所述Web服務(wù)中的一種。
[0030]優(yōu)選地，所述輸入層的節(jié)點(diǎn)對(duì)應(yīng)的屬性包括輸入電壓、輸出電壓、頻率、轉(zhuǎn)換時(shí)間、輸出電壓功率和電壓穩(wěn)定性，所述輸出層的節(jié)點(diǎn)對(duì)應(yīng)的目標(biāo)屬性為電源頻率穩(wěn)定性。
[0031](三)有益效果
[0032]本發(fā)明在傳統(tǒng)的反向傳播神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上增加了一個(gè)平緩項(xiàng)，引入該項(xiàng)之后，克服了傳統(tǒng)反向傳播算法收斂速度慢、訓(xùn)練過(guò)程振蕩的缺陷。該項(xiàng)使連接權(quán)值的調(diào)整大幅向著梯度下降方向進(jìn)行，即使兩次連接權(quán)值調(diào)整的方向不同，也可以減小振蕩趨勢(shì)，加快網(wǎng)絡(luò)收斂，從而縮短訓(xùn)練反向傳播神經(jīng)網(wǎng)絡(luò)的時(shí)間，加快選擇web服務(wù)的速度。
【專(zhuān)利附圖】

【附圖說(shuō)明】
[0033]為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
[0034]圖1為一個(gè)反向傳播神經(jīng)網(wǎng)絡(luò)的示意圖；
[0035]圖2為根據(jù)本發(fā)明一個(gè)實(shí)施例的基于反向傳播神經(jīng)網(wǎng)絡(luò)的web服務(wù)選擇方法流程圖；
[0036]圖3為以UPS服務(wù)為例來(lái)建立和訓(xùn)練反向傳播神經(jīng)網(wǎng)絡(luò)的流程圖；
[0037]圖4為傳統(tǒng)算法和改進(jìn)算法的訓(xùn)練收斂比較圖；
[0038]圖5為傳統(tǒng)算法和改進(jìn)算法對(duì)UPS服務(wù)的選擇結(jié)果的比較圖；
【具體實(shí)施方式】
[0039]下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明的實(shí)施方式作進(jìn)一步詳細(xì)描述。以下實(shí)施例僅用于說(shuō)明本發(fā)明，但不能用來(lái)限制本發(fā)明的范圍。
[0040]圖2示出了本發(fā)明一個(gè)實(shí)施例的基于反向傳播神經(jīng)網(wǎng)絡(luò)的web服務(wù)選擇方法流程圖。如圖所示，該方法包括如下步驟:
[0041]S1:建立反向傳播神經(jīng)網(wǎng)絡(luò)。建立包括輸入層、隱藏層和輸出層的三層反向傳播神經(jīng)網(wǎng)絡(luò)，輸入層的每個(gè)節(jié)點(diǎn)對(duì)應(yīng)web服務(wù)的一種屬性，輸出層的節(jié)點(diǎn)對(duì)應(yīng)web服務(wù)的目標(biāo)屬性。
[0042]S2:訓(xùn)練反向傳播神經(jīng)網(wǎng)絡(luò)。使用一個(gè)目標(biāo)屬性值已知的web服務(wù)訓(xùn)練反向傳播神經(jīng)網(wǎng)絡(luò)，所述訓(xùn)練包括:
[0043]第一步:將該web服務(wù)的各種屬性的屬性值對(duì)應(yīng)輸入到輸入層的各個(gè)節(jié)點(diǎn)，為輸入層到隱藏層，隱藏層到輸出層的各節(jié)點(diǎn)之間設(shè)定初始連接權(quán)值；
[0044]第二步:求得輸出層節(jié)點(diǎn)的實(shí)際輸出值，根據(jù)實(shí)際輸出值與目標(biāo)屬性值得到誤差，若誤差小于或等于設(shè)定的誤差精度時(shí)，結(jié)束訓(xùn)練，否則進(jìn)入第三步；
[0045]第三步:若為第一次得到的誤差值，則使用設(shè)定的初始學(xué)習(xí)因子作為學(xué)習(xí)因子；否則若本次得到的誤差值大于上一次得到的誤差值，則將學(xué)習(xí)因子減小，若小于則將學(xué)習(xí)因子增大，若等于則學(xué)習(xí)因子不變；
[0046]第四步:用第三步得到的學(xué)習(xí)因子乘以誤差梯度下降值得到第一項(xiàng)，用設(shè)定的動(dòng)量因子乘以上一次連接權(quán)值的變化量得到第二項(xiàng)，用本次得到的實(shí)際輸出值減去目標(biāo)屬性值的結(jié)果乘以設(shè)定的平緩因子得到第三項(xiàng)；
[0047]第五步，將連接權(quán)值加上第四步的第一項(xiàng)、第二項(xiàng)和第三項(xiàng)作為新的連接權(quán)值，轉(zhuǎn)到第二步。
[0048]S3:使用反向傳播神經(jīng)網(wǎng)絡(luò)評(píng)估web服務(wù)。對(duì)于所有待選擇的web服務(wù)，將每個(gè)web服務(wù)的各種屬性的屬性值對(duì)應(yīng)輸入到訓(xùn)練完畢的反向傳播神經(jīng)網(wǎng)絡(luò)輸入層的各個(gè)節(jié)點(diǎn)分別得到輸出值。
[0049]S4:選擇web服務(wù)。選擇其輸出值在設(shè)定目標(biāo)范圍內(nèi)的Web服務(wù)。
[0050]其中，該方法還可以?xún)?yōu)選包括:在使用一個(gè)目標(biāo)屬性值已知的web服務(wù)將反向傳播神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢后，還可以依次使用另外多個(gè)目標(biāo)屬性值已知的web服務(wù)訓(xùn)練反向傳播神經(jīng)網(wǎng)絡(luò)。所述設(shè)定的初始學(xué)習(xí)因子為0.5，所述設(shè)定的動(dòng)量因子為0.1，所述設(shè)定的平緩因子為1.2。反向傳播神經(jīng)網(wǎng)絡(luò)中，隱藏層的節(jié)點(diǎn)數(shù)比輸入層的節(jié)點(diǎn)數(shù)的兩倍多一個(gè)。所述輸入層到隱藏層以及隱藏層到輸出層的各節(jié)點(diǎn)之間設(shè)定的初始連接權(quán)值為大于-1小于I的隨機(jī)值。在輸出值在設(shè)定目標(biāo)范圍內(nèi)的Web服務(wù)中，選擇對(duì)應(yīng)輸出值與設(shè)定的標(biāo)準(zhǔn)目標(biāo)值最接近的web服務(wù)。對(duì)web服務(wù)的每種輸入屬性的屬性值進(jìn)行歸一化處理。從輸入層到隱藏層、從隱藏層到輸出層的傳遞函數(shù)均為sigmoid函數(shù)。
[0051]該實(shí)施例在傳統(tǒng)的反向傳播神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上增加了一個(gè)平緩項(xiàng)，引入該項(xiàng)之后，克服了傳統(tǒng)反向傳播算法收斂速度慢、訓(xùn)練過(guò)程振蕩的缺陷。該項(xiàng)使連接權(quán)值的調(diào)整向著梯度下降方向進(jìn)行，即使兩次連接權(quán)值調(diào)整的方向不同，也可以減小振蕩趨勢(shì)，加快了網(wǎng)絡(luò)收斂，從而縮短了訓(xùn)練反向傳播神經(jīng)網(wǎng)絡(luò)的時(shí)間，加快了選擇web服務(wù)的速度。
[0052]下面以UPS服務(wù)為例來(lái)詳細(xì)說(shuō)明建立和訓(xùn)練反向傳播神經(jīng)網(wǎng)絡(luò)的流程，其中僅包括了使用一個(gè)UPS服務(wù)進(jìn)行訓(xùn)練的過(guò)程，若是使用多個(gè)UPS服務(wù)進(jìn)行訓(xùn)練，則在使用一個(gè)UPS服務(wù)完成訓(xùn)練之后，還需依次用其余的UPS服務(wù)在前次UPS服務(wù)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行訓(xùn)練。步驟如下:
[0053]步驟101:初始化神經(jīng)網(wǎng)絡(luò)， 選取三層BP神經(jīng)網(wǎng)絡(luò)，分為:輸入層、隱藏層和輸出層，為每層設(shè)定節(jié)點(diǎn)數(shù)目，在本例中將輸出層節(jié)點(diǎn)數(shù)設(shè)為1，關(guān)于隱藏層節(jié)點(diǎn)個(gè)數(shù)的確定，往往是需要根據(jù)設(shè)計(jì)者的經(jīng)驗(yàn)和多次實(shí)驗(yàn)來(lái)確定，并且與問(wèn)題所要求的學(xué)習(xí)誤差、輸入單元數(shù)目和輸出單元數(shù)目都有著直接關(guān)系。通過(guò)實(shí)驗(yàn)驗(yàn)證，對(duì)于輸入層節(jié)點(diǎn)數(shù)為m的三層前饋神經(jīng)網(wǎng)絡(luò)，隱藏層具有2m+l個(gè)節(jié)點(diǎn)時(shí)，網(wǎng)絡(luò)能以任意精度逼近任何一個(gè)可微函數(shù)。在本方例中，輸入層節(jié)點(diǎn)數(shù)目設(shè)為6，則隱藏層的節(jié)點(diǎn)數(shù)目為13個(gè)。
[0054]步驟102:將UPS服務(wù)對(duì)象的各項(xiàng)屬性值，包括:輸入電壓、輸出電壓、頻率、轉(zhuǎn)換時(shí)間、輸出電壓功率和電壓穩(wěn)定性，當(dāng)做神經(jīng)網(wǎng)絡(luò)的輸入向量。將電源頻率穩(wěn)定性作為目標(biāo)屬性，開(kāi)始訓(xùn)練網(wǎng)絡(luò)。
[0055]步驟103:將輸入?yún)?shù)做歸一化處理:
[0056]Xi = ^ + 0 1 _ζα⑵
[0057]xmax，Xmin是每組屬性值的最大值和最小值；Xi，X' i分別是歸一化前和歸一化后的值。μ和Θ為參數(shù)，這兩個(gè)值的大小都在O和I之間，其選定一般根據(jù)經(jīng)驗(yàn)和實(shí)驗(yàn)的輸入?yún)?shù)來(lái)確定。在本方案中，μ設(shè)為0，Θ設(shè)為I。
[0058]步驟104:分別求隱藏層和輸出層各單元的輸出。從輸入層到隱藏層、從隱藏層到輸出層的神經(jīng)元傳遞函數(shù)均為sigmoid函數(shù):
[0059]/W=TT^(3)

I
[0060]根據(jù)前向傳播的規(guī)則:[0061]
【權(quán)利要求】
1.一種基于誤差反向傳播神經(jīng)網(wǎng)絡(luò)的web服務(wù)選擇方法，其特征在于，該方法包括: 建立包括輸入層、隱藏層和輸出層的三層反向傳播神經(jīng)網(wǎng)絡(luò)，輸入層的每個(gè)節(jié)點(diǎn)對(duì)應(yīng)web服務(wù)的一種屬性，輸出層的各節(jié)點(diǎn)對(duì)應(yīng)web服務(wù)的各目標(biāo)屬性； 使用一個(gè)目標(biāo)屬性值已知的web服務(wù)訓(xùn)練反向傳播神經(jīng)網(wǎng)絡(luò)，所述訓(xùn)練包括: 第一步:將該web服務(wù)的各種屬性的屬性值對(duì)應(yīng)輸入到輸入層的各個(gè)節(jié)點(diǎn)，為輸入層到隱藏層以及隱藏層到輸出層的各節(jié)點(diǎn)之間設(shè)定初始連接權(quán)值； 第二步:求得輸出層節(jié)點(diǎn)的實(shí)際輸出值，根據(jù)實(shí)際輸出值與目標(biāo)屬性值得到誤差值，若誤差值小于或等于設(shè)定的誤差精度時(shí)，結(jié)束訓(xùn)練，否則進(jìn)入第三步； 第三步:若為第一次得到的誤差值，則使用設(shè)定的初始學(xué)習(xí)因子作為學(xué)習(xí)因子；否則若本次得到的誤差值大于上一次得到的誤差值，則將學(xué)習(xí)因子減小，若小于則將學(xué)習(xí)因子增大，若等于則學(xué)習(xí)因子不變； 第四步:用第三步得到的學(xué)習(xí)因子乘以誤差梯度下降值得到第一項(xiàng)，用設(shè)定的動(dòng)量因子乘以上一次連接權(quán)值的變化量得到第二項(xiàng)，用本次迭代的實(shí)際輸出值減去目標(biāo)屬性值的結(jié)果乘以設(shè)定的平緩因子得到第三項(xiàng)； 第五步，將連接權(quán)值加上第四步中的第一項(xiàng)、第二項(xiàng)和第三項(xiàng)作為新的連接權(quán)值，轉(zhuǎn)到第二步； 對(duì)于所有待選擇的web服務(wù)，將每個(gè)web服務(wù)的各種屬性的屬性值對(duì)應(yīng)輸入到訓(xùn)練完畢的反向傳播神經(jīng)網(wǎng)絡(luò)輸入層的各節(jié)點(diǎn)分別得到輸出值；` 選擇其輸出值在設(shè)定目標(biāo)范圍內(nèi)的Web服務(wù)。
2.根據(jù)權(quán)利要求1所述的web服務(wù)選擇方法，其特征在于，該方法還包括: 在使用一個(gè)目標(biāo)屬性值已知的web服務(wù)將反向傳播神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢后，還可以依次使用另外多個(gè)目標(biāo)屬性值已知的web服務(wù)訓(xùn)練反向傳播神經(jīng)網(wǎng)絡(luò)。
3.根據(jù)權(quán)利要求1所述的web服務(wù)選擇方法，其特征在于，所述設(shè)定的初始學(xué)習(xí)因子為0.5，所述設(shè)定的動(dòng)量因子為0.1，所述設(shè)定的平緩因子為1.2。
4.根據(jù)權(quán)利要求1所述的web服務(wù)選擇方法，其特征在于，該方法還包括: 反向傳播神經(jīng)網(wǎng)絡(luò)中，隱藏層的節(jié)點(diǎn)數(shù)比輸入層的節(jié)點(diǎn)數(shù)的兩倍多一個(gè)。
5.根據(jù)權(quán)利要求1所述的web服務(wù)選擇方法，其特征在于，所述輸入層到隱藏層以及隱藏層到輸出層的各節(jié)點(diǎn)之間設(shè)定的初始連接權(quán)值為大于-1小于I的隨機(jī)浮點(diǎn)數(shù)。
6.根據(jù)權(quán)利要求1所述的web服務(wù)選擇方法，其特征在于，該方法還包括: 在輸出值在設(shè)定目標(biāo)范圍內(nèi)的Web服務(wù)中，選擇對(duì)應(yīng)輸出值與設(shè)定的標(biāo)準(zhǔn)目標(biāo)值最接近的web服務(wù)。
7.根據(jù)權(quán)利要求1所述的web服務(wù)選擇方法，其特征在于，該方法還包括: 對(duì)web服務(wù)的每種輸入屬性的屬性值進(jìn)行歸一化處理。
8.根據(jù)權(quán)利要求1所述的web服務(wù)選擇方法，其特征在于，從輸入層到隱藏層、從隱藏層到輸出層的傳遞函數(shù)均為sigmoid函數(shù)。
9.根據(jù)權(quán)利要求1至8其中任一項(xiàng)所述的web服務(wù)選擇方法，其特征在于，UPS服務(wù)為所述Web服務(wù)中的一種。
10.根據(jù)權(quán)利要求9所述的UPS服務(wù)選擇方法，其特征在于，所述輸入層的節(jié)點(diǎn)對(duì)應(yīng)的屬性包括輸入電壓、輸出電壓、頻率、轉(zhuǎn)換時(shí)間、輸出電壓功率和電壓穩(wěn)定性，所述輸出層的節(jié)點(diǎn)對(duì)應(yīng)的目標(biāo)屬性為 電源頻率穩(wěn)定性。
【文檔編號(hào)】H04L29/08GK103763350SQ201410001534
【公開(kāi)日】2014年4月30日 申請(qǐng)日期:2014年1月2日 優(yōu)先權(quán)日:2014年1月2日
【發(fā)明者】芮蘭蘭, 邱雪松, 肖科, 李文璟, 郭少勇 申請(qǐng)人:北京郵電大學(xué)