[发明专利]一种基于神经网络的微博正向影响力排行方法

权利要求书

1.一种基于神经网络的微博正向影响力排行方法，其特征在于，所述神经网络的微博正向影响力排行方法包括：

第一步，搜集微博发布文本数据及用户基础数据并对数据进行标准化处理；

第二步，建立神经网络模型，初始化网络及学习参数；

第三步，利用以往微博数据对神经网络模型进行正向影响力学习训练；

第四步，对给定训练模式输入文本测试数据，计算网络的输出排行，并与期望正向影响力比较，若误差不能满足精度要求，则返回步骤S103再次训练，直至误差满足精度要求；

第五步，将标准化处理的微博数据输入训练好的神经网络，输出微博正向影响力排行结果。

2.如权利要求1所述的基于神经网络的微博正向影响力排行方法，其特征在于，所述第二步中初始化，设定BP神经网络的相关参数；确定神经网络的层数，每一层神经元的个数，以及需要优化的粒子维数；其中需要优化的权值阈值总个数为:

N＝(m+1)×n+(n+1)×t；

m为输入神经元个数，n为隐层神经元个数，t为输出层神经元个数，对粒子的速度和位置进行随机初始化。

3.如权利要求1所述的基于神经网络的微博正向影响力排行方法，其特征在于，所述第二步中神经网络模型包括：神经网络模型的结构包括：输入层、隐含层、输出层；

输入层的两个输入信号为V_h和V_t；输出层的输出信号是Y_h；输入层节点函数为斜率为1的线性函数，输出层节点是线性组合器，可调节参数就是该线性组合器的权值W_i，隐含层节点函数采用高斯函数，第i个隐含层节点输出V_i为：

式中:X＝(V_h，V_t)^T为输入样本；C_i为高斯函数中心值；σ_i为标准偏差，i＝1，2，…，n，n为隐层节点数；

则输出层输出为：

式中：θ为输出层神经元的阈值。

4.如权利要求1所述的基于神经网络的微博正向影响力排行方法，其特征在于，所述第三步中神经网络模型学习训练包括：

(1)计算适应度：按照适应度函数计算网络输出与样本期望输出误差绝对值之和；

(2)寻找个体极值和群体极值：将每个粒子的适应度函数值与个体极值进行比较，如果适应度函数值更小，则该适应度函数值成为新的个体极值；并将新的个体极值与全局最佳适应度值进行比较，若更小，则将其作为当前的群体极值；

(3)根据离子群算法更新粒子的位置和速度；

式中：w为惯性权重；k为当前迭代次数；i为粒子的速度；d为粒子的位置；c₁和c₂为学习因子，也称为加速度因子，通过验证选c₁＝c₂＝2进行计算；和是介于[0，1]之间的均匀随机数；

(4)看全局最优适应度值是否小于设定误差或者迭代次数大于最大迭代次数，若不满足条件，返回步骤(2)；若满足条件，则输出的全局最优粒子位置即为最优的BP神经网络权值阈值；

(5)在利用函数Trainrgdx对网络进行次训练，直到网络达到稳态，误差平方和MSE达到了误差目标goal＝0.0001的要求。

5.一种应用权利要求1～4任意一项所述基于神经网络的微博正向影响力排行方法的微波排行控制平台。