[发明专利]基于BP神经网络的系统资源预测方法及系统

权利要求书

1.一种基于BP神经网络的系统资源预测方法，其特征是，所述方法包括以下步骤：

提取电网数据库中表征系统资源利用信息的数据集合，所述数据集合中包括多个采集数据项，每个采集数据项包括采集时间和当前采集时间下的数据值；

根据所述数据集合，基于时段特征、用户特征和功能特征形成BP神经网络模型的输入数据，所述用户特征包括用户登录时间和登录系统名称，所述功能特征包括功能名称和功能登录次数；

将所述输入数据输入训练好的BP神经网络模型中，得到当前输入数据下的系统资源使用量。

2.根据权利要求1所述基于BP神经网络的系统资源预测方法，其特征是，所述数据集合包括：

从用户登录记录数据库中筛选出用户登录次数和登录时间；

从功能使用技术数据库中筛选出系统功能使用记录；

从性能指标数据库中筛选出不同系统对应的资源使用量。

3.根据权利要求2所述基于BP神经网络的系统资源预测方法，其特征是，所述方法在提取到数据集合后，还包括步骤：

以时间为指标，分别形成用户登录次数、系统功能使用及资源使用量的列表；

以系统名作为共同属性，将得到的列表合并，合并后的表格中包含时间维度、用户维度、功能维度和系统分配资源维度。

4.根据权利要求3所述基于BP神经网络的系统资源预测方法，其特征是，所述BP神经网络模型以用户特征和功能特征作为输入，以系统资源使用量作为输出；

所述BP神经网络模型的拓扑结构包括一个输入层、两个隐藏层和一个输出层。

5.根据权利要求4所述基于BP神经网络的系统资源预测方法，其特征是，所述BP神经网络模型的训练过程为：

从合并后的表格中筛选样本，将其划分为训练集和测试集；

将训练集放入模型中进行训练，并用测试集测试输出结果与真实值的误差，并对模型进行优化，将符合最优误差率的模型作为选定模型。

6.根据权利要求5所述基于BP神经网络的系统资源预测方法，其特征是，在BP神经网络模型的训练过程中，隐含层的输出为：

其中n代表输入层的节点数，m代表隐含层的节点数，W_ij代表输入层到隐含层的连接权重，x_i为输入，θ_j表示隐含层第j个隐含节点的阈值，f是一个非线性的转移函数。

7.根据权利要求6所述基于BP神经网络的系统资源预测方法，其特征是，在BP神经网络模型的训练过程中，第k个资源对应的预测消耗值为:

其中，W_jl代表隐含层到输出层的连接权重。

8.根据权利要求7所述基于BP神经网络的系统资源预测方法，其特征是，在BP神经网络模型的训练过程中，资源预测消耗值Out_l与实际资源消耗值Out′_l计算神经网络在隐含节点j上面的均方误差为：

9.一种基于BP神经网络的系统资源预测系统，其特征是，所述系统包括：

数据采集单元，用于提取电网数据库中表征系统资源利用信息的数据集合，所述数据集合中包括多个采集数据项，每个采集数据项包括采集时间和当前采集时间下的数据值；

数据处理单元，根据所述数据集合，基于时段特征、用户特征和功能特征形成BP神经网络模型的输入数据，所述用户特征包括用户登录时间和登录系统名称，所述功能特征包括功能名称和功能登录次数；

预测单元，用于将所述输入数据输入训练好的BP神经网络模型中，得到当前输入数据下的系统资源使用量。

10.根据权利要求9所述基于BP神经网络的系统资源预测系统，其特征是，所述系统还包括模型训练单元，所述模型训练单元从数据集合中筛选样本，将其划分为训练集和测试集；将训练集放入模型中进行训练，并用测试集测试输出结果与真实值的误差，并对模型进行优化，将符合最优误差率的模型作为选定模型。