本发明涉及人工神经网络运算领域，具体是指利用神经网络算法解决智能高并行、并发海量运算的方法。
背景技术：
人工神经网络是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。神经网络算法又称为误差反向传播算法，是人工神经网络中的一种监督式的学习算法。神经网络算法在理论上可以逼近任意函数，基本的结构由非线性变化单元组成，具有很强的非线性映射能力。若从速度的角度出发，人脑神经元之间传递信息的速度要远低于计算机，前者为毫秒量级，而后者的频率往往可达几百兆赫。但是，由于人脑是一个大规模并行与串行组合处理系统，因而，在许多问题上可以作出快速判断、决策和处理，其速度则远高于串行结构的普通计算机。人工神经网络的基本结构模仿人脑，具有并行处理特征，可以大大提高工作速度。
2016年打败世界围棋高手的alphago采用了1202个cpu和176个gpu(显卡)，外加100+左右的计算加速卡，大概等于300～500台左右的pc主机，其大量采用了神经网络算法和深度学习技术，并行运算，在围棋领域打败了人类。
现有技术主要采用了游标和负载均衡两个方面的技术，游标：游标是系统为用户开设的一个数据缓冲区，存放sql语句的执行结果，每个游标区都有一个名字，用户可以用sql语句逐一从游标中获取记录，并赋给主变量，交由主语言进一步处理，游标提供了一种对从表中检索出的数据进行操作的灵活手段，并使数据运算按过程化执行，能进行大量过程运算。负载均衡：负载均衡建立在现有网络结构之上，它提供了一种廉价有效透明的方法扩展网络设备和服务器的带宽、增加吞吐量、加强网络数据处理能力、提高网络的灵活性和可用性，数据处理分摊到多个操作单元上进行执行，共同完成工作任务。但是游标虽能进行复杂、过程化数据集运算，但游标运行消耗大量服务器资源，且进行大数据运算时运行速度很慢，效率太低，负载均衡进行服务器并行运算，虽可提供大量并行并发运算单元，但布署在负载均衡上的智能运算需将数据库中的数据集加载至智能服务器上运算，对数据库负担重，且使数据库与智能模块间频繁交互信息，且加载了大量冗余数据，增加了网络负担。
技术实现要素：
本发明要解决的技术问题是，针对以上问题提供一种能够在数据库底层进行高效大数据运算、将过程化的游标运算改为使用xml变量、表变量、存储过程并行运算和webservice服务器负载均衡只作为不同用户并发运算及传输输入输出参数的服务器，数据库服务器采用负载均衡提供并行并发运算的利用神经网络算法解决智能高并行、并发海量运算的方法方法。
为解决上述技术问题，本发明提供的技术方案为：利用神经网络算法解决智能高并行、并发海量运算的方法，包括前台接收装置，负载均衡器一，webservice服务器，负载均衡器二和数据库服务器，所述的前台接收装置将需要运算的xml数据进行整合，将整合后的数据传输至负载均衡器一上，负载均衡器一将对当时的webservice服务器的工作状态进行比较，选择出还在空闲状态的webservice服务器，然后将数据传输至webservice服务器上，所述的webservice服务器将数据传输至负载均衡器二，所述的负载均衡器二将数据整合传输至闲置状态的数据库服务器上，所述的数据库服务器进行xml计算，计算采用函数作为并行运算单元。
作为改进，将前台系统应用请求的智能模块xml入参，xml数据的采用能够更加快速的进行运算，提取信息远比传统的数据要快。
作为改进，数据库服务器存储过程接收到xml入参后在内存表中调用数据高速并行运算。
本发明与现有技术相比的优点在于：本发明能使大量复杂人工智能子模块化、单元化，提高复杂人工智能的可维护性、可扩展性，本发明使大量复杂人工智能在短期内出结果，提高软件的效率(1000步运算只需0.6秒)和用户的友好性，能使平台能处理大量并发运算，10万并发数以上。
附图说明
图1是利用神经网络算法解决智能高并行、并发海量运算的方法的运作原理示意图。
图2是智能选择决策树模型。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
本发明在具体实施时，利用神经网络算法解决智能高并行、并发海量运算的方法，包括前台接收装置，负载均衡器一，webservice服务器，负载均衡器二和数据库服务器，所述的前台接收装置将需要运算的xml数据进行整合，将整合后的数据传输至负载均衡器一上，负载均衡器一将对当时的webservice服务器的工作状态进行比较，选择出还在空闲状态的webservice服务器，然后将数据传输至webservice服务器上，所述的webservice服务器将数据传输至负载均衡器二，所述的负载均衡器二将数据整合传输至闲置状态的数据库服务器上，所述的数据库服务器进行xml计算，计算采用函数作为并行运算单元。
将前台系统应用请求的智能模块xml入参。
数据库服务器存储过程接收到xml入参后在内存表中调用数据高速并行运算。
实施例：
如图2模型计算机智能决策过程约需100步左右。
原有算法需将考生的分数信息及个人意向作为入参输入，后根据入参筛选出符合分数的学校，再用游标根据政策、招生计划等信息逐一判断卡位，算出该学校对该考生的决策方向，最后每个学校又用同样步骤和方法匹配专业情况。约需20分钟，系统才能出结果。便如12306网站这么简单的算法也要排队一样。
系统采用该专利后将过程化需大量交互至webservice逻辑层的运算推至最底层，用大量并行运算方法，短期内得出结果，约需0.3～0.6秒。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。