基于BP人工神经网络的智慧图书馆管理系统及方法

本发明属于智慧图书馆管理，涉及一种基于bp人工神经网络的智慧图书馆管理系统及方法。

背景技术：

1、随着信息化、智能化技术不断在图书馆领域得到落地应用，智慧图书馆在各大高校图书馆、公共图书馆得到普及。与此同时，传统图书馆的图书分类和上架工作是一项人力依赖度高、工作量大、耗时费力的工作，对于大型图书馆，意味着每天有数量庞大的书籍需要登记、归还。传统的图书馆图书分类和上架工作为：图书馆管理人员与志愿者在各还书点收书-书籍初步分拣-划定每个人负责的书籍条目，依赖人员肉眼识别标签并进行归还。这样的工作流程耗时、费力。

2、在实际工作中发现，绝大部分图书馆都普遍存在一个严重问题：读者对抽阅而不借的图书乱插、乱放，造成书架图书顺序混乱。比如在高校图书馆中，到馆读者中相当大比例为自习学生，在学习的空闲时，学生通常会在各个书架间翻阅，经常有学生同时抽取多本书，在随手翻阅后进行乱插、乱放，因此经过一段时间积累后，就会严重影响其他读者的借书体验，例如找不到要借的书。这一现象是广泛存在的，虽然高校图书馆、公共图书馆也采用文明公约呼吁、设置惩罚措施，但这一问题还是很突出。

3、鉴于此，每个馆都会根据各自情况设置固定的清理乱插、乱放书的周期，例如每周一次、每月一次等。但是因为缺乏一个判断指标，何时需要开展全馆巡检纠错，如果清理时间周期短，会导致图书管理人员付出大量无效劳动，清理时间周期长，会导致乱序图书数量积累太多，降低读者借阅体验。此外在清理乱插、乱放书的过程中，图书馆管理人员需要逐排逐架逐列逐本进行纠错，每一次巡检纠错的过程的工作量极大，虽然目前市场上也出现一些辅助设备，但仍然需要图书管理人员付出巨大的劳动成本和时间成本。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于bp人工神经网络的智慧图书馆管理系统及运转方法。

2、为达到上述目的，本发明提供如下技术方案：

3、一种基于bp人工神经网络的智慧图书馆管理系统，包括rfid手持扫描器、人工网络分析终端、管理员终端；

4、所述rfid手持扫描器包括图书识别模块、定位模块、信息处理模块，所述图书识别模块用于扫描一列图书，并通过rfid分析标签中出错的数量和内容；所述定位模块通过内置定位芯片和高度检测传感器检测当前位置和高度；所述信息处理模块用于实时收集图书识别模块、定位模块的数据并实时发送给人工智能分析终端，作为bp人工神经网络模型的训练数据；

5、所述人工智能分析终端基于bp人工神经网络模型，输入采集的数据，经处理分析后，输出摆错书籍占可借阅书籍的比例、摆错书籍的数量及位置坐标，并发送至管理员终端；

6、所述管理员终端接收人工智能分析终端的输出数据，并对接智慧图书馆管理平台，根据摆错书籍占可借阅书籍的比例，进行不同方式的提示。

7、进一步，所述人工智能分析终端的输入数据包括访客量、新访客量、借书量、还书量、人均在馆时间、人均借书量的任意三种及以上。

8、进一步，当摆错书籍占可借阅书籍的比例＜0.001时，管理员终端提醒目前馆内错书属于低水平，不会显著影响读者借阅体验，无需处理；

9、当0.001＜摆错书籍占可借阅书籍的比例＜0.003时，管理员终端提醒目前馆内错书属于中等水平，可能会影响读者借阅体验，自动导出预测的错书数量及位置，管理员根据不同需求进行排序，管理员终端导航至错放书籍位置，并显示具体书名，辅助管理员开展工作；

10、当摆错书籍占可借阅书籍的比例＞0.003时，管理员终端提醒目前馆内错书属于高水平，可能会显著影响读者阅读体验，建议图书馆开展全面检查、纠正。

11、另一方面，本发明提供一种基于bp人工神经网络的智慧图书馆管理方法，包括以下步骤：

12、s1：采集训练数据；

13、s2：构建bp人工神经网络模型，利用训练数据进行训练；

14、s3：输入指定周期内的图书馆相关数据，利用训练好的bp人工神经网络模型预测摆错书籍占可借阅书籍的比例、摆错书籍数量、位置坐标；

15、s4：根据摆错书籍占可借阅书籍所占比例，执行不同操作提示。

16、进一步，所述采集训练数据包括：

17、根据图书馆情况制定大规模排查出错书的周期及次数，每3-90天开展一次排查，排查时由指定管理人员手持rfid检测设备，或目视检查，收集排查数据；

18、利用智慧图书馆管理后台导出该时间周期内的访客量、新访客量、借书量、还书量、人均在馆时间、人均借书量。

19、进一步，所述bp人工神经网络模型，具体包括：

20、设计输入参数和输出参数：输入参数为访客量、新访客量、借书量、还书量、人均在馆时间、人均借书量的任意三种及以上；输出参数为摆错书籍占可借阅书籍的比例、摆错书籍的数量及位置坐标；

21、确定隐层层数及节点数：采取隐层数为1-3个，隐层神经元个数为10-20个；

22、输入层到隐含层的变换是非线性的；

23、激活函数采用双曲正切s形传递函数tansig(n)、对数s型函数logsig(n)、elliots型函数elliotsig(n)中的任意一种；

24、隐含层到输出层变换是线性的，采用正线性函数poslin(n)、线性函数purelin(n)、正线性饱和函数satlin(n)和对称线性饱和函数satlins(n)中的任意一种；

25、训练中的训练函数选择：l-m反向传播算法trainlm、带动量的梯度下降的自适应学习率的反向传播算法traingdx、自适应学习率的t梯度下降反向传播算法traingda和梯度下降反向传播算法traingd中的任意一种。

26、进一步，所述训练bp人工神经网络模型具体包括：开展6-24次时间周期内样本训练，直至相关系数r值＞0.9；随机选择2-10个时间周期，作为验证数据集，获得相关系数r值，若r值在可接受范围，训练及验证结束；所述相关系数r值用于考察数据变量之间的相关程度的参数，包括训练集、验证集、测试集和总体数据的关联性；对于两组变量xi，yi，其相关系数r值为：

27、

28、其中x、y分别表示xi、yi中各元素的平均数；

29、相关系数r值为0.8-1.0表示极强相关，r值为0.6-0.8表示强相关，r值为0.4-0.6表示中等强度相关，r值为0.0-0.4表示极弱相关或无相关。

30、进一步，步骤s3具体包括：在bp人工神经网络中输入指定周期内的访客量、新访客量、借书量、还书量、人均在馆时间、人均借书量中的任意三种及以上后，人工神经网络自动输出摆错书籍数量、位置坐标。

31、进一步，步骤s4具体包括：

32、当摆错书籍占可借阅书籍的比例＜0.001时，提醒目前馆内错书属于低水平，不会显著影响读者借阅体验，无需处理；

33、当0.001＜摆错书籍占可借阅书籍的比例＜0.003时，提醒目前馆内错书属于中等水平，可能会影响读者借阅体验，自动导出预测的错书数量及位置，管理员根据不同需求进行排序，导航至错放书籍位置，并显示具体书名，辅助管理员开展工作；

34、当摆错书籍占可借阅书籍的比例＞0.003时，提醒目前馆内错书属于高水平，可能会显著影响读者阅读体验，建议图书馆开展全面检查、纠正。

35、本发明的有益效果在于：与现有技术相比，本发明具有以下优点：本发明通过具有强大自适应及学习能力的bp人工神经网络和物联网技术，利用matlab预研中的神经网络工具箱对预测模型进行初始化、仿真和训练，利用bp人工神经网络泛化出“合理的内在联系”，仅通过调用访客量、新访客量、借书量、还书量等智慧图书馆后台易于获得的数据，就可以预测图书馆内图书乱插、乱放的趋势，通过最少6次的训练即可达到较为精准的预测。利用该管理系统，系统可以根据访客量、新增访客量、借书量、还书量等数据预测出摆放错误的书本数量、位置，帮助图书馆管理人员判定错书比例，辅助工作人员精准定位，从而大幅度降低劳动强度，从而在不增加太多工作量的情况下，改善图书乱插、乱放的问题，提升纸质图书的流动性，为读者打造一个舒适的借阅体验。

36、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。