在經過廣泛調研專業(yè)農產品跨境電商人才的知識體系和技能的基礎上,總結分析專業(yè)農產品跨境電商人才具備的9大重要特征。利用這些特征量化收集得到的652份樣本數(shù)據,建立基于BP神經網絡的農產品跨境電商人才培養(yǎng)算法模型。實際應用結果表明,采用十字交叉驗證方法進行驗證,分類的準確度達到了95%,相比傳統(tǒng)的KNN分類算法,分類精確度較高,節(jié)省了評估農產品跨境電商人才具有不同水準的人力物力,同時可以針對不同類別的跨境電商人才,提供精準培養(yǎng),避免資源浪費。 

【文章來源】：微型電腦應用. 2020,36(05)

【文章頁數(shù)】：4 頁

【部分圖文】：

BP神經網絡分類模型算法流程圖

構建的BP神經網絡從輸入到輸出的維度分別為(9,400,300,100,3),構造的神經網絡模型,如圖2所示。圖2中的隱藏層包含了3層的神經網絡模型,構造的BP神經網絡由1個輸入層,3個隱藏層和1個輸出層組成。對于第二層神經網絡中的每一個神經節(jié)點來說,對于第一層輸入的數(shù)據,經過線性變換,如式(1)所示。

實驗的環(huán)境采用的是Windows10的操作系統(tǒng),CPU型號為Intel(R) Core(TM) i7-8750H@2.20 GHz 2.1 GHz,內存為8 G,算法的實現(xiàn)采用的是基于Pytorch深度學習框架的Python語言實現(xiàn)的。在實驗的過程中,按照1.1的十字交叉驗證方法,每次隨機按照0.7的比例選取456條數(shù)據作為訓練數(shù)據,剩余的196條數(shù)據作為驗證數(shù)據,實驗進行10次,取10次的驗證數(shù)據的準確度作為平均的準確率。實驗的BP神經網絡的學習率設置為α=0.28,迭代的次數(shù)設置epochs=1000,之所以選擇學習率α=0.28,是因為在此參數(shù)下,對精確度影響較低,而迭代速度較快,能盡快地收斂。實驗的結的損失函數(shù)趨勢圖,如圖3所示。有圖3的實驗數(shù)據可以看出,當?shù)拇螖?shù)大致達到800次的時候,模型的損失函數(shù)基本上達到了收斂的水平,待模型穩(wěn)定后,就可以對模型進行驗證數(shù)據的測試了,驗證集測試的結果,如表2所示。

【參考文獻】：
期刊論文
[1]Knn算法在互聯(lián)網涉警輿情分析系統(tǒng)的應用研究[J]. 陳來.  通訊世界. 2019(12)
[2]基于改進的遺傳算法與人工神經網絡的類流感的預測[J]. 胡紅萍,白黃琴,白艷萍,張菊平,劉茂省.  中北大學學報(自然科學版). 2019(06)
[3]基于長短期記憶神經網絡的手寫數(shù)字識別[J]. 蔣銳鵬,姑麗加瑪麗·麥麥提艾力,安麗娜.  計算機技術與發(fā)展. 2020(02)
[4]基于BP神經網絡的包裝分揀機器人視覺標定算法[J]. 章曉峰,李光,肖帆,楊家超,馬祺杰.  包裝學報. 2019(04)
[5]“一帶一路”背景下我國農產品跨境電商發(fā)展現(xiàn)狀及策略研究[J]. 嚴淑芬,王志和.  電子商務. 2019(06)
[6]改進的BP神經網絡算法的研究與應用[J]. 富宇,李倩,劉澎.  計算機與數(shù)字工程. 2019(05)
[7]一種新型激活函數(shù):提高深層神經網絡建模能力[J]. 賀揚,成凌飛,張培玲,李艷.  測控技術. 2019(04)
[8]跨境電商專業(yè)人才勝任素質模型研究[J]. 蘇曼.  高等工程教育研究. 2016(03)
[9]基于三個并行BP神經網絡的機器人逆運動學求解[J]. 臧慶凱,李春貴,鐘宛余.  計算機測量與控制. 2012(08)
[10]基于最優(yōu)樸素貝葉斯分類器的個人信用預測[J]. 吳陳,張明華.  江蘇科技大學學報(自然科學版). 2012(04)

碩士論文
[1]基于遷移學習的情感分類研究與應用[D]. 段秀玉.北京郵電大學 2019
[2]以提升用戶信任為導向的跨境電商服務設計研究[D]. 帥如.華東理工大學 2018



本文編號：3216823