CN108985455A - 一种计算机应用神经网络预测方法及系统 - Google Patents

Abstract

本发明属于网络预测技术领域，公开了一种计算机应用神经网络预测方法及系统，所述计算机应用神经网络预测系统包括：数据接收模块、建模模块、跟踪模块、分层模块、神经网络学习模块、网络健康评价模块。本发明通过神经网络学习模块提出了采用倒数法使对分母中变量的偏导求解变成普通变量的偏导求解的方法，减少了系统的运算量，从而提高了系统的效率；最后利用训练好的模糊神经网络对测试数据进行识别预测，与传统模糊神经网络相比识别率有显著提高；同时通过网络健康评价模块能够及时将指标更新及健康状况评价结果专家意见反馈引入到评价方法中，进行自我修正；评价结果准确。

Description

一种计算机应用神经网络预测方法及系统

技术领域

本发明属于网络预测技术领域，尤其涉及一种计算机应用神经网络预测方法及系统。

背景技术

神经网络(Artificial Neural Network，即ANN)，是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。然而，现有神经网络学习算法存在着固有缺陷，如学习周期长、学习率和步长不能改变等问题，以至于不能很好地对那些维数大且模糊度较高的数据进行识别；同时现有神经网络数据海量，网络指标体系复杂，不能够灵活应对评价体系及指标的变化、不能够及时反馈专家意见等问题。

综上所述，现有技术存在的问题是：

(1)现有神经网络学习算法存在着固有缺陷，如学习周期长、学习率和步长不能改变等问题，以至于不能很好地对那些维数大且模糊度较高的数据进行识别；同时现有神经网络数据海量，网络指标体系复杂，不能够灵活应对评价体系及指标的变化、不能够及时反馈专家意见等问题。

(2)现有神经网络学习算法的模糊度较高的数据处理效率低。

发明内容

针对现有技术存在的问题，本发明提供了一种计算机应用神经网络预测方法及系统。

本发明是这样实现的，一种计算机应用神经网络预测方法，所述计算机应用神经网络预测方法包括以下步骤：

步骤一，采用效率模型的数据接收模块接收计算机应用数据；

所述效率模型为：

时间t_n中处理数据包数：

t_n＝T_E-T_B；

其中，T_B为数据包分析处理前系统时间；T_E为数据包分析处理后系统时间；t_n表示处理第n个数据包的时间；数据处理效率V，接收数据D；

步骤二，通过建模模块采用模糊数学神经网络的方法建模；

步骤三，预估数据的处理速度，通过跟踪模块对建模的数据进行跟踪；

所述数据的处理速度C点在X轴、Y轴和Z轴的数据速度大小分别为v_cx、v_cy、v_cz则：

v_cx＝v_upcx+v_ecx

v_cy＝v_upcy+v_ecy

v_cz＝v_upcz+v_ecz；

由B及其前两个点的数据信息可以得到B点在3个维度上的速度大小分别为v_bx、v_by、v_bz；另外B、C数据点的时刻已知，可分别设为t_b、t_c，则C点在3个维度上的加速度大小a_cx、a_cy、acz为：

步骤四，通过分层模块对跟踪的数据进行模糊神经网络分层；

步骤五，通过神经网络学习模块根据对所建立的模糊神经网络的训练，得到包含权值的网络分类器，训练过程中学习率采用随着训练过程的梯度变化而变化；

步骤六，通过网络健康评价模块对构建的网络健康状况进行评价。

进一步，所述神经网络学习模块学习方法如下：

(1)建立模糊神经网络；

(2)根据步骤(1)所建立的模糊神经网络，初始化模糊神经网络的网络参数；

(3)输入训练样本参数x_i到所建立的模糊神经网络，模糊神经网络输出y_i；其中，所述x_i为第i个输入变量值，y_i为对应的模糊神经网络输出值；

(4)根据步骤(3)所得到的y_i，计算如果e≤预设标准误差，则停止训练，并转到步骤(7)；如果e>预设标准误差，并且迭代次数k>预设迭代次数，则停止训练，并转到步骤(7)，否则，进入步骤(5)；其中，y_d为神经网络的期望输出，e为期望输出和实际输出y_i的误差；

(5)模糊神经网络参数学习训练；

(6)对训练后的模糊神经网络再次输入训练样本参数x_i，并转到步骤(3)；

(7)对建立的模糊神经网络进行预测识别,对测试样本作归一化处理，并将其输入以上训练好的模糊神经网络中，对该类数据进行识别分类，通过其实际输出结果，判断目标所属类别。

进一步，所述网络健康评价模块评价方法如下：

步骤1、建立评价体系：提取告警系统中的历史告警信息，结合移动专家意见建立告警健康度评价标准，具体包括以下:

(a)、将移动历史库中的历史告警信息按告警级别、告警分类、告警发生模块指标分为6类，并对近半年内每个月的6类告警数量以天为单位分别进行统计，并将告警统计数量存入数据库中；

(b)、从每类告警数量中筛选出告警数量最低值、告警数量最高值作为优秀及不健康的打分阈值，并结合移动专家意见将告警数量在最低值和最高值之间的告警数量打分为健康、良好、中等，根据告警数量的大小并结合历史数据及专家评价，将告警指标分为优秀、健康、良好、中等、不健康五级标准；

(c)、根据建立的告警指标，按照正态分布方法，将以天为单位的告警数据分为优秀、健康、良好、中等、不健康5类健康等级，每类健康等级产生50组随机序列，再将5类健康等级250组不同健康度的随机序列顺序随机打乱；

(d)、运用公式(1)最大最小法将数据进行归一化：

x_k＝(x_k-x_min)/(x_max-x_min) (1)；

式中，x_min为数据序列中的最小数，x_max为数据序列中的最大数,xk为归一化的数据；

步骤2、建立BP神经网络：根据告警信息分类特点确定BP神经网络的结构，初始化BP神经网络的权值和阈值参数，具体包括以下：

(a)、网络初始化，根据输入、输出序列(X,Y)确定输入层节点数、隐含层节点数、输出层节点数，初始化链接权值、隐含层阈值、输出层阈值，给定学习率和动量学习率；

(b)、按公式(2)确定隐含层最佳节点数，

式中，n为输入层节点数，l为隐含层节点数，m为输出层节点数，a为0-10之间的常数，隐含层节点数的选择首先是参考公式(2)来确定节点数的大概范围，然后用试凑法确定隐含层最佳节点数；

(c)、使用梯度修正法作为权值和阈值的学习方法，采用附加动量方法确定权值，带附加动量的权值学习公式表示为：

w(k)＝w(k-1)+Δw(k)+α[w(k-1)-w(k-2)] (3)；

式中，ω(k)，ω(k-1)，ω(k-2)分别是k，k-1，k-2时刻的权值，Δw(k)为ω(k)的变化量，α为动量学习率；

(d)、采用变学习率方法，学习率η在神经网路进化初期较大，网络收敛迅速，随之学习过程的进行，学习率不断减小，网络区域稳定，变学习率计算公式表示为：

η(t)＝(η_max-η_min)/t_max (4)；

式中，η_max为最大学习率，η_min为最小学习率，t_max为最大迭代次数，t为当前迭代次数，学习率η的取值在0～1之间；

步骤3、训练BP神经网络：采用训练数据训练BP神经网络，在训练过程中根据网络预测误差率对神经网络训练数据数量、动量学习率进行调整，具体包括以下：

(a)、以步骤1中产生的前200组数据作为训练数据，输入神经网络，构建神经网络系统；

(b)、以步骤1中产生的后50组数据作为测试数据，输入神经网络系统，计算系统的正确率；

(c)、调整动量学习率0.01到0.1，找到神经网络系统正确率最高时的值，确定动量学习率；

步骤4、测试BP神经网络，进行健康度评价：用测试数据进行健康度评价方法的准确率测试，确保准确率后对移动告警历史和实时数据进行健康度评价，具体包括以下：

(a)、将移动告警数据、实时数据按步骤1中的分类方法进行统计，统计每一天移动6类告警信息的数量，作为一组数据，采集测试时间内每天的数据，并进行归一化处理；

(b)、将步骤4中的(a)统计结果输入建立好的BP神经网络系统中，得到移动系统不同时间段历史及实时健康度评价等级；

(c)、将评价日期内健康度等级进行绘图统计，得到移动网络每天健康度变化趋势；

步骤5、反馈与自学习：对于使用过程中指标的调整及专家的意见，及时反馈到学习库中进行自学习，具体包括以下：

(a)、对于每天健康度评价结果，可反馈给移动专家进行评判，若某天健康度结果不准确，可以将当天的6类告警数量及调整后的健康度结果统计为一组数据，并将该数据反馈输入到步骤3训练数据中，对健康度评价系统进行调整；

(b)、对于移动网络健康度评价指标有微调及更新时，也可将更新后6类告警数量及调整后的健康度结果统计为一组数据，并将该数据反馈输入到步骤3训练数据中，对健康度评价系统进行重新调整；

步骤6、使用模糊综合评价法确定出现问题时段健康值较差基站：上述评价健康状况可以发现全网基站健康状况较差的时刻，为了找到具体发生问题的基站，进行基站健康值评价。

本发明的另一目的在于提供一种实现所述计算机应用神经网络预测方法的计算机应用神经网络预测系统，所述计算机应用神经网络预测系统包括：

数据接收模块、建模模块、跟踪模块、分层模块、神经网络学习模块、网络健康评价模块；

数据接收模块，与建模模块连接，用于接收计算机应用数据；

建模模块，与数据接收模块、跟踪模块连接，用于采用模糊数学神经网络的方法建模；

跟踪模块，与建模模块、分层模块连接，用于对建模的数据进行跟踪；

分层模块，与跟踪模块、神经网络学习模块连接，用于对跟踪的数据进行模糊神经网络分层；

神经网络学习模块，与分层模块、网络健康评价模块连接，用于通过对所建立的模糊神经网络的训练，得到包含权值的网络分类器，训练过程中学习率采用随着训练过程的梯度变化而变化；

网络健康评价模块，与神经网络学习模块连接，用于对构建的网络健康状况进行评价。

本发明的另一目的在于提供一种应用所述计算机应用神经网络预测系统的信息数据处理终端。

本发明通过神经网络学习模块根据对所建立的模糊神经网络的训练，得到包含权值的网络分类器，训练过程中学习率采用随着训练过程的梯度变化而变化的方法，以实现对这类误识别数据的准确识别，另外提出了采用倒数法使对分母中变量的偏导求解变成普通变量的偏导求解的方法，减少了系统的运算量，从而提高了系统的效率；最后利用训练好的模糊神经网络对测试数据进行识别预测，与传统模糊神经网络相比识别率有显著提高；同时通过网络健康评价模块能够及时将指标更新及健康状况评价结果专家意见反馈引入到评价方法中，进行自我修正；评价结果准确。

本发明采用效率模型的数据接收模块接收计算机应用数据，提高了数据的处理效率，满足了神经网络学习数据的实时、高效和稳定性处理。

附图说明

图1是本发明实施提供的计算机应用神经网络预测方法流程图。

图2是本发明实施提供的计算机应用神经网络预测系统结构示意图；

图2中：1、数据接收模块；2、建模模块；3、跟踪模块；4、分层模块；5、神经网络学习模块；6、网络健康评价模块。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图及具体实施例对本发明的应用原理作进一步描述。

如图1所示，本发明实施例提供的计算机应用神经网络预测方法包括以下步骤：

S101：通过数据接收模块接收计算机应用数据；

S102：通过建模模块采用模糊数学神经网络的方法建模；

S103：通过跟踪模块对建模的数据进行跟踪；

S104：通过分层模块对跟踪的数据进行模糊神经网络分层；

S105：通过神经网络学习模块根据对所建立的模糊神经网络的训练，得到包含权值的网络分类器，训练过程中学习率采用随着训练过程的梯度变化而变化；

S106：通过网络健康评价模块对构建的网络健康状况进行评价。

如图2所示，本发明实施例提供的计算机应用神经网络预测系统包括：数据接收模块1、建模模块2、跟踪模块3、分层模块4、神经网络学习模块5、网络健康评价模块6。

数据接收模块1，与建模模块2连接，用于接收计算机应用数据；

建模模块2，与数据接收模块1、跟踪模块3连接，用于采用模糊数学神经网络的方法建模；

跟踪模块3，与建模模块2、分层模块4连接，用于对建模的数据进行跟踪；

分层模块4，与跟踪模块3、神经网络学习模块5连接，用于对跟踪的数据进行模糊神经网络分层；

神经网络学习模块5，与分层模块4、网络健康评价模块6连接，用于通过对所建立的模糊神经网络的训练，得到包含权值的网络分类器，训练过程中学习率采用随着训练过程的梯度变化而变化；

网络健康评价模块6，与神经网络学习模块5连接，用于对构建的网络健康状况进行评价。

本发明提供的神经网络学习模块5学习方法如下：

(1)建立模糊神经网络；

(2)根据步骤(1)所建立的模糊神经网络，初始化模糊神经网络的网络参数；

(3)输入训练样本参数x_i到所建立的模糊神经网络，模糊神经网络输出y_i；其中，所述x_i为第i个输入变量值，y_i为对应的模糊神经网络输出值；

(4)根据步骤(3)所得到的y_i，计算如果e≤预设标准误差，则停止训练，并转到步骤(7)；如果e>预设标准误差，并且迭代次数k>预设迭代次数，则停止训练，并转到步骤(7)，否则，进入步骤(5)；其中，y_d为神经网络的期望输出，e为期望输出和实际输出y_i的误差；

(5)模糊神经网络参数学习训练；

(6)对训练后的模糊神经网络再次输入训练样本参数x_i，并转到步骤(3)；

(7)对建立的模糊神经网络进行预测识别,对测试样本作归一化处理，并将其输入以上训练好的模糊神经网络中，对该类数据进行识别分类，通过其实际输出结果，判断目标所属类别。

本发明提供的网络健康评价模块6评价方法如下：

步骤1、建立评价体系：提取告警系统中的历史告警信息，结合移动专家意见建立告警健康度评价标准，具体包括以下:

(a)、将移动历史库中的历史告警信息按告警级别、告警分类、告警发生模块指标分为6类，并对近半年内每个月的6类告警数量以天为单位分别进行统计，并将告警统计数量存入数据库中；

(b)、从每类告警数量中筛选出告警数量最低值、告警数量最高值作为优秀及不健康的打分阈值，并结合移动专家意见将告警数量在最低值和最高值之间的告警数量打分为健康、良好、中等，根据告警数量的大小并结合历史数据及专家评价，将告警指标分为优秀、健康、良好、中等、不健康五级标准；

(c)、根据建立的告警指标，按照正态分布方法，将以天为单位的告警数据分为优秀、健康、良好、中等、不健康5类健康等级，每类健康等级产生50组随机序列，再将5类健康等级250组不同健康度的随机序列顺序随机打乱；

(d)、运用公式(1)最大最小法将数据进行归一化，

x_k＝(x_k-x_min)/(x_max-x_min) (1)；

式中，x_min为数据序列中的最小数，x_max为数据序列中的最大数,xk为归一化的数据；

步骤2、建立BP神经网络：根据告警信息分类特点确定BP神经网络的结构，初始化BP神经网络的权值和阈值参数，具体包括以下：

(a)、网络初始化，根据输入、输出序列(X,Y)确定输入层节点数、隐含层节点数、输出层节点数，初始化链接权值、隐含层阈值、输出层阈值，给定学习率和动量学习率；

(b)、按公式(2)确定隐含层最佳节点数，

式中，n为输入层节点数，l为隐含层节点数，m为输出层节点数，a为0-10之间的常数，隐含层节点数的选择首先是参考公式(2)来确定节点数的大概范围，然后用试凑法确定隐含层最佳节点数；

(c)、使用梯度修正法作为权值和阈值的学习方法，采用附加动量方法确定权值，带附加动量的权值学习公式表示为：

w(k)＝w(k-1)+Δw(k)+α[w(k-1)-w(k-2)] (3)；

式中，ω(k)，ω(k-1)，ω(k-2)分别是k，k-1，k-2时刻的权值，Δw(k)为ω(k)的变化量，α为动量学习率；

(d)、采用变学习率方法，学习率η在神经网路进化初期较大，网络收敛迅速，随之学习过程的进行，学习率不断减小，网络区域稳定，变学习率计算公式表示为：

η(t)＝(η_max-η_min)/t_max (4)；

式中，η_max为最大学习率，η_min为最小学习率，t_max为最大迭代次数，t为当前迭代次数，学习率η的取值在0～1之间；

步骤3、训练BP神经网络：采用训练数据训练BP神经网络，在训练过程中根据网络预测误差率对神经网络训练数据数量、动量学习率进行调整，具体包括以下：

(a)、以步骤1中产生的前200组数据作为训练数据，输入神经网络，构建神经网络系统；

(b)、以步骤1中产生的后50组数据作为测试数据，输入神经网络系统，计算系统的正确率；

(c)、调整动量学习率0.01到0.1，找到神经网络系统正确率最高时的值，确定动量学习率；

步骤4、测试BP神经网络，进行健康度评价：用测试数据进行健康度评价方法的准确率测试，确保准确率后对移动告警历史和实时数据进行健康度评价，具体包括以下：

(a)、将移动告警数据、实时数据按步骤1中的分类方法进行统计，统计每一天移动6类告警信息的数量，作为一组数据，采集测试时间内每天的数据，并进行归一化处理；

(b)、将步骤4中的(a)统计结果输入建立好的BP神经网络系统中，得到移动系统不同时间段历史及实时健康度评价等级；

(c)、将评价日期内健康度等级进行绘图统计，得到移动网络每天健康度变化趋势；

步骤5、反馈与自学习：对于使用过程中指标的调整及专家的意见，及时反馈到学习库中进行自学习，具体包括以下：

(a)、对于每天健康度评价结果，可反馈给移动专家进行评判，若某天健康度结果不准确，可以将当天的6类告警数量及调整后的健康度结果统计为一组数据，并将该数据反馈输入到步骤3训练数据中，对健康度评价系统进行调整；

(b)、对于移动网络健康度评价指标有微调及更新时，也可将更新后6类告警数量及调整后的健康度结果统计为一组数据，并将该数据反馈输入到步骤3训练数据中，对健康度评价系统进行重新调整；

步骤6、使用模糊综合评价法确定出现问题时段健康值较差基站：上述评价健康状况可以发现全网基站健康状况较差的时刻，为了找到具体发生问题的基站，进行基站健康值评价。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种计算机应用神经网络预测方法，其特征在于，所述计算机应用神经网络预测方法包括以下步骤：

步骤一，采用效率模型的数据接收模块接收计算机应用数据；

所述效率模型为：

时间t_n中处理数据包数：

t_n＝T_F-T_B；

其中，T_B为数据包分析处理前系统时间；T_E为数据包分析处理后系统时间；t_n表示处理第n个数据包的时间；数据处理效率V，接收数据D；

步骤二，通过建模模块采用模糊数学神经网络的方法建模；

步骤三，预估数据的处理速度，通过跟踪模块对建模的数据进行跟踪；

所述数据的处理速度C点在X轴、Y轴和Z轴的数据速度大小分别为v_cx、v_cy、v_cz则：

v_cx＝v_upcx+v_ecx

v_cy＝v_upcy+v_ecy

v_cz＝v_upcz+v_ecz；

由B及其前两个点的数据信息可以得到B点在3个维度上的速度大小分别为v_bx、v_by、v_bz；另外B、C数据点的时刻已知，可分别设为t_b、t_c，则C点在3个维度上的加速度大小a_cx、a_cy、acz为：

步骤四，通过分层模块对跟踪的数据进行模糊神经网络分层；

步骤五，通过神经网络学习模块根据对所建立的模糊神经网络的训练，得到包含权值的网络分类器，训练过程中学习率采用随着训练过程的梯度变化而变化；

步骤六，通过网络健康评价模块对构建的网络健康状况进行评价。

2.如权利要求1所述的计算机应用神经网络预测方法，其特征在于，所述神经网络学习模块学习方法如下：

(1)建立模糊神经网络；

(2)根据步骤(1)所建立的模糊神经网络，初始化模糊神经网络的网络参数；

(3)输入训练样本参数x_i到所建立的模糊神经网络，模糊神经网络输出y_i；其中，所述x_i为第i个输入变量值，y_i为对应的模糊神经网络输出值；

(4)根据步骤(3)所得到的y_i，计算如果e≤预设标准误差，则停止训练，并转到步骤(7)；如果e>预设标准误差，并且迭代次数k>预设迭代次数，则停止训练，并转到步骤(7)，否则，进入步骤(5)；其中，y_d为神经网络的期望输出，e为期望输出和实际输出y_i的误差；

(5)模糊神经网络参数学习训练；

(6)对训练后的模糊神经网络再次输入训练样本参数x_i，并转到步骤(3)；

(7)对建立的模糊神经网络进行预测识别,对测试样本作归一化处理，并将其输入以上训练好的模糊神经网络中，对该类数据进行识别分类，通过其实际输出结果，判断目标所属类别。

3.如权利要求1所述的计算机应用神经网络预测方法，其特征在于，所述网络健康评价模块评价方法如下：

步骤1、建立评价体系：提取告警系统中的历史告警信息，结合移动专家意见建立告警健康度评价标准，具体包括以下:

(a)、将移动历史库中的历史告警信息按告警级别、告警分类、告警发生模块指标分为6类，并对近半年内每个月的6类告警数量以天为单位分别进行统计，并将告警统计数量存入数据库中；

(b)、从每类告警数量中筛选出告警数量最低值、告警数量最高值作为优秀及不健康的打分阈值，并结合移动专家意见将告警数量在最低值和最高值之间的告警数量打分为健康、良好、中等，根据告警数量的大小并结合历史数据及专家评价，将告警指标分为优秀、健康、良好、中等、不健康五级标准；

(c)、根据建立的告警指标，按照正态分布方法，将以天为单位的告警数据分为优秀、健康、良好、中等、不健康5类健康等级，每类健康等级产生50组随机序列，再将5类健康等级250组不同健康度的随机序列顺序随机打乱；

(d)、运用公式(1)最大最小法将数据进行归一化：

x_k＝(x_k-x_min)/(x_max-x_min) (1)；

式中，x_min为数据序列中的最小数，x_max为数据序列中的最大数,xk为归一化的数据；

步骤2、建立BP神经网络：根据告警信息分类特点确定BP神经网络的结构，初始化BP神经网络的权值和阈值参数，具体包括以下：

(a)、网络初始化，根据输入、输出序列(X,Y)确定输入层节点数、隐含层节点数、输出层节点数，初始化链接权值、隐含层阈值、输出层阈值，给定学习率和动量学习率；

(b)、按公式(2)确定隐含层最佳节点数，

式中，n为输入层节点数，l为隐含层节点数，m为输出层节点数，a为0-10之间的常数，隐含层节点数的选择首先是参考公式(2)来确定节点数的大概范围，然后用试凑法确定隐含层最佳节点数；

(c)、使用梯度修正法作为权值和阈值的学习方法，采用附加动量方法确定权值，带附加动量的权值学习公式表示为：

w(k)＝w(k-1)+Δw(k)+α[w(k-1)-w(k-2)] (3)；

式中，ω(k)，ω(k-1)，ω(k-2)分别是k，k-1，k-2时刻的权值，Δw(k)为ω(k)的变化量，α为动量学习率；

(d)、采用变学习率方法，学习率η在神经网路进化初期较大，网络收敛迅速，随之学习过程的进行，学习率不断减小，网络区域稳定，变学习率计算公式表示为：

η(t)＝(η_max-η_min)/t_max (4)；

式中，η_max为最大学习率，η_min为最小学习率，t_max为最大迭代次数，t为当前迭代次数，学习率η的取值在0～1之间；

步骤3、训练BP神经网络：采用训练数据训练BP神经网络，在训练过程中根据网络预测误差率对神经网络训练数据数量、动量学习率进行调整，具体包括以下：

(a)、以步骤1中产生的前200组数据作为训练数据，输入神经网络，构建神经网络系统；

(b)、以步骤1中产生的后50组数据作为测试数据，输入神经网络系统，计算系统的正确率；

(c)、调整动量学习率0.01到0.1，找到神经网络系统正确率最高时的值，确定动量学习率；

步骤4、测试BP神经网络，进行健康度评价：用测试数据进行健康度评价方法的准确率测试，确保准确率后对移动告警历史和实时数据进行健康度评价，具体包括以下：

(a)、将移动告警数据、实时数据按步骤1中的分类方法进行统计，统计每一天移动6类告警信息的数量，作为一组数据，采集测试时间内每天的数据，并进行归一化处理；

(b)、将步骤4中的(a)统计结果输入建立好的BP神经网络系统中，得到移动系统不同时间段历史及实时健康度评价等级；

(c)、将评价日期内健康度等级进行绘图统计，得到移动网络每天健康度变化趋势；

步骤5、反馈与自学习：对于使用过程中指标的调整及专家的意见，及时反馈到学习库中进行自学习，具体包括以下：

(a)、对于每天健康度评价结果，可反馈给移动专家进行评判，若某天健康度结果不准确，可以将当天的6类告警数量及调整后的健康度结果统计为一组数据，并将该数据反馈输入到步骤3训练数据中，对健康度评价系统进行调整；

(b)、对于移动网络健康度评价指标有微调及更新时，也可将更新后6类告警数量及调整后的健康度结果统计为一组数据，并将该数据反馈输入到步骤3训练数据中，对健康度评价系统进行重新调整；

步骤6、使用模糊综合评价法确定出现问题时段健康值较差基站：上述评价健康状况可以发现全网基站健康状况较差的时刻，为了找到具体发生问题的基站，进行基站健康值评价。

4.一种实现权利要求1所述计算机应用神经网络预测方法的计算机应用神经网络预测系统，其特征在于，所述计算机应用神经网络预测系统包括：

数据接收模块、建模模块、跟踪模块、分层模块、神经网络学习模块、网络健康评价模块；

数据接收模块，与建模模块连接，用于接收计算机应用数据；

建模模块，与数据接收模块、跟踪模块连接，用于采用模糊数学神经网络的方法建模；

跟踪模块，与建模模块、分层模块连接，用于对建模的数据进行跟踪；

分层模块，与跟踪模块、神经网络学习模块连接，用于对跟踪的数据进行模糊神经网络分层；

神经网络学习模块，与分层模块、网络健康评价模块连接，用于通过对所建立的模糊神经网络的训练，得到包含权值的网络分类器，训练过程中学习率采用随着训练过程的梯度变化而变化；

网络健康评价模块，与神经网络学习模块连接，用于对构建的网络健康状况进行评价。

5.一种应用权利要求4所述计算机应用神经网络预测系统的信息数据处理终端。