BP神经网络技术在训练器材科学筹划中的应用

冯 诚 ， 张汇锋 ， 赵 明 ， 陈 毓 ， 吴 一

（1.中国人民解放军92724部队，山东 青岛 266109；2.海军航空工程学院 山东 烟台 264001）

训练器材是完成教学训练任务的保障，如何实现训练器材的科学筹划是一件繁琐的工作。训练器材作为实验教学保障的重要组成部分，其保障是否科学合理将对教学水平的完成和发挥产生直接的影响。为此，必须储备一定数量的训练器材，而保障经费以及保管仓库的容积都是有限的，所以，只能以有限的保障经费、有限的库容，采购有限的器材。如果储备量过大，一方面将增加了库存保管费和保管场所维护费用，降低经济效益；另一方面，过量库存降低了器材的质量，使器材陈旧、损坏，甚至因发霉、生锈而变质，这会致使保障成本增加，降低保障效益。反过来，器材储备过少会造成维修停工，甚至无法完成正常的教学任务，并且由于缺货往往造成临时订货，更增加了附加的人力和费用，造成更大的损失。因此，对训练器材的需求进行预测是科学筹划训练器材保障工作的基础[1-2]。

1 神经网络理论

人工神经网络（ANN—Artificial Neural Network）可以概括的定义为：由大量简单的高度互联的处理元素（神经元）所组成的复杂网络计算系统。它是在现代神经科学研究成果基础上提出的，反映了人脑功能的若干基本特征，是模拟人工智能的一条重要途径。人工神经网络既可以用硬件实现，也可以用软件实现；既可以看作是一种计算模式，也可以看作是一种认知模式[3-4]。

BP神经网络即误差回传神经网络 （Back-Propagation Neural Network），它是一种无反馈的向前网络。网络中的神经元分层排列，除了有输入层、输出层之外，还至少有一层隐蔽层；每一层内神经元的输出均传送到下一层，这种传送由连接权来达到增强、减弱或抑制这些输出的作用，除了输入层的神经元外，隐蔽层和输出层神经元的净输入是前一层神经元输出的加权和；每个神经元均由它的输入、活化函数和阀值来决定它的活化程度。

BP神经网络的工作过程分为学习期和工作期两个部分。学习期由输入信息的正向传播和误差的反向传播两个过程组成。在正向传播过程中，输入信息从输入层到隐蔽层再到输出层进行逐层处理、每一层神经元的状态只影响下一层神经元的状态，如果输出层的输出与给出的样本希望输出不一致，则计算出输出误差，转入误差反向传播过程，将误差沿原来的连接通路返回。通过修改各层神经网络模型之间的权值，使得误差达到最小。经过大量学习样本训练之后，各层神经元之间的连接权就固定了下来，可以开始工作期。工作期中只有输入信息的正向传播。正向传播的计算按前述神经元模型工作过程进行。因此，BP网络的计算关键在于学习期中的误差反向传播过程。此过程是通过使一个目标函数最小化来完成的。通常目标函数定义为实际输出与希望输出之间的误差平方和（当然也可以定义为熵或线性误差函数）[5-6]。

2 训练器材需求影响因素分析及量化

根据对教学施训单位保障情况的分析研究，影响器材需求的主要因素包括：

图1 BP神经网络示意图Fig.1 Structure of BP neural network

1）器材使用情况：使用时间、次数、等，使用时间越长，使用次数越多，器材发生故障的概率也就越大，需求量增加；

2）器材使用人员的技术条件：使用人员水平越高，正规操作次数多，对器材的损耗小，需求量就会越小；使用人员水平较差，非正常操作次数多，对器材的损耗大，需求量就会增大。

3）器材综合性能：制造工艺、产品质量等也会对器材的消耗产生重要的影响，器材质量越好，平均故障间隔时间越小，器材的需求量越小。

4）器材的采购的难易程度：器材易于采购，采购时间短，则器材的储备量就不用太多；反之，器材采购困难，采购时间长，则储备量就要相对多一些，需求量也就更高一些。

根据此原则将训练器材需求量L的主要影响因素归纳为：使用时间T、使用次数Y、综合业务素质差的使用人员在全体使用人员所占的比例U、故障率Q，平均故障间隔时间M，不易采购的程度S。将影响使用训练器材的6个因素作为神经网络的输入参数，将训练器材需求量L作为输出。故基于神经网络的训练器材需求量为：

在上述6个影响因素中，前五个指标均为数值指标，很容易量化。而对于第6个因素，可以通过查询器材的订货纪录结合管理工作人员的经验，将这一指标转化为0～1的数值指标，即极易容易采购则赋值为1，否则为0[7]。

3 基于BP神经网络的训练器材需求预测模型基本步骤

本文以影响训练器材需求发生的因素作为输入，以训练器材需求量作为输出，建立基于BP神经网络的训练器材预测模型，其基本步骤如图2所示。

第1步，寻找与训练器材需求相关的各个影响因素。影响需求量的因素有很多，需求量不仅与历史需求有关，而且与其他多种影响因素有关，同时各需求因素相互之间的关系比较复杂。

第2步，训练器材需求驱动因子（描述各个影响因素的说明性变量）的选取。训练器材需求驱动因子的确定原则：需求驱动因子合乎逻辑地和各个影响因素相联系；需求驱动因子的变化引起器材需求的变化具有一贯性；需求驱动因子的量值易于确定。

第3步，对数据进行预测处理，对部分定性分析指标进行量化处理。选择合适的传递函数，对参数进行优化，获得最优参数。

图2 BP神经网络需求量预测结果图Fig.2 Demand forecasting-ANN

第4步，采用BP神经网络对训练器材需求样本进行学习，训练器材需求驱动因子是输入，训练器材的需求量为输出；并对精度进行分析，若不能达到要求的精度，重新选择传递函数，转第3步；若达到精度要求，生成合适的预测函数。

第5步，输入新的训练器材需求情况样本或者已有训练器材在不同情况下的需求样本，到BP神经网络模型中进行器材需求预测。

第6步，增添新的训练器材需求样本到BP神经网络模型进行学习，不断地提高器材需求量预测的精度。

第7步，预测训练器材需求数据，保存模型。

4 训练器材需求预测实例分析

以年为单位，对编号为001的训练器材2003年到2012年需求影响因素的相关数据进行搜集整理，结果见表1。以前9年的数据作为训练样本，以第10年（2012年）的数据作为测试样本，应用BP神经网络对训练器材进行需求量预测。

表1 各年需求影响因素的相关数据Tab.1 Relevant data of annual factors affecting demand

预测曲线与实际数据的拟合程度如图3所示。

图3 基于BP神经网络器材需求预测流程Fig.3 Based on BP neural network equipments demand forecasting basic steps

预测结果分析如表2所示。

表2 预测结果对比表Tab.2 Forecasting results contrast table

由表2可知，对比两种方法的MAE、MSE值及2012年的需求预测值可知，相比指数平滑法采用BP神经网络进行预测所得到的结果和实际值更为接近。

根据以上数据实验的结果与分析，可以得出以下结论：

1）BP神经网络的预测性能远远高于传统的指数平滑法。

2）利用BP神经网络原理对训练器材的需求情况进行预测，方法简单，对数据的样本量要求较少，预测过程比较客观，不存在主观因素，可以高效、准确地对训练器材的需求量进行预测。因此，运用BP神经网络这种新兴的工具能够较好地解决训练器材在教学施训中的需求预测问题。

5 结束语

利用BP神经网络法对训练器材的需求情况进行预测，方法简单，对数据的样本量要求较少，预测过程比较客观，不存在主观因素，可以高效、准确地对训练器材需求量进行预测。因此，运用神经网络法这种新兴的工具能够较好地解决训练器材的需求预测问题，实现训练器材保障工作的科学筹划。

[1]徐晓燕.一种基于需求特性分类的备件库存管理方法及其实证研究[J].系统工程理论与实践，2006，7（2）：62-67

XU Xiao-yan.A spare parts inventory management method of classification based on the demand characteristics and its empiricalresearch[J].SystemsEngineeringTheoryandPractice，2006，7（2）:62-67.

[2]杨宇航，赵建民，李志忠.备件管理系统仿真研究[J].系统仿真学报，2004，16（5）：981-986.

YANG Yu-hang，ZHAO Jian-min，LI Zhi-zhong.The spare parts management system simulation[J].Journal of System Simulation，2004，16（5）:981-986.

[3]朱凯.精通MATLAB神经网络[M].北京：电子工业出版社，2010：236-241.

[4]刘兴唐，吴晓燕.现代系统建模与仿真技术[M].西安：西北工业大学出版社，2001：40-43.

[5]艾时钟，杜荣.基于神经网络的备件库存风险级别预测[J].中国管理科学，2008，16（2）：430-433.

AI Shi-zhong，DU Rong.Prediction of spare parts inventory risk level based on neural network[J].Chinese Management Science，2008，16（2）:430-433.

[6]周英，尹邦德，任铃，等.基于BP神经网络的电网短期负荷预测模型研究[J].电测与仪表，2011，48（542）：68-71.

ZHOU Ying，YIN Bang-de，REN Ling，et al.The short-term load prediction model of power grid based on BP neural network[J].Electrical Measurement and Instrumentation，2011，48 （542）:68-71

[7]张冬，明新国，赵成雷，等.基于BP神经网络和设备特性的工业设备备件需求预测[J].机械设计与研究，2010，26（1）：72-76.

ZHANG Dong，MING Xin-guo，ZHAO Cheng-lei，etal.Industrial equipment spare parts demand forecast based on BP neural network and the characteristic of the equipment[J].Machine Design and Research，2010，26（1）:72-76.