基于ART2线性组合神经网络的军事物流需求预测方法研究

2015-02-07军事交通学院基础部马文彬王晓卓

电子世界 2015年16期

关键词：需求预测子系统军事

军事交通学院基础部刘旭马文彬王晓卓

军事交通学院基础部刘旭马文彬王晓卓

在分析BP、RBF、ART2等单一神经网络模型的基础上，建立了ART2线性组合神经网络模型，用其开展在小样本集下军事物流需求预测的研究，通过对模拟实例验证，ART2线性组合神经网络模型的检验指标优于单一神经网络模型。

ART2；组合神经网络；军事物流；预测

1 绪论

在现代化战争中军事物流理论已开始指导战场后勤实践，目前大多数国家都在采用类似企业化运作方式进行精确后勤补给运作，精确的后勤补给将是未来战争后勤的前沿领域，然而后勤保障力量要以最佳方案、最佳手段、在最快的时间做出反应，及时形成保障能力，那么前瞻性研究战时军事物流需求与配置方法是具有十分必要的。

2 研究内容

2.1 BP神经网络

BP(Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。[1]

缺点：(1)局部容易陷入最小而得不到全局最优；(2)训练次数多使得学习效率地，收敛速度慢；(3)神经网络结点个数难以确定合适的数值，缺乏理论指导；(4)训练时学习新样本有遗忘旧样本的趋势。

2.2 自适应ART网络模型

自适应共振理论的ART2神经网络，该模型克服了大多数前向网络容易陷入局部极小点的缺陷，可以得到全局最优点，具有实时学习的能力和很强的抗差能力，同时能够动态调整特征曲线。

缺点：传统的ART2网络存在模式漂移的不足，可对部分权值的修正放慢学习速度，将改善模式漂移现象，其泛化能力受训练集空间分布的合理程度和训练集中样本点数量的影响。

3 需求分析及数据收集

军事物流需求预测的目标是在不同战争背景下精确的预测军事物流需求，建立需求预测模型的基础是指影响战争后勤补给需求的因素，即军事物流需求决策因子。军事物流定单需在分析战场实际情况、结合国际国内实际发生的因素，得出军事物流需求影响因子一般包括：军种、兵力数量、兵器种类、持续时间、部署强度、运输威胁程度、作战地形等诸多因素，需在军事物流需求策划阶段明确。通过模拟的军事物流需求信息为样本开展分析预测研究。

4 预测模型分析研究

通过分析建立预测模型如图1所示。

图1 ART2线性组合预测模型

预测模型中BP网络为图2所示，三层结构。其输入量为7个分别为作战军种、兵力数量、兵器种类、持续时间、部署强度、运输威胁程度、作战地形，输出量4个分别为给养数量、服装数量、工程器材数量、弹药数量，隐含层为12。

预测模型中ART2神经网络模型如图2所示。

图2 ART2的基本结构

自适应共振理论ART2具有快速的学习算法，且无需大量样本，可分为注意子系统和调整子系统两部分，注意子系统主要完成输入模拟量的预处理，通过竞争选择出连接权矢量数据。调整子系统对选出的模式原型进行检验，检验输入模式与长期记忆模式之间的相似度的警戒测试，并根据检验结果给出相应处理，成功或重置，通过测试模型在共振模式下进行学习并不断调整权矢量，若不成功将忽略当前激活点，转而搜索其他模式原型。如所有都不匹配，则需设置新的输出点。其中权值的学习与调整算法直接影响模式原型的接近程度。具体步骤如下：(1)图2中的F1层为比较层，功能时提取特征输入向量；(2)在比较层中通过对特征向量归一化和非线性变换经迭代得到稳定的中层模式送入图2中的F2层即识别层；(3)由识别层经过竞争选择激活识别层候选状态，得到模型的短期记忆；(4)识别层的输出经长期记忆加权后反馈回比较层，并将信息送入调整子系统，检验系统长期记忆模式与输入模式的相似程度，若通过相似度验证，则可确定输入模式属于识别的候选模式，并按照快速学习算法，一步完成权值的学习；(5)若未通过检验，则强迫比较层重置并选择下一输出节点。在通过 ART2模型预测时必须注意的是P（相似测度警戒限，为0到1之间的正数）的选择值范围，其决定了网络对输入模式进行处理间隔的大小，直接影响预测准确性。本文中P取0.7即可达到较满意的预测效果。