基于RBF-BP神经网络的煤炭企业物资分类算法

陈 聪,卢建军,卫 晨,战金龙

基于RBF-BP神经网络的煤炭企业物资分类算法

陈 聪1,卢建军1,卫 晨2,战金龙1

(1.西安邮电大学通信与信息工程学院,西安 710121; 2.西安邮电大学管理工程学院,西安 710121)

针对现有煤炭企业在物资管理中存在分类粗放、评价标准主观、计算规模大等问题,为提高煤炭企业中物资分类的效率,提出一种基于RBF-BP神经网络的煤炭企业物资分类算法。根据煤炭物资相关数据,建立算法预测模型,对煤炭物资分类进行预测。实验结果表明,RBF-BP神经网络算法较BP神经网络算法可提高煤炭企业物资分类的准确率,为煤炭企业物资的分类提供了较准确、可靠的方法。

煤炭企业;RBF-BP神经网络;物资分类

煤炭行业作为劳动密集型行业,有着大多数生产企业对物资需求的共性。煤炭行业所管理的物资具有数量庞大、种类繁多、重要程度和供应效率各异等特点。这些物资直接关系到煤炭企业的安全生产、资金利用、平衡利库、采购计划等诸多方面[1-2]。煤炭物资的精确分类能够提高煤炭企业的利润,提高生产效率。

神经网络作为一种模拟生物神经网络的结构和功能的数学模型,其具有模式分类、回归与拟合等特点。BP神经网络采用误差反向传播算法,可以任意精度逼近任何非线性函数[3],但其训练次数多,导致学习效率低,收敛速度慢,同时也容易形成局部极小点,得不到全局最优[4]。RBF神经网络是一种多层前向型网络,包含较多的神经元,训练速度较快,网络效果好,能较好地实现非线性映射[5],但若其数据不充分,该神经网络就无法进行工作。为了提高神经网络在煤炭企业物资分类的准确性,从物资正确分类角度出发,将RBF神经网络和BP神经网络有机融合,提出一种RBF-BP神经网络的改进煤炭企业物资分类预测的算法。

1 RBF-BP神经网络

1.1 RBF-BP神经网络结构

RBF-BP神经网络的特点是将RBF和BP神经网络有效结合,取长补短,建立一个RBF子网和一个BP子网构成双隐含层RBF-BP神经网络[6],其网络结构如图1所示。输入样本X经过RBF子网训练,将输出结果作为BP子网的输入对其进行训练,最后得到预测值[5]。

图1 RBF-BP网络结构Fig.1 RBF-BP network structure

1.2 RBF-BP神经网络算法

考虑RBF与BP算法各自优缺点,使用RBF与BP组合辅助设计神经网络[7-8]。RBF-BP算法的学习步骤为[9-10]:

1)根据训练数据初始化网络结构,随机初始化各网络层权值w和阈值θ,然后根据实际情况确定目标误差和最大的迭代次数。

2)向RBF神经网络子网输入一个样本数据及对应的输出,用高斯函数作为RBF子网的传输函数,

其中:cm为RBF子网隐含层第m个节点的高斯核函数的中心值;σm为高斯核函数因子;x为所取样本的输入向量;φm为对应节点的输出向量。

3)将RBF子网的输出向量作为BP子网的输入向量,

其中:N1为RBF子网隐含层的节点数;wmi为RBF子网隐含层第m个节点到BP子网隐含层第i个节点的权值。

4)用正切S型传输函数Tan-Sigmoid作为BP子网的传递函数,计算BP子网隐含层输出值,

其中:ui为BP子网隐含层第i个节点的输出向量。

5)用线性传输函数purelin作为BP子网输出层的传递函数,计算该组合网络的输出值,

其中:а为线性函数的斜率,一般设置为1;N2为BP子网隐含层节点数;wik为BP子网隐含层第i个节点到BP子网输出层第k个节点的权值;b为线性函数的截距。

6)计算误差,

其中:N3为BP子网输出层的节点数;dk为第k个样本的期望输出。

7)根据求得的误差调整BP子网对应的阈值和权值。

其中:β为BP子网的学习速率;θk为对应的阈值。

8)用测试的数据对保存的模型进行测试,若所测的精度满足要求或达到最大的迭代次数,则停止训练并保存模型,否则返回步骤2),重新进行训练,直到符合精度要求为止。

2 物资分类影响因素

煤炭企业物资管理过程中,对相应物资的评判标准是多种多样的,而且不同的企业、不同的生产时期,根据所采用的经营策略,其物资分类的评判体系是不一样的。以当前我国主要煤炭企业的物资管理现状为主要依据,供应度、价值度和供应效率是煤炭企业物资较为通用且相对重要的属性,将这3个属性的值作为RBF-BP神经网络的输入进行学习。

2.1 供应度

供应度主要反映物资仓库和配送中心对生产单位供应及时与否的重要指标。若其数值较大,表明配

其中:s为供应度;m为物资样本数据采集范围的总的月数;ti为第i个月煤炭物资库存的数量;pi为煤炭企业第i个月所需此物资的总数量。

2.2 价值度

价值度主要反映该类物资的价值高低。若其数值较大,表明该物资具有较大的价值;若其数值较小,表明物资比较廉价。送的物资库存数量满足不了煤炭企业的生产需求;若其值较小,表明该类物资的需求量比较小。

其中:v为价值度;z为该类物资总金额;r为该类物资总数量。

2.3 供应效率

供应效率主要反映物资供应是否及时。若供应效率数值较大,表明供应商物资供应不及时,此时,应提醒供应商及时供货,以免影响企业生产。

其中:e为供应效率;m为物资数据样本采集的总月数;Qi为第i个月物资样本的到货日期;Ki为第i个月物资样本的订货日期。

3 RBF-BP预测模型

3.1 RBF-BP模型选取与建立

选取25种常用的煤炭物资,通过RBF-BP神经网络训练和处理。经专家的评估,将物资分为1(非常重要)、2(重要)、3(一般)和4(不重要)共4个物资分类号,以评估每一种物资对煤炭企业的重要程度[11-12]。

根据物资分类,采取供应度、价值度、供应效率3个属性数据作为输入端,物资分类号作为输出端,训练数据选取某煤矿2014年的相关数据,共25种数据,并选择另外6种相应的样本数据进行预测。表1为部分训练样本数据。

将样本数据进行归一化处理,其目的是消除各维数据数量级差别,避免因为输入、输出数据数量级差别较大而造成网络预测误差较大[13]。采取较为常见的归一化公式:

表1 网络训练样本Tab.1 Network training samples

其中:g为归一化值;f为样本值;fmin为样本f最小值;fmax为样本f最大值。表1样本数据归一化后如表2所示。

表2 网络归一化样本Tab.2 Normalized samples

3.2 RBF-BP神经网络设计

如图1所示设计中,网络含有4个神经网络层:1个输入层,1个输出层,2个隐含层。由于输入为3个影响因子(供应度、价值度、供应效率),取输入端包含3个神经元节点;输出端只有1个参数(物资分类号),取输出端包含1个神经元节点。根据Kolmog-orov定理[14-15],取RBF子网隐含层节点数为25个, BP子网隐含层节点数为3个。

4 结果与分析

为了准确表示预测值的准确度,引入平均绝对误差EMA、均方误差EMS、均方根误差ERMS表示预测值与实际值的偏离程度。

使用Matlab进行仿真,用25组样本数据作为BP和RBF-BP的训练样本输入。为了测试2种算法的预测精度和准确率,采用BP和RBF-BP二种算法分别进行预测,并与实际值作对比。仿真结果如图2和3。

图2 BP算法预测结果Fig.2 The prediction results of BP algorithm

图3 RBF-BP算法预测结果Fig.3 The prediction results of RBF-BP algorithm

从图2、3可看出,在相同的训练次数、学习速率、训练精度情况下,BP算法的预测值与实际值相差较大,这是BP算法容易陷入局部最小值特征决定的。而RBF-BP算法结合了RBF网络收敛速度快、BP网络自学习、自适应能力强的优点,较好地满足了精度的要求,物资预测较准确。

将BP算法和RBF-BP算法得到的预测数据分别与原始数据进行比较,结果如表3所示。

表3 2种算法预测结果Tab.3 The prediction results of two algorithms

从表3可看出,2种算法预测6个样本点,BP算法在预测物资分类时部分点预测值与实际值偏离较大,如样本1,预测值为2.462 8,实际值为2,很容易导致物资分类错误,而RBF-BP预测值为2.012 0,其预测值与实际值较接近,在其他的5个样本点,RBFBP算法较BP算法预测结果明显得到改善,泛化性能得到提高。

将2种算法得到的平均绝对误差EMA、均方误差EMS、均方根误差ERMS进行比较,BP算法的平均绝对误差EMA为0.251 0,EMS为0.084 4,ERMS为0.290 4。而RBF-BP算法在训练同样的次数后,其EMA为0.071 2,EMS为0.008 2,ERMS为0.090 6。对比可以发现,RBF-BP算法得到的EMA、EMS、ERMS有较明显的降低。因此,对于煤炭企业物资分类,RBF-BP算法较BP算法在物资分类预测更加准确,预测过程中预测值更加接近实际值,产生的误差也有较大幅度的降低,可提高整体预测性能。

5 结束语

利用RBF-BP神经网络建立煤炭企业物资分类预测模型,通过对煤炭物资供应度、价值度和供应效率这3个较为重要的属性作为输入,从而获得煤炭物资分类的科学预测。通过对比BP神经网络算法预测结果,可以发现该RBF-BP神经网络算法在物资分类预测方面具有更高的精确度和准确率,泛化性能得到显著提升,为煤炭企业物资分类提供了一种较为科学有效的方法。

[1] 温丽萍.现代施工企业物资管理存在的问题及对策[J].山西建筑,2002,28(2):112-113.

[2] 许建领.煤炭企业仓储管理方法的探析[J].经济视角, 2011,10:48-49.

[3] 桂现才.BP神经网络在Matlab上的实现与应用[J].湛江师范学院学报,2004,25(3):79-83.

[4] 袁氢.基于特征融合与神经网络的手写体数字识别技术研究[D].武汉:武汉科技大学,2007:32-34.

[5] 聂仙娥,赵河明,杨超.基于RBF-BP组合神经网络的地震预测研究[J].水电能源科学,2011,29(12):53-55.

[6] 谌爱文.基于BP和RBF神经网络的数据预测方法研究[D].长沙:中南大学,2007:26-28.

[7] 朱正伟,郭枫,孙广辉,等.基于RBF-BP神经网络的光伏MPPT研究[J].计算机仿真,2015,32(2):131-134.

[8] 李宇鹏,王秋海,孙红胜,等.基于RBF-BP神经网络的图像修补[J].燕山大学学报,2007,31(6):471-475.

[9] Li Xiaohua,Zhang Junjie.Defect recognition of cold rolled plate shape based on RBF-BP neural network [C]//Proceeding of the World Congress on Intelligent Control and Automation,2012:496-500.

[10] He Quanbing,Fan Dongming,Wang Fei,et al.An improved algorithm of BP neural network based on genetic clonal selection algorithm[C]//International Proceedings of Computer Science and Information Technology,2012:9-13.

[11] 韩赛,卢建军,卫晨,等.基于概率神经网络的煤炭企业物资分类方法研究[J].工矿自动化,2014,40(4):28-41.

[12] 薛晔.基于模糊重心的广义虚拟经济视角下人才聚集效应评判[J].广义虚拟经济研究,2013,4(3):84-88.

[13] 吴昌设.基于人工神经网络的电网日负荷预测研究[D].杭州:浙江大学,2011:29-30.

[14] Cui Lin,Wang Caiyin,Yang Baosheng.Application of RBF neural network improved by PSO algorithm in fault diagnosis[J].Journal of Theoretical and Applied Information Technology,2012,46(1):268-273.

[15] Qiu Chunmin,Shan Jie.Research on intrusion detection algorithm based on BP neural network[J].Science and Engineering Research Support Society,2015,9(4):247-258.

编辑:翁史振

A material classification algorithm based on RBF-BP netural network in coal enterprises

Chen Cong1,Lu Jianjun1,Wei Chen2,Zhan Jinlong1
(1.School of Communication and Information Engineering,Xi’an University of Posts and Telecommunications, Xi’an 710121,China; 2.School of Management Engineering,Xi’an University of Posts and Telecommunications,Xi’an 710121,China)

In view of extensive classification,subjective evaluation standard and large calculation existed in material management of coal enterprises,a material classification algorithm based on RBF-BP neural network is proposed to improve the efficiency of material classification in coal enterprises.According to the relevant data of coal material,the algorithm is established to forecast the coal material classification.The experimental results show that compared with BP neural network, RBF-BP neural network prediction can improve the correct rate of the coal enterprise’s material classification,and provide a more accurate and reliable method for material classification in coal enterprises.

coal enterprises;RBP-BP neural network;material classification

TP183

A

1673-808X(2015)05-0366-05

2015-05-21

陕西省自然科学基金(2011JM8027)

卢建军(1962-),男,山东兖州人,教授,研究方向为企业信息化发展战略与建设模式。E-mail:ljj@xupt.edu.cn

陈聪,卢建军,卫晨,等.基于RBF-BP神经网络的煤炭企业物资分类算法[J].桂林电子科技大学学报,2015,35(5):366-370.