APP下载

基于权值直接确定神经网络的采购提前期预测模型

2016-10-21李国辉

科技风 2016年6期
关键词:神经网络

摘 要:精确采购,尽可能地降低库存成本是大多数企业一直追求的目标之一。然而准时采购受到库存量、采购处理等众多因素影响,这些因素之间彼此影响,因此对采购提前期的预测很难给出一个精确的数学模型。人工神经网络具有很强的非线性映射能力,可以很大程度地解决非线性预测问题。提出了一种权值直接确定神经网络的采购提前期模型,仿真效果达到预期水平。

关键词:采购提前期;神经网络;权值直接确定

中图分类号:TP183 文献识别码:A

1 采购提前期模型

企业经营活动所需要的物资绝大部分都是通过采购商采购获得的。采购是企业物流管理工作的起点。准时采购也叫JIT(Just In Time)采购法,是一种先进的采购模式。该采购模式中,采购活动以订单驱动方式进行。

采购提前期一般由采购申请提前处理时间、采购处理提前时间和采购后处理时间等构成。采购申请提前处理时间过程包括确定货物需求量、选择供应商、价格谈判、签订订单、合同审批等过程。采购处理提前时间是指供应商签订订单发货到约定地点的时间,包括制造、运输的时间。采购后处理提前时间指接收货物、验收、到入库的时间。

采购提前期时间T包括采购申请处理时间t1,采购处理时间t2和采购后处理时间t3。因此T=t1+t2+t3。马铮在分析了公司市场环境的基础上,提出了影响采购提前期的因素为:需求量x1,现有库存水平x2,生产力使用情况x3,工人生产效率x4,加工精度x5,运输方式x6,天气情况x7,路况距离x8,物资入库速度x9等因素。

2 采购提前期的神经网络模型设计

BP神经网络是一种层内无互联结构的前向型神经网络,一般为三层结构。第一层称为输入层,最后一层称为输出层,中间层称为隐含层。特殊情况下,隐含层也可以包含多个层次。根据柯尔莫哥洛夫定理,一个三层的神经网络可以逼近任意的一个函数。所以一般只用三层网络结构。过多的隐含层会影响网络的收敛速度,会出现“过拟合”现象。

BP神经网络采用有指导的学习方式训练和学习:给定一组样本((x1,d1),(x2,d2),…,(xp,dp)),其中X为样本输入,d为给定输入下期望的样本输出,P为样本的个数。神经网络通过改变各神经元的连接值达到在给定的输入X下神经网络的输出yp与相应输入下样本的输出dp尽可能的接近。

BP神经网络具有很强的非线性映射能力,但是也存在着诸如收敛速度慢,存在局部极小点而无法收敛到最优解,隐含层层数及节点数的选取仅靠经验而無确定的公式,学习新样本而遗忘旧样本的趋势等缺点。本文基于伪逆的思想构造一种权值直接确定的神经网络。

2.1 理论基础

为了方便该网络在硬件上实现,所有的神经元的阈值都设为0。图1给出的U系统神经网络结构模型,隐含层神经元个数为n,隐含层与输出层之间的权值记为?棕jk,则样本与输出之间的关系可表示为y=?棕1?准1(x)+?棕2?准2(x)+…+?棕n?准n(x)。

其网络结构图见图1。

上述基于U系统构成的神经网络可视为BP神经网络的一种特例,其权值确定可采用传统的迭代法。

2.2 权值迭代法

3 算例实现

本文采用一汽丰田公司的特约零件供应商——天津客车桥公司提供的数据进行仿真。数据如表1:

在Windows7平台,使用MATLAB2014A软件,对上述数据进行仿真。利用前15组数据为训练样本,后5组数据为测试样本,结果如下:

4 结束语

准时采购受到库存量、采购处理等众多因素影响,这些因素之间彼此影响,因此对采购提前期的预测很难给出一个精确的数学模型。BP神经网络虽具有很强的非线性映射能力,但是也存在着诸如收敛速度慢,存在局部极小点而无法收敛到最优解,隐含层层数及节点数的选取仅靠经验选取而无确定的公式,学习新样本而遗忘旧样本的趋势等缺点。本文提出了一种基于U系统的权值直接确定神经网络的采购提前期模型,仿真效果达到预期水平。

参考文献:

[1] 刘雪.一类新的完备正交系及其在图形图像处理中的应用[D].北京:北方工业大学,2007.

[2] 殷奎喜,岸政七,许根稳.平滑化的正交型Walsh函数的构造及在广带域扩谱通讯中的应用.东南大学学报,1999,29(6):20~26.

[3] 张雨浓,郭东生,谭宁.幂激励前向神经网络最优结构确定算法[J].计算机工程与应用,2011,47(2):29-31.

[4] 张雨浓,劳稳超,余晓填等.两输入幂激励前向神经网络权值与结构确定[J].计算机工程与应用,2012,48(15):102-106.

[5] 杨文光.权值直接确定的三角型模糊前向神经网络[J].中山大学学报:自然科学版,2013,52(2):33-37.

基金项目:天津职业大学培育项目“前向型神经网络权值和结构的确定方法研究”(编号:20122108)阶段性成果;天津市教育科学学会“十二五”课题:高职教育中教学过程公平模式的实践研究(编号:JK1250149B)阶段性成果

作者简介:李国辉(1977.10-),男,汉族,天津蓟县人,硕士,讲师,主要研究方向:统计理论与应用。

猜你喜欢

神经网络
复杂神经网络下的多行为识别技术研究
基于人工智能LSTM循环神经网络的学习成绩预测
基于BP神经网络算法的成绩预测模型研究
基于CNN的轻量级神经网络单幅图像超分辨率研究
基于图像处理与卷积神经网络的零件识别
基于改进VGG-16神经网络的图像分类方法
基于 BP 神经网络的城市轨道交通客流预测研究
基于自适应神经网络的电网稳定性预测
基于遗传算法对广义神经网络的优化
基于遗传算法对广义神经网络的优化