下载文档原格式
140交通信息与安全2013年6期第31卷总180期———————————————————————————————————————————————————————一基于B P神经网络的储粮安全预测模型研究*沈兵(中国交通通信信息中心北京i000i I)摘要介绍B P神经网络在储粮安全预测模型方面的应用情况，根据粮情样本数据建立了储粮安全预测B P神经网络模型，通过已有的粮仓温度、湿度，粮食水分和害虫数据预测储粮的安全状况，及时为粮情测控系统的控制策略提供可靠依据。
关键词B P神经网络；储粮安全；预测模型中图分类号：TP311．13文献标志码：A doi：10．3963／j．i s sn16744861．2013．06．0270引言传统的粮情测控系统中关于粮情的分析功能简单，控制策略不灵活，因此不能准确及时地分析、预测粮情和控制储粮，致使我国每年有数亿斤的粮食在储藏过程中霉烂变质，造成巨额损失。
为了保证储粮质量，将先进的现代电子技术和储粮相结合，设计开发具有预测能力的储粮测控系统对粮食安全储藏具有重大意义。
模型预测[13是将来自传感器的信息和数据经过综合处理，找出暗含其中的规律并通过数学模型揭示出来，进而实现对对象的更加准确、可靠的控制。
随着智能控制技术的飞速发展，许多新的控制策略被提出，比如模糊控制[2]、神经网络。
3]、专家系统[4：等，极大地促进了多种预测模型的发展。
粮情测控系统对粮情信号采集往往由单一的传感器(如温度)来完成，即使采用多个(种)传感器也仅是从各个不同的侧面孤立反映目标信息。
实际上，粮情是由温度、湿度、水分、虫和霉等因素共同决定的，必须同时综合考虑这些因素，才能获得充分反应粮情状况的结论，并由此得出处理建议和控制措施。
神经网络不但能整合多信息数据，而且能够实现复杂非线性模型逼近，得出有效的数据模型，是现代粮情预测模型的优良方案。
笔者将就BP神经网络在粮情预测模型方面的应用进行探讨，通过B P神经网络对粮仓温度、湿度，粮食水分、虫害等数据进行优化处理，实现对储粮安全状况的预测，为粮情测控系统的控制策略提供及时的依据，提高了测控系统的可靠性。
BP神经网络算法在物资供应链绩效评价中的应用随着全球商业环境的不断变化和发展，物资供应链绩效评价变得越来越重要。
作为一种强大的机器学习算法，BP神经网络在物资供应链绩效评价中具有很大的应用潜力。
本文将探讨BP神经网络算法在物资供应链绩效评价中的应用，以及其带来的好处和挑战。
首先，让我们了解一下BP神经网络算法。
BP神经网络是一种监督学习算法，它模拟了人脑神经元之间的连接和信息传递过程。
通过不断地调整神经网络中的连接权值和阈值，使得神经网络能够学习并适应复杂的非线性关系。
在物资供应链绩效评价中，BP神经网络可以通过学习历史数据和特征之间的复杂关系，来预测未来的供应链绩效情况。
1.预测需求量：BP神经网络可以通过学习供应链中的销售数据、市场趋势和季节性变化等信息，来预测未来的需求量。
这可以帮助企业准确地制定物资采购计划，避免库存积压或者供不应求的情况。
2.优化库存管理：BP神经网络可以分析供应链中的库存水平、供应商的交货能力和订单的履行情况等信息，来优化库存管理策略。
通过及时调整库存水平和订单量，可以减少库存成本和避免缺货情况。
3.提高供货准时率：BP神经网络可以通过学习供应链中的物流信息、运输时间和物资状态等信息，来预测供货准时率。
这可以帮助企业及时调整物流路线和运输方式，确保及时配送物资，提高客户满意度。
4.优化供应链网络结构：BP神经网络可以通过学习供应链中各个节点之间的关系和影响因素，来优化供应链网络结构。
通过调整供应商和合作伙伴的选择，可以减少供应链中的风险和成本，提高绩效水平。
使用BP神经网络算法进行物资供应链绩效评价，可以带来以下几个好处：1.提高预测准确率：BP神经网络能够学习和识别供应链中的复杂模式和非线性关系，从而提高绩效评价的准确性和精度。
2.加快决策速度：BP神经网络可以快速处理大量数据并进行实时分析，帮助企业快速做出决策，减少反应时间和提高企业的灵活性。
3.降低人力成本：BP神经网络可以自动化地进行数据处理和模型训练，减少人力资源的投入和数据分析的时间成本。
库存管理中安全库存的预测与优化作者：王菲来源：《进出口经理人》2017年第10期摘要：库存是企业的一项巨大投资，控制库存成本对于企业具有重要的意义。
尤其是生产企业库存，对其安全库存进行预测与优化，能够使企业资源得到合理地调配与应用，提高企业的经营效益。
基于此，文章主要对安全库存进行了分析，并对其预测及优化进行了探讨。
关键词：企业；库存管理；安全库存；预测；优化工业企业在运营过程中，为了满足企业自身发展需求，其大都会定制相应的库存管理计划，以此来避免因库存不足而导致生产断线或供货不足等问题，安全库存也是由此提出的。
在库存管理过程中，通过对企业实际经营情况进行分析，确定其安全库存管理计划，并依据当前及未来的经营计划，对安全库存进行实时优化是非常有必要的。
一、安全库存概述安全库存（又称保险库存）是指为了防止由于不确定因素（如突发性大量订货或供应商延期交货）影响订货需求而准备的缓冲库存，安全库存用于满足提前期需求。
安全库存的计算，一般需要借助于统计学方面的知识，对顾客需求量的变化和提前期的变化作为一些基本的假设，从而在顾客需求发生变化、提前期发生变化以及两者同时发生变化的情况下，分别求出各自的安全库存量。
即假设顾客的需求服从正态分布，通过设定的显著性水平来估算需求的最大值，从而确定合理的库存。
二、安全库存的预测在库存管理过程中，安全库存预测的科学性直接影响着库存管理水平。
文章主要以BP神经网络模型为理论基础，对安全库存进行了预测分析。
（一）BP神经网络算法BP神经网络的名称来自于BP算法，BP算法属于算法，该由两部分组成信息的正向传递和误差的反向传播。
在正向传递过程中，输入信息从输入层经隐含层逐层计算传到输出层。
根据输出层的输出与期望输出作比较，计算出输出层的误差变化值，然后通过反向传播算法将误差信号延原来的连接通路反传回隐含层，在根据这个误差修改各层权值直到达到期望目的。
（二）训练方法的选取在BP标准算法中，每个样本作用时都会对权矩阵进行修改。
基于人工神经网络的库存预测技术研究随着现代科技的不断发展，商业运营已经成为不少人生活中必不可少的一部分。
然而，商业也不是一项简单的活动，其中包含着复杂的运作和各种风险。
库存管理就是商业运营中经常面临的问题之一。
库存过多会造成资金浪费和资源浪费，而库存过低则会导致订单无法满足和客户流失。
为了解决这个问题，许多商业运营者开始尝试使用人工神经网络来预测库存需求。
人工神经网络是一种受到生物神经系统模拟而设计的计算机技术。
它可以模拟人类大脑的神经元和神经网络之间的联系。
人工神经网络可以进行数据学习和预测，因此在库存预测中是一个非常有用的工具。
首先，人工神经网络具有自适应学习能力。
它可以通过自我调整，不断改善预测模型的精度。
具体来说，神经网络可以利用历史库存数据和销售数据进行学习。
这个过程中，神经网络可以识别数据中的相关性和趋势，在数据之间建立联系。
通过这种方式，神经网络可以对未来库存需求进行预测和分析。
其次，人工神经网络具有高度可靠性。
神经网络能够同时处理多个交互变量的复杂关系，从而提高预测的准确性。
与传统的方法相比，人工神经网络具有更高的迭代精度和更快的计算速度。
基于这些优势，神经网络可以对多种不同的库存类型进行预测，如零售库存、制造库存、原材料库存等等。
最后，人工神经网络可以支持实时库存管理。
在快速变化的市场环境中，及时性非常重要。
人工神经网络可以通过快速响应和自适应性，及时调整库存数量和资源分配，从而优化商业运营效率。
通过实时监测和改善库存状态，企业可以更好地提高销售额和市场份额。
综上所述，基于人工神经网络的库存预测技术是一种非常有效的工具。
它可以帮助企业更准确地了解市场需求和库存状态，从而更好地规划和管理资源。
虽然这种技术仍然存在不足之处，比如对数据量和质量有较高的要求，但它已经成为现代商业运营中重要的利器。
未来，人工智能技术的不断发展和应用，将不断提升库存预测技术的精度和效率，为商业运营提供更为全面、可靠的解决方案。
AC公司基于BP神经网络预测的安全库存优化分析中国工程机械行业不断扩大的产品线及业务规模，使企业面临一个存在较多不确定因素且无法准确预测客户需求的买方市场。
在这种背景下，如何更好的满足客户的需求，同时能有效降低企业库存成本，成为许多工程机械企业面临的最大难题。
本文运用BP神经网络预测方法，通过Matlab工具箱仿真实现企业对于售后服务配件安全库存的预测及优化，保证客户满意度的同时，优化企业库存成本，提升企业产品服务的竞争力。
标签：工程机械安全库存BP神经网络预测MATLAB仿真模型一、引言AC公司作为全球最大的气体压缩机及工程机械产品专业制造商，是世界上最大的工业集团之一。
集团在四大洲15个国家生产3000多种产品。
通过渗透于150个国家的销售网络，采取多品牌策略，专业营销麾下各产品，其中半数产品由集团全权拥有或控制的销售公司统一销售。
集团主要由四大部门组成，即压缩机技术部、工业技术部、建筑及矿山技术部和租机服务部。
其中，移动式空气压缩机、液压破碎锤、移动式发电机、手持式气动工具等机械工程产品，是AC公司建筑及矿山技术部的主打产品。
为适应日趋激烈的市场竞争，公司产品线覆盖面的不断扩大。
随着公司业务不断增长的同时，各类工程机械产品售后服务配件的种类和数量也越来越多，客户对售后服务配件的要求不断提高。
面对客户与市场复杂的需求，企业为提升市场反应能力，保证销售及业务的连续性，库存金额逐月上升。
如何更好地满足客户的需求，同时能有效降低企业库存成本；不断提高企业的竞争力，成为许多工程机械企业面临的最大难题。
在这种背景下，在保证客户满意度的同时，优化企业库存成本，成为AC公司售后服务部重要目标。
本文运用BP神经网络预测方法，通过Matlab工具箱仿真实现企业对于售后服务配件安全库存的预测及优化。
二、BP 神经网络需求预测模型反向传播网络（Back-Propagation Network，简称为BP 网络）是将W-H 学习规则一般化，对非线性可微分函数进行权值训练的多层网络。
基于GA-BP神经网络的航材库存需求预测摘要航材库存储备是航材保障的重要内容，航材库存管理长期依靠个人经验追求大库存囤积导致航材库存数量偏大，航材库存金额增大，影响了航材保障的经济效益。
科学的进行航材储备数量研究有助于提高航材保障工作的军事性和经济性效益，在有限经费的条件下提高航材保障效能。
本文引入GA-BP神经网络对航材库存数量进行预测，并通过实例验证了模型的有效性。
关键词航材库存，GA-BP神经网络，需求预测1 引言航材种类繁多，数量庞大，若航材保障部门对几万、几十万的航材一一储备且数量充足，将花费难以想象的储存空间和经费，这对于航材保障是不现实也是不合理的[1]。
本文针对航材特点，提出基于GA-BP神经网络的航材需求预测模型，对库存航材数量进行确定。
2航材储备数量影响因素分析航材可修件的储备数量受多种因素的影响，主要包括平均故障间隔时间、平均修理周期、季节因素、飞行强度和飞机数量[2]。
航材储备量受航材平均故障间隔时间的影响，平均故障间隔时间越长，该航材发生故障次数越少，对应的航材需求越少，则储备数量越少；反之，航材需求越多，储备数量越多。
平均修理周期为航材送修到修理结束返回单位时间的平均值，平均修理周期越短的航材可周转次数越多，在同样的航材需求数量下，周转次数多的航材，需要储备的件数就会越少；反之，修理周期长则航材周转的次数少，需要更多的航材储备。
飞行强度表示飞机执行飞行任务量的大小，不同的飞行强度对航材的损耗程度不同，高强度飞行对航材的需求量必然高于低强度飞行。
选取飞机的飞行时间和起落次数作为衡量的参数。
飞机的数量以表示，数量越多，相应的航材储备将会越大。
3模型建立与求解3.1BP神经网络与遗传算法（一）BP神经网络BP神经网络[3]适用于具有多影响因素的问题分析。
BP神经网络为输入-隐含-输出的多层模型拓扑结构。
（二）遗传算法遗传算法（GA）[4]采用的是一种模仿生物基因进化机制的全局寻优方法，包括编码、计算适应度、遗传和解码四个步骤。
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201810316990.8(22)申请日 2018.04.10(71)申请人 东华大学地址 201620 上海市松江区松江新城人民北路2999号(72)发明人 张杰 郑建立 (74)专利代理机构 上海泰能知识产权代理事务所 31233代理人 宋缨 钱文斌(51)Int.Cl.G06Q 10/08(2012.01)G06Q 10/04(2012.01)G06N 3/08(2006.01)(54)发明名称一种基于改进的BP神经网络的库存预测方法(57)摘要本发明涉及一种基于改进的BP神经网络的库存预测方法，包括以下步骤：初步筛选确定影响库存的因素；确定神经网络的输入量；根据网络的输入量及输出量确定BP神经网络的输入层和输出层节点。
根据经验公式获取隐含层节点个数的大范围，利用“二分法”不断缩小隐含层节点的范围，找到最佳的隐含层节点的个数，搭建BP神经网络；利用改进的BP神经网络进行样本训练及预测。
本发明能够更精确地预测库存需求量。
权利要求书1页 说明书4页 附图3页CN 108520380 A 2018.09.11C N 108520380A1.一种基于改进的BP神经网络的库存预测方法，其特征在于，包括以下步骤：(1)初步筛选确定影响库存的因素，将所述因素作为影响库存的变量；(2)对影响库存的变量进行相关性分析及主成分分析，得出影响库存的主要成分，并将其做归一化处理，作为神经网络的输入量；(3)根据网络的输入量及输出量确定BP神经网络的输入层和输出层节点；根据经验公式获取隐含层节点个数的大范围，利用“二分法”不断缩小隐含层节点的范围，找到最佳的隐含层节点的个数，搭建BP神经网络；(4)将样本数据输入到搭建的BP神经网络进行学习和训练，通过测试样本检验训练后的神经网络的预测效果。
2.根据权利要求1所述的基于改进的BP神经网络的库存预测方法，其特征在于，所述步骤(1)中影响库存的因素包括原材料价格、实际生产成本、产品合格率、订单数量、订单价格和订单总金额。
BP神经网络预测制造企业安全库存
作者：谷冰
来源：《科技与企业》2013年第19期
【摘要】在企业中一般凭经验来设定安全库存，但实际效果不佳。
应用人工神经网络，建立BP神经网络模型，用多个影响安全库存的指标及安全库存对网络进行训练，以达到对安全库存量预测的目的。
经验证和预测效果十分理想。
【关键字】人工神经网络；BP模型；安全库存
一、引言
随着ERP系统应用的深入，其分析、预测的功能就突现了出来。
库存关系到一个企业资金的流动，如何能保持一个安全的库存量是企业现在比较重视的问题。
要根据企业实际的生产和销售情况来不断地调整库存，这样才能做到既不影响生产和销售，又避免过多的存货。
从过去的凭经验和通过简单的统计来确定库存量的方法来看，由于影响库存有较多的因素，很难通过简单的公式来建立一个合适的数学模型，所以实际的效果往往很差。
现在的一个解决方案就是通过用神经网络来解决这一问题。
二、人工神经网络介绍
人工神经网络理论是20世纪80年代在国际上迅速发展起来的一个前沿研究领域，近年来更是掀起了一股人工神经网络研究、开发应用的热潮，其应用已渗透到各个领域，并在智能控制、模式识别、计算机视觉、故障检测、适时语言翻译、神经生理学和生物医学工程等方面取得了显著成效。
人工神经网络在国民经济和国防科技现代化建设中具有广阔的应用前景。
由Rumelhart提出的BP神经网络，即多层神经网络模型（如图1所示），通常由输入层、输出层和若干隐含层构成，每层由若干个结点组成，每一个结点表示一个神经元，上层结点与下层结点之间通过权联接，同一层结点之间没有联系。
由于采用误差反传的学习算法，被称为BP网络，因其高度非线性映射能力，BP网络的应用极广。
图1 BP神经网络的拓扑结构
企业自身方面主要是有使用频率、人为原因造成的破损率、储存成本。
使用频率是指在某段时间内调用物资的次数，次数越多，安全库存就越高。
人为原因造成的破损率是指工人在生产的过程中人为的造成原料的破损的次数，同样的次数越多就需要更多的安全库存。
储存成本就是指在储存原料时所需要的成本，它影响着企业资金的流动，储存成本越高，安全库存就越低。
在供应商方面就需要考虑更多的因数，具体有供应商的信用程度、物资紧缺度、运输的方式、供货量、供货商处理定单的延时、次品率。
供应商的信用程度直接影响企业的生产。
物资紧缺度是指企业是否能在一定的时间内获得合适价格的物资，如果一段时间价格过高，就意味着企业需求在物资价格低落的时候提高存货量。
运输的方式是指采用任何运输工具。
供货量是指供货商一定的响应期内能提供的原料的数量。
供货处理定单的延时是指企业需要供货商提供的物资的质量等级，次品率越低所需要的安全库存就越低。
三、问题的分析和模型的建立
（一）影响安全库存的因素分析
理论上讲一个3层的BP神经网络可以逼近任何的连续函数，所以在制造企业应用中多采用3层或多层的BP神经网络来满足大多数的应用。
下面将讨论的是原料安全库存。
安全库存包括原料安全库存、辅料安全库存、成品安全库存。
（二）BP神经网络各层设置
根据BP算法的思想，针对实际情况，一般将工作分为两个阶段来展开。
第1就是学习阶段，通过输入训练的样本来建立模型，利用该样本对BP网络的连接权系数进行学习和调整，以使网络实现给定的输入输出关系。
第2就是预测验证阶段，将所预测的数据输入，通过已经训练成型的BP网络得到期望的预测值。
本次用来训练的数据为影响原料安全库存的各个因数的值以及实际应该的安全库存值，也就是指实际生产中的缺货量。
BP神经网络的模型是BP神经网络的信号从输入层经过隐含层传递到输出层的输出。
在实验中选取隐结点数可按来计算，n、m分别是输入层和输出层的结点数。
本次采用一个隐层，其神经元个数按来进行计算。
（三）训练、校验数据的划分及仿真预测
本次实验建立一个BP神经网络模型来解决本次需要解决的预测原料安全库存的问题。
四、实例及结构分析
本次实验采用9个参数（使用频率、破损率、存储成本、信用程度、紧缺度、运输方式、供货量、定单延时、次品率）作为输入，1个参数安全库存量作为输出。
由于各种指标之间存在着量纲、数量级不同、等一些问题，并且既有定性指标也有定量指标，为了使得各个指标在整个系统中具有可比性，应该将指标规范化，公式如下：。
首先对训练样本的输入值和输出值进行规格化处理。
输入训练样本，对模型进行训练和验证。
隐含层的转移函数采用正切曲线函数tansig输出层采用线形函数purnlin。
训练精度ε=0.001，是训练结果，从预测验证来看，预测验证值与实际值的最大相对误差不到10%。
结果与实际基本符合。
五、结论
本次实验结果说明，采用BP算法来对安全库存进行预测效果比较好，可以有效地预测制造企业安全库存问题。
参考文献
[1]袁曾任.人工神经元网络及其应用[M].北京：清华大学出版社，1999.66-74.
[2]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2003.44-55.
[3]闻新.MATLAB神经网络仿真与应用[M]..北京：科学出版社，2003.264-278.。
