基于BP神经网络的汽配企业的综合评价模型
- 格式：pdf
- 大小：255.09 KB
- 文档页数：4
基于BP神经网络的汽配企业的综合评价模型∗雷平1,2, 郭顺生1,21.武汉理工大学信息学院，武汉（430070）2.湖北省数字制造重点实验室，武汉430070）E-mail：leiping_1982@摘要：本文针对我国汽配企业发展的现状，提出了一个汽配企业的基于BP神经网络的综合评价模型。
较为系统的分析了其网络组成结构与训练方法的选择，并在Matlab下对其进行了实现与验证。
关键词：BP神经网络，汽配，模型中图法分类号: TP311文献标识码: A0. 引言汽车零部件作为汽车工业的基础，是支撑汽车工业持续健康发展的必要因素。
特别是当前汽车行业正在轰轰烈烈、如火如荼开展的自主开发与创新，更需要一个强大的零部件体系作支撑。
现在广泛采用的方法是组建供应链联盟或者加入电子商务网站以形成合力，充分发挥自身优势。
但是这就需要有一个能够对于汽配企业进行综合评价的科学模型，以便需求方可以快速、准确地从众多企业中选择自己的合作伙伴。
1．评估指标体系的建立评价指标的建立应该遵循以下几个基本原则：（1）系统性原则；（2）简明科学性原则；（3）稳定可比性原则；（4）灵活可操作性原则；（5）扩展性原则；（6）定性与定量相结合原则[1][5]。
具体到汽配行业，我们从最终需求方出发，得出如下基本评价指标：评价指标可量化指标产品可靠性产品合格率合格产品/产品总件数交货准时率准时交货次数/总交货次数产品价格同比价格比较优势（产品价格－平均产品价格）/平均产品价格订单反映能力订单满足率当日总订单量/当日总生产量订单延迟率延迟订单数量/总订单数量客户评价客户满意率客户满意订单/总订单量表1 评价指标2．BP（Back Propagation）神经网络综合评价模型神经网络具有非线性处理和模式识别能力，可以用于解决用传统方法难以解决的复杂问题。
BP神经网络是目前应用最广泛的神经网络，从理论上讲它可以实现从输入到输出的任意非线性映射，而且具有很强的泛化能力[2]。
应用BP网络的这种特性,通过已生成的评价指标体系的对应数据的学习,调整模型的结构,生成具有预测能力的综合评价神经网络模型。
2.1 BP神经网络结构的选择∗本课题得到湖北省科技攻关计划项目（2006AA108A03）资助。
BP 网络是一种单向传播的多层前向网络，其结构如下所示：图1 BP 神经网络结构由图可见，BP 网络是一种具有三层或三层以上的神经网络，包括输入层、中间层（隐层）和输出层。
1．BP 神经网络层数的确定。
根据kolmogorov 定理对于任何在闭区间内的一个连续函数都可以用单隐层的BP 网络逼近，因而一个三层的BP 神经网络就可以完成任意的由N 维到M 维的映射[3]。
所以这里选用单隐层的BP 神经网络。
2．输入节点i 的确定。
由表1可知，输入几点为6个，并且都对其进行初始化，使其的取值范围在-1到1之间。
3．隐层节点的确定。
一般隐层节点取值在1到10之间，具体选取看其训练的结果，这里根据该算法的复杂程度，初步选择为5。
4．输出节点m 的确定。
由于是对于汽配企业进行评价，所以其输出节点应该为1，其用数字的不同区别企业的选择价值。
2.2 BP 神经网络训练方法的选择训练的过程中，网络的权值和阈值被反复调整，知道达到预先的要求。
网络训练中，要求训练的速度比较快，比较流行的算法有将快速训练算法和动量批梯度下降算法相结合的算法自适应修改学习率算法。
快速训练算法的实现过程是：首先计算出网络的输出误差，然后再每次训练结束后，利用此时的学习率计算出网络的权值和阈值，并且计算出网络此时的输出误差。
如果此时的输出误差与前一时刻的输出误差的比值大于预先定义的参数，那么就减小学习率，反之，就增加学习率。
再重新计算网络的权值和阈值以及输出误差，直到前后输出误差的比值小于设定的参数。
动量批梯度下降算法的实现过程是：动量批梯度下降算法即是在权值和阈值的调整量中加入前一次的改变量作为动量项，使得对权值和阈值的调节向梯度下降的地步运行时不致产生大的摆动，动量项起着缓冲平滑的作用。
所谓动量项的加入，即指在网络的权值和阈值改变量中，加入前一次的改变量，第K 次循环中的权值和阈值的改变量为：)1(*)()1(−∆+−=+∆k mc k g k w w k α)1(*)()1(−∆+−=+∆k mc k g k b b k α其中)(k g w 和)(k g b 分别表示当前性能函数对权值和阈值的梯度，k α为学习率，mc 为动量系数（0<mc<1）。
在这里学习率k α的选取不当很容易造成收敛速度慢，学习速率选得太小，收敛太慢；学习速率选取得太大，则有可能修正过头，导致发散。
因此结合快速训练……... X 1X 2X n算法，当此时输出误差与前一刻输出误差的比值大于预先设定的参数时就减小学习率k α，反之，则增加学习率k α。
这样就形成了一种新的自适应修改学习率算法。
2.3 BP 神经网络在Matlab 中的实现Matlab 仿真软件自1984年由美国Mathworks 公司推出以来，由于其具有编程效率高、用户使用方便、扩充能力强、语言简单和内涵丰富等特点，现已成为国际上公认的最优秀的仿真分析和数值计算软件[4]。
本文采用Matlab7.0进行仿真分析。
根据先验数据设置网络的输入变量p 与目标变量t ：q=[0.97 1 0.11 1 0 0.98;0.99 1 -0.1 1 0 1;0.98 0.99 0 1 0 0.99;1 0.98 0.15 0.99 0.01 0.97;0.88 0.95 -0.2 1 0 0.92;0.91 0.8 -0.18 1 0 0.9;0.75 0.92 -0.23 1 0.08 0.81;0.84 1 -0.17 0.98 0.03 0.87;0.95 0.96 0.03 0.92 0.01 0.91;0.93 0.97 -0.05 0.95 0.03 0.89];p=q';t=[0.776 0.807 0.791 0.774 0.763 0.751 0.694 0.736 0.743 0.846] ;网络设计及训练（部分代码）：s=3:10;res=1:8;for i=1:8;net=newff(minmax(p),[s(i),1],{'tansig','purelin'},'traingdx');net.trainParam.show=50;net.trainParam.lr=0.05;net.trainParam.lr_inc=1.05;net.trainParam.epochs=3000;net.trainParam.goal=1e-5;[net,tr]=train(net,p,t)y=sim(net,p);error=y-t;res(i)=norm(error);end表2 训练误差分析 神经元个数 3 4 5 6 7 8 9 10 误差 0.0892 0.0450 0.0751 0.0198 0.0099 0.0099 0.0099 0.0099因此选择隐层神经元数为7，图2为当s(i)＝7时，网络训练图:图2 网络训练图（隐层为7）3. 结论本文提出了一种基于BP神经网络的汽配企业综合评价模型，该模型只需在进行少量样本数据的训练后，就可以的对大量待评企业进行评价，其有着方便、准确、快速和可扩展性强等特点。
参考文献[1] 林勇，马士华. 供应链管理环境下的供应商综合评价选择研究[J]. 物流技术2000 , 5[2] 闵惜琳，刘国华. 用Matlab神经网络工具箱开发BP网络应用[J]. 计算机应用，2001，21(8)[3] 袁增任. 人工神经元网络及其应用[M].北京:清华大学出版社, 1999.[4] 王正林，刘明. 精通MATLAB7[M]. 电子工业出版社，2006，7[5] 徐玖平，胡知能. 运筹学－数据。
模型。
决策[M]. 科学出版色，2006，2A Synthetical Evaluation Model for Automotive PartsEnterprise Basing on BP Neural NetworkLei Ping1，2，Guo ShunSheng1，21. The School of Information Engineering，Wuhan University of Technology，Wuhan（430070）2. Huibei digital manufacturing key Laboratory，Wuhan（430070）AbstractWith the rapid development of the automotive parts Enterprise in china, this paper introduces synthetical evaluation model which is base on Back-propagation Artificial Neutral Network. And analyses structure of this network and how to choose the training function. At last, validate and realize this network on Matlab.Keywords：BP neutral network，automotive parts，model作者简介：雷平（1982-），男，湖北武汉人，武汉理工大学通信与信息系统硕士研究生，主要研究方向：信息系统理论与技术；郭顺生（1963-），男，湖北武汉人，博士生导师，主要研究方向：制造业信息化、CAD/CAM/PDM/ERP基础理论与应用、智能设计与智能制造基础理论及应用。
