陳 聰,盧建軍,衛(wèi) 晨,戰(zhàn)金龍

基于RBF-BP神經(jīng)網(wǎng)絡(luò)的煤炭企業(yè)物資分類(lèi)算法

陳 聰1,盧建軍1,衛(wèi) 晨2,戰(zhàn)金龍1

(1.西安郵電大學(xué)通信與信息工程學(xué)院,西安 710121; 2.西安郵電大學(xué)管理工程學(xué)院,西安 710121)

針對(duì)現(xiàn)有煤炭企業(yè)在物資管理中存在分類(lèi)粗放、評(píng)價(jià)標(biāo)準(zhǔn)主觀、計(jì)算規(guī)模大等問(wèn)題,為提高煤炭企業(yè)中物資分類(lèi)的效率,提出一種基于RBF-BP神經(jīng)網(wǎng)絡(luò)的煤炭企業(yè)物資分類(lèi)算法。根據(jù)煤炭物資相關(guān)數(shù)據(jù),建立算法預(yù)測(cè)模型,對(duì)煤炭物資分類(lèi)進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明,RBF-BP神經(jīng)網(wǎng)絡(luò)算法較BP神經(jīng)網(wǎng)絡(luò)算法可提高煤炭企業(yè)物資分類(lèi)的準(zhǔn)確率,為煤炭企業(yè)物資的分類(lèi)提供了較準(zhǔn)確、可靠的方法。

煤炭企業(yè);RBF-BP神經(jīng)網(wǎng)絡(luò);物資分類(lèi)

煤炭行業(yè)作為勞動(dòng)密集型行業(yè),有著大多數(shù)生產(chǎn)企業(yè)對(duì)物資需求的共性。煤炭行業(yè)所管理的物資具有數(shù)量龐大、種類(lèi)繁多、重要程度和供應(yīng)效率各異等特點(diǎn)。這些物資直接關(guān)系到煤炭企業(yè)的安全生產(chǎn)、資金利用、平衡利庫(kù)、采購(gòu)計(jì)劃等諸多方面[1-2]。煤炭物資的精確分類(lèi)能夠提高煤炭企業(yè)的利潤(rùn),提高生產(chǎn)效率。

神經(jīng)網(wǎng)絡(luò)作為一種模擬生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能的數(shù)學(xué)模型,其具有模式分類(lèi)、回歸與擬合等特點(diǎn)。BP神經(jīng)網(wǎng)絡(luò)采用誤差反向傳播算法,可以任意精度逼近任何非線性函數(shù)[3],但其訓(xùn)練次數(shù)多,導(dǎo)致學(xué)習(xí)效率低,收斂速度慢,同時(shí)也容易形成局部極小點(diǎn),得不到全局最優(yōu)[4]。RBF神經(jīng)網(wǎng)絡(luò)是一種多層前向型網(wǎng)絡(luò),包含較多的神經(jīng)元,訓(xùn)練速度較快,網(wǎng)絡(luò)效果好,能較好地實(shí)現(xiàn)非線性映射[5],但若其數(shù)據(jù)不充分,該神經(jīng)網(wǎng)絡(luò)就無(wú)法進(jìn)行工作。為了提高神經(jīng)網(wǎng)絡(luò)在煤炭企業(yè)物資分類(lèi)的準(zhǔn)確性,從物資正確分類(lèi)角度出發(fā),將RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)有機(jī)融合,提出一種RBF-BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)煤炭企業(yè)物資分類(lèi)預(yù)測(cè)的算法。

1 RBF-BP神經(jīng)網(wǎng)絡(luò)

1.1 RBF-BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

RBF-BP神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是將RBF和BP神經(jīng)網(wǎng)絡(luò)有效結(jié)合,取長(zhǎng)補(bǔ)短,建立一個(gè)RBF子網(wǎng)和一個(gè)BP子網(wǎng)構(gòu)成雙隱含層RBF-BP神經(jīng)網(wǎng)絡(luò)[6],其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。輸入樣本X經(jīng)過(guò)RBF子網(wǎng)訓(xùn)練,將輸出結(jié)果作為BP子網(wǎng)的輸入對(duì)其進(jìn)行訓(xùn)練,最后得到預(yù)測(cè)值[5]。

圖1 RBF-BP網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 RBF-BP network structure

1.2 RBF-BP神經(jīng)網(wǎng)絡(luò)算法

考慮RBF與BP算法各自優(yōu)缺點(diǎn),使用RBF與BP組合輔助設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)[7-8]。RBF-BP算法的學(xué)習(xí)步驟為[9-10]:

1)根據(jù)訓(xùn)練數(shù)據(jù)初始化網(wǎng)絡(luò)結(jié)構(gòu),隨機(jī)初始化各網(wǎng)絡(luò)層權(quán)值w和閾值θ,然后根據(jù)實(shí)際情況確定目標(biāo)誤差和最大的迭代次數(shù)。

2)向RBF神經(jīng)網(wǎng)絡(luò)子網(wǎng)輸入一個(gè)樣本數(shù)據(jù)及對(duì)應(yīng)的輸出,用高斯函數(shù)作為RBF子網(wǎng)的傳輸函數(shù),

其中:cm為RBF子網(wǎng)隱含層第m個(gè)節(jié)點(diǎn)的高斯核函數(shù)的中心值;σm為高斯核函數(shù)因子;x為所取樣本的輸入向量;φm為對(duì)應(yīng)節(jié)點(diǎn)的輸出向量。

3)將RBF子網(wǎng)的輸出向量作為BP子網(wǎng)的輸入向量,

其中:N1為RBF子網(wǎng)隱含層的節(jié)點(diǎn)數(shù);wmi為RBF子網(wǎng)隱含層第m個(gè)節(jié)點(diǎn)到BP子網(wǎng)隱含層第i個(gè)節(jié)點(diǎn)的權(quán)值。

4)用正切S型傳輸函數(shù)Tan-Sigmoid作為BP子網(wǎng)的傳遞函數(shù),計(jì)算BP子網(wǎng)隱含層輸出值,

其中:ui為BP子網(wǎng)隱含層第i個(gè)節(jié)點(diǎn)的輸出向量。

5)用線性傳輸函數(shù)purelin作為BP子網(wǎng)輸出層的傳遞函數(shù),計(jì)算該組合網(wǎng)絡(luò)的輸出值,

其中:а為線性函數(shù)的斜率,一般設(shè)置為1;N2為BP子網(wǎng)隱含層節(jié)點(diǎn)數(shù);wik為BP子網(wǎng)隱含層第i個(gè)節(jié)點(diǎn)到BP子網(wǎng)輸出層第k個(gè)節(jié)點(diǎn)的權(quán)值;b為線性函數(shù)的截距。

6)計(jì)算誤差,

其中:N3為BP子網(wǎng)輸出層的節(jié)點(diǎn)數(shù);dk為第k個(gè)樣本的期望輸出。

7)根據(jù)求得的誤差調(diào)整BP子網(wǎng)對(duì)應(yīng)的閾值和權(quán)值。

其中:β為BP子網(wǎng)的學(xué)習(xí)速率;θk為對(duì)應(yīng)的閾值。

8)用測(cè)試的數(shù)據(jù)對(duì)保存的模型進(jìn)行測(cè)試,若所測(cè)的精度滿足要求或達(dá)到最大的迭代次數(shù),則停止訓(xùn)練并保存模型,否則返回步驟2),重新進(jìn)行訓(xùn)練,直到符合精度要求為止。

2 物資分類(lèi)影響因素

煤炭企業(yè)物資管理過(guò)程中,對(duì)相應(yīng)物資的評(píng)判標(biāo)準(zhǔn)是多種多樣的,而且不同的企業(yè)、不同的生產(chǎn)時(shí)期,根據(jù)所采用的經(jīng)營(yíng)策略,其物資分類(lèi)的評(píng)判體系是不一樣的。以當(dāng)前我國(guó)主要煤炭企業(yè)的物資管理現(xiàn)狀為主要依據(jù),供應(yīng)度、價(jià)值度和供應(yīng)效率是煤炭企業(yè)物資較為通用且相對(duì)重要的屬性,將這3個(gè)屬性的值作為RBF-BP神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行學(xué)習(xí)。

2.1 供應(yīng)度

供應(yīng)度主要反映物資倉(cāng)庫(kù)和配送中心對(duì)生產(chǎn)單位供應(yīng)及時(shí)與否的重要指標(biāo)。若其數(shù)值較大,表明配

其中:s為供應(yīng)度;m為物資樣本數(shù)據(jù)采集范圍的總的月數(shù);ti為第i個(gè)月煤炭物資庫(kù)存的數(shù)量;pi為煤炭企業(yè)第i個(gè)月所需此物資的總數(shù)量。

2.2 價(jià)值度

價(jià)值度主要反映該類(lèi)物資的價(jià)值高低。若其數(shù)值較大,表明該物資具有較大的價(jià)值;若其數(shù)值較小,表明物資比較廉價(jià)。送的物資庫(kù)存數(shù)量滿足不了煤炭企業(yè)的生產(chǎn)需求;若其值較小,表明該類(lèi)物資的需求量比較小。

其中:v為價(jià)值度;z為該類(lèi)物資總金額;r為該類(lèi)物資總數(shù)量。

2.3 供應(yīng)效率

供應(yīng)效率主要反映物資供應(yīng)是否及時(shí)。若供應(yīng)效率數(shù)值較大,表明供應(yīng)商物資供應(yīng)不及時(shí),此時(shí),應(yīng)提醒供應(yīng)商及時(shí)供貨,以免影響企業(yè)生產(chǎn)。

其中:e為供應(yīng)效率;m為物資數(shù)據(jù)樣本采集的總月數(shù);Qi為第i個(gè)月物資樣本的到貨日期;Ki為第i個(gè)月物資樣本的訂貨日期。

3 RBF-BP預(yù)測(cè)模型

3.1 RBF-BP模型選取與建立

選取25種常用的煤炭物資,通過(guò)RBF-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和處理。經(jīng)專家的評(píng)估,將物資分為1(非常重要)、2(重要)、3(一般)和4(不重要)共4個(gè)物資分類(lèi)號(hào),以評(píng)估每一種物資對(duì)煤炭企業(yè)的重要程度[11-12]。

根據(jù)物資分類(lèi),采取供應(yīng)度、價(jià)值度、供應(yīng)效率3個(gè)屬性數(shù)據(jù)作為輸入端,物資分類(lèi)號(hào)作為輸出端,訓(xùn)練數(shù)據(jù)選取某煤礦2014年的相關(guān)數(shù)據(jù),共25種數(shù)據(jù),并選擇另外6種相應(yīng)的樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)。表1為部分訓(xùn)練樣本數(shù)據(jù)。

將樣本數(shù)據(jù)進(jìn)行歸一化處理,其目的是消除各維數(shù)據(jù)數(shù)量級(jí)差別,避免因?yàn)檩斎?、輸出?shù)據(jù)數(shù)量級(jí)差別較大而造成網(wǎng)絡(luò)預(yù)測(cè)誤差較大[13]。采取較為常見(jiàn)的歸一化公式:

表1 網(wǎng)絡(luò)訓(xùn)練樣本Tab.1 Network training samples

其中:g為歸一化值;f為樣本值;fmin為樣本f最小值;fmax為樣本f最大值。表1樣本數(shù)據(jù)歸一化后如表2所示。

表2 網(wǎng)絡(luò)歸一化樣本Tab.2 Normalized samples

3.2 RBF-BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

如圖1所示設(shè)計(jì)中,網(wǎng)絡(luò)含有4個(gè)神經(jīng)網(wǎng)絡(luò)層:1個(gè)輸入層,1個(gè)輸出層,2個(gè)隱含層。由于輸入為3個(gè)影響因子(供應(yīng)度、價(jià)值度、供應(yīng)效率),取輸入端包含3個(gè)神經(jīng)元節(jié)點(diǎn);輸出端只有1個(gè)參數(shù)(物資分類(lèi)號(hào)),取輸出端包含1個(gè)神經(jīng)元節(jié)點(diǎn)。根據(jù)Kolmog-orov定理[14-15],取RBF子網(wǎng)隱含層節(jié)點(diǎn)數(shù)為25個(gè), BP子網(wǎng)隱含層節(jié)點(diǎn)數(shù)為3個(gè)。

4 結(jié)果與分析

為了準(zhǔn)確表示預(yù)測(cè)值的準(zhǔn)確度,引入平均絕對(duì)誤差EMA、均方誤差EMS、均方根誤差ERMS表示預(yù)測(cè)值與實(shí)際值的偏離程度。

使用Matlab進(jìn)行仿真,用25組樣本數(shù)據(jù)作為BP和RBF-BP的訓(xùn)練樣本輸入。為了測(cè)試2種算法的預(yù)測(cè)精度和準(zhǔn)確率,采用BP和RBF-BP二種算法分別進(jìn)行預(yù)測(cè),并與實(shí)際值作對(duì)比。仿真結(jié)果如圖2和3。

圖2 BP算法預(yù)測(cè)結(jié)果Fig.2 The prediction results of BP algorithm

圖3 RBF-BP算法預(yù)測(cè)結(jié)果Fig.3 The prediction results of RBF-BP algorithm

從圖2、3可看出,在相同的訓(xùn)練次數(shù)、學(xué)習(xí)速率、訓(xùn)練精度情況下,BP算法的預(yù)測(cè)值與實(shí)際值相差較大,這是BP算法容易陷入局部最小值特征決定的。而RBF-BP算法結(jié)合了RBF網(wǎng)絡(luò)收斂速度快、BP網(wǎng)絡(luò)自學(xué)習(xí)、自適應(yīng)能力強(qiáng)的優(yōu)點(diǎn),較好地滿足了精度的要求,物資預(yù)測(cè)較準(zhǔn)確。

將BP算法和RBF-BP算法得到的預(yù)測(cè)數(shù)據(jù)分別與原始數(shù)據(jù)進(jìn)行比較,結(jié)果如表3所示。

表3 2種算法預(yù)測(cè)結(jié)果Tab.3 The prediction results of two algorithms

從表3可看出,2種算法預(yù)測(cè)6個(gè)樣本點(diǎn),BP算法在預(yù)測(cè)物資分類(lèi)時(shí)部分點(diǎn)預(yù)測(cè)值與實(shí)際值偏離較大,如樣本1,預(yù)測(cè)值為2.462 8,實(shí)際值為2,很容易導(dǎo)致物資分類(lèi)錯(cuò)誤,而RBF-BP預(yù)測(cè)值為2.012 0,其預(yù)測(cè)值與實(shí)際值較接近,在其他的5個(gè)樣本點(diǎn),RBFBP算法較BP算法預(yù)測(cè)結(jié)果明顯得到改善,泛化性能得到提高。

將2種算法得到的平均絕對(duì)誤差EMA、均方誤差EMS、均方根誤差ERMS進(jìn)行比較,BP算法的平均絕對(duì)誤差EMA為0.251 0,EMS為0.084 4,ERMS為0.290 4。而RBF-BP算法在訓(xùn)練同樣的次數(shù)后,其EMA為0.071 2,EMS為0.008 2,ERMS為0.090 6。對(duì)比可以發(fā)現(xiàn),RBF-BP算法得到的EMA、EMS、ERMS有較明顯的降低。因此,對(duì)于煤炭企業(yè)物資分類(lèi),RBF-BP算法較BP算法在物資分類(lèi)預(yù)測(cè)更加準(zhǔn)確,預(yù)測(cè)過(guò)程中預(yù)測(cè)值更加接近實(shí)際值,產(chǎn)生的誤差也有較大幅度的降低,可提高整體預(yù)測(cè)性能。

5 結(jié)束語(yǔ)

利用RBF-BP神經(jīng)網(wǎng)絡(luò)建立煤炭企業(yè)物資分類(lèi)預(yù)測(cè)模型,通過(guò)對(duì)煤炭物資供應(yīng)度、價(jià)值度和供應(yīng)效率這3個(gè)較為重要的屬性作為輸入,從而獲得煤炭物資分類(lèi)的科學(xué)預(yù)測(cè)。通過(guò)對(duì)比BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)結(jié)果,可以發(fā)現(xiàn)該RBF-BP神經(jīng)網(wǎng)絡(luò)算法在物資分類(lèi)預(yù)測(cè)方面具有更高的精確度和準(zhǔn)確率,泛化性能得到顯著提升,為煤炭企業(yè)物資分類(lèi)提供了一種較為科學(xué)有效的方法。

[1] 溫麗萍.現(xiàn)代施工企業(yè)物資管理存在的問(wèn)題及對(duì)策[J].山西建筑,2002,28(2):112-113.

[2] 許建領(lǐng).煤炭企業(yè)倉(cāng)儲(chǔ)管理方法的探析[J].經(jīng)濟(jì)視角, 2011,10:48-49.

[3] 桂現(xiàn)才.BP神經(jīng)網(wǎng)絡(luò)在Matlab上的實(shí)現(xiàn)與應(yīng)用[J].湛江師范學(xué)院學(xué)報(bào),2004,25(3):79-83.

[4] 袁氫.基于特征融合與神經(jīng)網(wǎng)絡(luò)的手寫(xiě)體數(shù)字識(shí)別技術(shù)研究[D].武漢:武漢科技大學(xué),2007:32-34.

[5] 聶仙娥,趙河明,楊超.基于RBF-BP組合神經(jīng)網(wǎng)絡(luò)的地震預(yù)測(cè)研究[J].水電能源科學(xué),2011,29(12):53-55.

[6] 諶愛(ài)文.基于BP和RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預(yù)測(cè)方法研究[D].長(zhǎng)沙:中南大學(xué),2007:26-28.

[7] 朱正偉,郭楓,孫廣輝,等.基于RBF-BP神經(jīng)網(wǎng)絡(luò)的光伏MPPT研究[J].計(jì)算機(jī)仿真,2015,32(2):131-134.

[8] 李宇鵬,王秋海,孫紅勝,等.基于RBF-BP神經(jīng)網(wǎng)絡(luò)的圖像修補(bǔ)[J].燕山大學(xué)學(xué)報(bào),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] 韓賽,盧建軍,衛(wèi)晨,等.基于概率神經(jīng)網(wǎng)絡(luò)的煤炭企業(yè)物資分類(lèi)方法研究[J].工礦自動(dòng)化,2014,40(4):28-41.

[12] 薛曄.基于模糊重心的廣義虛擬經(jīng)濟(jì)視角下人才聚集效應(yīng)評(píng)判[J].廣義虛擬經(jīng)濟(jì)研究,2013,4(3):84-88.

[13] 吳昌設(shè).基于人工神經(jīng)網(wǎng)絡(luò)的電網(wǎng)日負(fù)荷預(yù)測(cè)研究[D].杭州:浙江大學(xué),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.

編輯: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

陜西省自然科學(xué)基金(2011JM8027)

盧建軍(1962-),男,山東兗州人,教授,研究方向?yàn)槠髽I(yè)信息化發(fā)展戰(zhàn)略與建設(shè)模式。E-mail:ljj@xupt.edu.cn

陳聰,盧建軍,衛(wèi)晨,等.基于RBF-BP神經(jīng)網(wǎng)絡(luò)的煤炭企業(yè)物資分類(lèi)算法[J].桂林電子科技大學(xué)學(xué)報(bào),2015,35(5):366-370.