謝榮燕 趙 明

（1.河海大學(xué)商學(xué)院 南京 211100）（2.海軍航空大學(xué) 煙臺 264000）

1 引言

神經(jīng)網(wǎng)絡(luò)是一種能適應(yīng)新環(huán)境的系統(tǒng)，它通過對過去經(jīng)驗（信息）的重復(fù)學(xué)習(xí)，而具有分析、預(yù)測、推理、分類等功能，是當(dāng)今能夠效仿人類大腦去解決復(fù)雜問題的系統(tǒng)，神經(jīng)網(wǎng)絡(luò)是人工智能技術(shù)領(lǐng)域的重要方向，本文利用神經(jīng)網(wǎng)絡(luò)利用其算法，建立預(yù)測模型，對企業(yè)的庫存控制進行預(yù)測評價［1～2］。

2 RBF神經(jīng)網(wǎng)絡(luò)內(nèi)涵

2.1 BP神經(jīng)網(wǎng)絡(luò)內(nèi)涵

人工神經(jīng)網(wǎng)絡(luò)基本單元是神經(jīng)元，其模型如圖1 所示［3～5］。

圖1 人工神經(jīng)元模型

這里介紹誤差反向傳播網(wǎng)絡(luò)（Back Propaga?tion Network，BP網(wǎng)絡(luò)）。BP模型是一個多層感知器，是由輸入層、中間層（隱層）和輸出層構(gòu)成的前饋網(wǎng)絡(luò)，如圖2所示。

圖2 BP網(wǎng)絡(luò)模型圖

2.2 RBF神經(jīng)網(wǎng)絡(luò)內(nèi)涵

1985年，Powell提出了多變量差值的徑向基函數(shù)方法。1988年，Broomhead和Lowe在此基礎(chǔ)上提出了徑向基神經(jīng)網(wǎng)絡(luò)，也就是RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。徑向基神經(jīng)網(wǎng)絡(luò)采用高斯函數(shù)等徑向基函數(shù)作為神經(jīng)元傳遞函數(shù)，能夠?qū)崿F(xiàn)非線性關(guān)系的映射，目前已廣泛應(yīng)用于數(shù)據(jù)預(yù)測。徑向基函數(shù)屬于多層前向型神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖3所示［7～10］。

圖3 RBF網(wǎng)絡(luò)結(jié)構(gòu)

3 基于RBF神經(jīng)網(wǎng)絡(luò)的企業(yè)庫存控制的預(yù)測評估

基于RBF神經(jīng)網(wǎng)絡(luò)的企業(yè)庫存控制的預(yù)測的步驟與BP網(wǎng)絡(luò)的基本相同，唯一不同的是網(wǎng)絡(luò)訓(xùn)練。應(yīng)用Matlab工具進行網(wǎng)絡(luò)訓(xùn)練時，僅需人工指定徑向基函數(shù)分布密度SPREAD，這通常需要進行試運算，根據(jù)其擬合函數(shù)的平滑度和誤差來合理折中選?。?1］。

通過對某企業(yè)進行調(diào)研，對某類商品銷售數(shù)量的數(shù)據(jù)進行分析整理，以連續(xù)的8個月的數(shù)據(jù)作為輸入，下一月的數(shù)據(jù)作為輸出，分別應(yīng)用BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)來預(yù)測，樣本數(shù)據(jù)如表1所示，前28組作為訓(xùn)練樣本，對網(wǎng)絡(luò)進行訓(xùn)練；后12組作為測試樣本，通過預(yù)測值與真實值對比進行誤差分析。

為了對比BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)的預(yù)測效果，本文分別基于BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)進行了參數(shù)的訓(xùn)練試運算，最后對某企業(yè)某類商品月銷量的進行了預(yù)測。BP網(wǎng)絡(luò)隱層取不同神經(jīng)元數(shù)的訓(xùn)練的誤差曲線及預(yù)測的誤差曲線見圖4、圖5。RBF網(wǎng)絡(luò)散布函數(shù)SPREAD取不同值的預(yù)測誤差也會不同如圖6。BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測的誤差的對比曲線如圖 7［12～13］。

表1 某企業(yè)某類商品月銷量

圖4 BP網(wǎng)絡(luò)訓(xùn)練誤差曲線（n=5，7，9，11）

圖5 BP網(wǎng)絡(luò)訓(xùn)練預(yù)測誤差曲線（n=5，7，9，11）

由圖4、圖5看出，由于隱含層的神經(jīng)元層數(shù)的不同，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差與預(yù)測誤差比較相對偏大一些，所以預(yù)測結(jié)果也會有較大偏差。當(dāng)隱含層的神經(jīng)元層數(shù)取7時，收斂速度是相對最快，預(yù)測誤差是相對最小的，所以預(yù)測時BP網(wǎng)絡(luò)隱含層神經(jīng)元層數(shù)將設(shè)定為 7［14］。

由圖6可看出，RBF神經(jīng)網(wǎng)絡(luò)的散布常數(shù)SPREAD不同，RBF網(wǎng)絡(luò)訓(xùn)練和預(yù)測誤差也會有不同的變化。當(dāng)散布函數(shù)SPREAD取2時，網(wǎng)絡(luò)的預(yù)測誤差是相對最小的，所以在預(yù)測是RBF網(wǎng)絡(luò)的散布常數(shù)SPREAD設(shè)定為2［15］。

圖6 RBF網(wǎng)絡(luò)訓(xùn)練預(yù)測誤差曲線（SPREAD=0.5，1，2，4）

圖7 BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)訓(xùn)練預(yù)測誤差對比曲線（n=7，SPREAD=1）

由圖7可看出，基于RBF網(wǎng)絡(luò)的預(yù)測誤差相對與基于BP網(wǎng)絡(luò)的預(yù)測誤差較小，預(yù)測結(jié)果略為精確。

基于BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)的某企業(yè)某類商品月銷量預(yù)測結(jié)果見表3、表4。

表3 基于BP網(wǎng)絡(luò)的某企業(yè)某類商品月銷量預(yù)測值

表4 基于RBF網(wǎng)絡(luò)的某企業(yè)某類商品月銷量預(yù)測值

通過對比算例中BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)的訓(xùn)練誤差可以得知，RBF網(wǎng)絡(luò)預(yù)測精度高于BP網(wǎng)絡(luò)，預(yù)測誤差較小，效果令人滿意，更適用于某企業(yè)某類商品月銷量預(yù)測［16］。

4 結(jié)語

利用神經(jīng)網(wǎng)絡(luò)技術(shù)對企業(yè)庫存控制進行預(yù)測，方法簡單，對數(shù)據(jù)的樣本量要求較少，預(yù)測過程比較客觀，不存在主觀因素。本文介紹了兩種用于預(yù)測的人工神經(jīng)網(wǎng)絡(luò)即BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)，在調(diào)研數(shù)據(jù)的基礎(chǔ)上，對某企業(yè)某類商品的月銷量分別利用BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)進行仿真，最后對仿真結(jié)果進行分析，得出人工神經(jīng)網(wǎng)絡(luò)在企業(yè)庫存控制預(yù)測和評價的實際應(yīng)用中是可以實現(xiàn)的，可以高效、準(zhǔn)確地對商品的銷量進行預(yù)測。尤其是基于RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型誤差更小，預(yù)測結(jié)果更加精確。因此，運用神經(jīng)網(wǎng)絡(luò)技術(shù)能夠較好地解決企業(yè)庫存控制的預(yù)測問題，實現(xiàn)企業(yè)運營成本的科學(xué)籌劃。