基于ART2線性組合神經網絡的軍事物流需求預測方法研究

軍事交通學院基礎部 劉 旭 馬文彬 王曉卓

基于ART2線性組合神經網絡的軍事物流需求預測方法研究

軍事交通學院基礎部 劉 旭 馬文彬 王曉卓

在分析BP、RBF、ART2等單一神經網絡模型的基礎上，建立了ART2線性組合神經網絡模型，用其開展在小樣本集下軍事物流需求預測的研究，通過對模擬實例驗證，ART2線性組合神經網絡模型的檢驗指標優于單一神經網絡模型。

ART2；組合神經網絡；軍事物流；預測

1 緒論

在現代化戰爭中軍事物流理論已開始指導戰場后勤實踐，目前大多數國家都在采用類似企業化運作方式進行精確后勤補給運作，精確的后勤補給將是未來戰爭后勤的前沿領域，然而后勤保障力量要以最佳方案、最佳手段、在最快的時間做出反應，及時形成保障能力，那么前瞻性研究戰時軍事物流需求與配置方法是具有十分必要的。

2 研究內容

2.1 BP神經網絡

BP(Back Propagation)神經網絡，即誤差反傳誤差反向傳播算法的學習過程，由信息的正向傳播和誤差的反向傳播兩個過程組成。[1]

缺點：(1)局部容易陷入最小而得不到全局最優；(2)訓練次數多使得學習效率地，收斂速度慢；(3)神經網絡結點個數難以確定合適的數值，缺乏理論指導；(4)訓練時學習新樣本有遺忘舊樣本的趨勢。

2.2 自適應ART網絡模型

自適應共振理論的ART2神經網絡，該模型克服了大多數前向網絡容易陷入局部極小點的缺陷，可以得到全局最優點，具有實時學習的能力和很強的抗差能力，同時能夠動態調整特征曲線。

缺點：傳統的ART2網絡存在模式漂移的不足，可對部分權值的修正放慢學習速度，將改善模式漂移現象，其泛化能力受訓練集空間分布的合理程度和訓練集中樣本點數量的影響。

3 需求分析及數據收集

軍事物流需求預測的目標是在不同戰爭背景下精確的預測軍事物流需求，建立需求預測模型的基礎是指影響戰爭后勤補給需求的因素，即軍事物流需求決策因子。軍事物流定單需在分析戰場實際情況、結合國際國內實際發生的因素，得出軍事物流需求影響因子一般包括：軍種、兵力數量、兵器種類、持續時間、部署強度、運輸威脅程度、作戰地形等諸多因素，需在軍事物流需求策劃階段明確。通過模擬的軍事物流需求信息為樣本開展分析預測研究。

4 預測模型分析研究

通過分析建立預測模型如圖1所示。

圖1 ART2線性組合預測模型

預測模型中BP網絡為圖2所示，三層結構。其輸入量為7個分別為作戰軍種、兵力數量、兵器種類、持續時間、部署強度、運輸威脅程度、作戰地形，輸出量4個分別為給養數量、服裝數量、工程器材數量、彈藥數量，隱含層為12。

預測模型中ART2神經網絡模型如圖2所示。

圖2 ART2的基本結構

自適應共振理論ART2具有快速的學習算法，且無需大量樣本，可分為注意子系統和調整子系統兩部分，注意子系統主要完成輸入模擬量的預處理，通過競爭選擇出連接權矢量數據。調整子系統對選出的模式原型進行檢驗，檢驗輸入模式與長期記憶模式之間的相似度的警戒測試，并根據檢驗結果給出相應處理，成功或重置，通過測試模型在共振模式下進行學習并不斷調整權矢量，若不成功將忽略當前激活點，轉而搜索其他模式原型。如所有都不匹配，則需設置新的輸出點。其中權值的學習與調整算法直接影響模式原型的接近程度。具體步驟如下：(1)圖2中的F1層為比較層，功能時提取特征輸入向量；(2)在比較層中通過對特征向量歸一化和非線性變換經迭代得到穩定的中層模式送入圖2中的F2層即識別層；(3)由識別層經過競爭選擇激活識別層候選狀態，得到模型的短期記憶；(4)識別層的輸出經長期記憶加權后反饋回比較層，并將信息送入調整子系統，檢驗系統長期記憶模式與輸入模式的相似程度，若通過相似度驗證，則可確定輸入模式屬于識別的候選模式，并按照快速學習算法，一步完成權值的學習；(5)若未通過檢驗，則強迫比較層重置并選擇下一輸出節點。在通過 ART2模型預測時必須注意的是P（相似測度警戒限，為0到1之間的正數）的選擇值范圍，其決定了網絡對輸入模式進行處理間隔的大小，直接影響預測準確性。本文中P取0.7即可達到較滿意的預測效果。

表1 BP預測網絡測試數據

5 預測模型實例應用

模擬2010年到2015年演習中軍事物流需求因素統計數據為樣本數據，取2010年到2013年的數據為訓練樣本，2014年到2015年的數據作為檢驗樣本，見表1。

6 預測模型檢驗指標

為對各預測方法的效果進行對比分析，必須選擇一套切實可行的評價指標，本文采用以下6個評價指標對各預測方法的結果進行評價。

在上述實例的實際預測過程中，預測效果見表2，ART2線性組合的神經網絡預測平均相對誤差和誤差平方和均低于任意單一模型，即線性組合的預測精度高于任意單一模型的預測精度。

表2 預測經度比對

7 結束語

基于ART2線性組合神經網絡的方法揚長避短，將BP神經網絡和ART2網絡模預測型的優點加以利用，克服了各自的不足之處，在軍事物流需求預測方面是一個新的思路，通過比對仿真結果的檢驗指標可以發現此方法收到了良好的效果。

[1]張志勇,匡興華等．基于BP神經網絡的軍事物流定單預測方法研究[J]．物流技術,2005,12:66-69．

[2]高如新,王福忠,冉正云．基于模糊輸入的BP-ART2混合神經網絡在電力變壓器故障綜合診斷中的應用[J]．繼電器,2004,32:17-18．

[3]錢曉東,王煜,王化祥．基于遺傳算法的+ART2+神經網絡數據集優化[J]．天津大學學報(自然科學版),2007,12(40): 31458-1461．