基于RBF-BP神經網絡的煤炭企業物資分類算法

陳 聰,盧建軍,衛 晨,戰金龍

基于RBF-BP神經網絡的煤炭企業物資分類算法

陳 聰1,盧建軍1,衛 晨2,戰金龍1

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

針對現有煤炭企業在物資管理中存在分類粗放、評價標準主觀、計算規模大等問題,為提高煤炭企業中物資分類的效率,提出一種基于RBF-BP神經網絡的煤炭企業物資分類算法。根據煤炭物資相關數據,建立算法預測模型,對煤炭物資分類進行預測。實驗結果表明,RBF-BP神經網絡算法較BP神經網絡算法可提高煤炭企業物資分類的準確率,為煤炭企業物資的分類提供了較準確、可靠的方法。

煤炭企業;RBF-BP神經網絡;物資分類

煤炭行業作為勞動密集型行業,有著大多數生產企業對物資需求的共性。煤炭行業所管理的物資具有數量龐大、種類繁多、重要程度和供應效率各異等特點。這些物資直接關系到煤炭企業的安全生產、資金利用、平衡利庫、采購計劃等諸多方面[1-2]。煤炭物資的精確分類能夠提高煤炭企業的利潤,提高生產效率。

神經網絡作為一種模擬生物神經網絡的結構和功能的數學模型,其具有模式分類、回歸與擬合等特點。BP神經網絡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[3],但其訓練次數多,導致學習效率低,收斂速度慢,同時也容易形成局部極小點,得不到全局最優[4]。RBF神經網絡是一種多層前向型網絡,包含較多的神經元,訓練速度較快,網絡效果好,能較好地實現非線性映射[5],但若其數據不充分,該神經網絡就無法進行工作。為了提高神經網絡在煤炭企業物資分類的準確性,從物資正確分類角度出發,將RBF神經網絡和BP神經網絡有機融合,提出一種RBF-BP神經網絡的改進煤炭企業物資分類預測的算法。

1 RBF-BP神經網絡

1.1 RBF-BP神經網絡結構

RBF-BP神經網絡的特點是將RBF和BP神經網絡有效結合,取長補短,建立一個RBF子網和一個BP子網構成雙隱含層RBF-BP神經網絡[6],其網絡結構如圖1所示。輸入樣本X經過RBF子網訓練,將輸出結果作為BP子網的輸入對其進行訓練,最后得到預測值[5]。

圖1 RBF-BP網絡結構Fig.1 RBF-BP network structure

1.2 RBF-BP神經網絡算法

考慮RBF與BP算法各自優缺點,使用RBF與BP組合輔助設計神經網絡[7-8]。RBF-BP算法的學習步驟為[9-10]:

1)根據訓練數據初始化網絡結構,隨機初始化各網絡層權值w和閾值θ,然后根據實際情況確定目標誤差和最大的迭代次數。

2)向RBF神經網絡子網輸入一個樣本數據及對應的輸出,用高斯函數作為RBF子網的傳輸函數,

其中:cm為RBF子網隱含層第m個節點的高斯核函數的中心值;σm為高斯核函數因子;x為所取樣本的輸入向量;φm為對應節點的輸出向量。

3)將RBF子網的輸出向量作為BP子網的輸入向量,

其中:N1為RBF子網隱含層的節點數;wmi為RBF子網隱含層第m個節點到BP子網隱含層第i個節點的權值。

4)用正切S型傳輸函數Tan-Sigmoid作為BP子網的傳遞函數,計算BP子網隱含層輸出值,

其中:ui為BP子網隱含層第i個節點的輸出向量。

5)用線性傳輸函數purelin作為BP子網輸出層的傳遞函數,計算該組合網絡的輸出值,

其中:а為線性函數的斜率,一般設置為1;N2為BP子網隱含層節點數;wik為BP子網隱含層第i個節點到BP子網輸出層第k個節點的權值;b為線性函數的截距。

6)計算誤差,

其中:N3為BP子網輸出層的節點數;dk為第k個樣本的期望輸出。

7)根據求得的誤差調整BP子網對應的閾值和權值。

其中:β為BP子網的學習速率;θk為對應的閾值。

8)用測試的數據對保存的模型進行測試,若所測的精度滿足要求或達到最大的迭代次數,則停止訓練并保存模型,否則返回步驟2),重新進行訓練,直到符合精度要求為止。

2 物資分類影響因素

煤炭企業物資管理過程中,對相應物資的評判標準是多種多樣的,而且不同的企業、不同的生產時期,根據所采用的經營策略,其物資分類的評判體系是不一樣的。以當前我國主要煤炭企業的物資管理現狀為主要依據,供應度、價值度和供應效率是煤炭企業物資較為通用且相對重要的屬性,將這3個屬性的值作為RBF-BP神經網絡的輸入進行學習。

2.1 供應度

供應度主要反映物資倉庫和配送中心對生產單位供應及時與否的重要指標。若其數值較大,表明配

其中:s為供應度;m為物資樣本數據采集范圍的總的月數;ti為第i個月煤炭物資庫存的數量;pi為煤炭企業第i個月所需此物資的總數量。

2.2 價值度

價值度主要反映該類物資的價值高低。若其數值較大,表明該物資具有較大的價值;若其數值較小,表明物資比較廉價。送的物資庫存數量滿足不了煤炭企業的生產需求;若其值較小,表明該類物資的需求量比較小。

其中:v為價值度;z為該類物資總金額;r為該類物資總數量。

2.3 供應效率

供應效率主要反映物資供應是否及時。若供應效率數值較大,表明供應商物資供應不及時,此時,應提醒供應商及時供貨,以免影響企業生產。

其中:e為供應效率;m為物資數據樣本采集的總月數;Qi為第i個月物資樣本的到貨日期;Ki為第i個月物資樣本的訂貨日期。

3 RBF-BP預測模型

3.1 RBF-BP模型選取與建立

選取25種常用的煤炭物資,通過RBF-BP神經網絡訓練和處理。經專家的評估,將物資分為1(非常重要)、2(重要)、3(一般)和4(不重要)共4個物資分類號,以評估每一種物資對煤炭企業的重要程度[11-12]。

根據物資分類,采取供應度、價值度、供應效率3個屬性數據作為輸入端,物資分類號作為輸出端,訓練數據選取某煤礦2014年的相關數據,共25種數據,并選擇另外6種相應的樣本數據進行預測。表1為部分訓練樣本數據。

將樣本數據進行歸一化處理,其目的是消除各維數據數量級差別,避免因為輸入、輸出數據數量級差別較大而造成網絡預測誤差較大[13]。采取較為常見的歸一化公式:

表1 網絡訓練樣本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樣本數據歸一化后如表2所示。

表2 網絡歸一化樣本Tab.2 Normalized samples

3.2 RBF-BP神經網絡設計

如圖1所示設計中,網絡含有4個神經網絡層:1個輸入層,1個輸出層,2個隱含層。由于輸入為3個影響因子(供應度、價值度、供應效率),取輸入端包含3個神經元節點;輸出端只有1個參數(物資分類號),取輸出端包含1個神經元節點。根據Kolmog-orov定理[14-15],取RBF子網隱含層節點數為25個, BP子網隱含層節點數為3個。

4 結果與分析

為了準確表示預測值的準確度,引入平均絕對誤差EMA、均方誤差EMS、均方根誤差ERMS表示預測值與實際值的偏離程度。

使用Matlab進行仿真,用25組樣本數據作為BP和RBF-BP的訓練樣本輸入。為了測試2種算法的預測精度和準確率,采用BP和RBF-BP二種算法分別進行預測,并與實際值作對比。仿真結果如圖2和3。

圖2 BP算法預測結果Fig.2 The prediction results of BP algorithm

圖3 RBF-BP算法預測結果Fig.3 The prediction results of RBF-BP algorithm

從圖2、3可看出,在相同的訓練次數、學習速率、訓練精度情況下,BP算法的預測值與實際值相差較大,這是BP算法容易陷入局部最小值特征決定的。而RBF-BP算法結合了RBF網絡收斂速度快、BP網絡自學習、自適應能力強的優點,較好地滿足了精度的要求,物資預測較準確。

將BP算法和RBF-BP算法得到的預測數據分別與原始數據進行比較,結果如表3所示。

表3 2種算法預測結果Tab.3 The prediction results of two algorithms

從表3可看出,2種算法預測6個樣本點,BP算法在預測物資分類時部分點預測值與實際值偏離較大,如樣本1,預測值為2.462 8,實際值為2,很容易導致物資分類錯誤,而RBF-BP預測值為2.012 0,其預測值與實際值較接近,在其他的5個樣本點,RBFBP算法較BP算法預測結果明顯得到改善,泛化性能得到提高。

將2種算法得到的平均絕對誤差EMA、均方誤差EMS、均方根誤差ERMS進行比較,BP算法的平均絕對誤差EMA為0.251 0,EMS為0.084 4,ERMS為0.290 4。而RBF-BP算法在訓練同樣的次數后,其EMA為0.071 2,EMS為0.008 2,ERMS為0.090 6。對比可以發現,RBF-BP算法得到的EMA、EMS、ERMS有較明顯的降低。因此,對于煤炭企業物資分類,RBF-BP算法較BP算法在物資分類預測更加準確,預測過程中預測值更加接近實際值,產生的誤差也有較大幅度的降低,可提高整體預測性能。

5 結束語

利用RBF-BP神經網絡建立煤炭企業物資分類預測模型,通過對煤炭物資供應度、價值度和供應效率這3個較為重要的屬性作為輸入,從而獲得煤炭物資分類的科學預測。通過對比BP神經網絡算法預測結果,可以發現該RBF-BP神經網絡算法在物資分類預測方面具有更高的精確度和準確率,泛化性能得到顯著提升,為煤炭企業物資分類提供了一種較為科學有效的方法。

[1] 溫麗萍.現代施工企業物資管理存在的問題及對策[J].山西建筑,2002,28(2):112-113.

[2] 許建領.煤炭企業倉儲管理方法的探析[J].經濟視角, 2011,10:48-49.

[3] 桂現才.BP神經網絡在Matlab上的實現與應用[J].湛江師范學院學報,2004,25(3):79-83.

[4] 袁氫.基于特征融合與神經網絡的手寫體數字識別技術研究[D].武漢:武漢科技大學,2007:32-34.

[5] 聶仙娥,趙河明,楊超.基于RBF-BP組合神經網絡的地震預測研究[J].水電能源科學,2011,29(12):53-55.

[6] 諶愛文.基于BP和RBF神經網絡的數據預測方法研究[D].長沙:中南大學,2007:26-28.

[7] 朱正偉,郭楓,孫廣輝,等.基于RBF-BP神經網絡的光伏MPPT研究[J].計算機仿真,2015,32(2):131-134.

[8] 李宇鵬,王秋海,孫紅勝,等.基于RBF-BP神經網絡的圖像修補[J].燕山大學學報,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,衛晨,等.基于概率神經網絡的煤炭企業物資分類方法研究[J].工礦自動化,2014,40(4):28-41.

[12] 薛曄.基于模糊重心的廣義虛擬經濟視角下人才聚集效應評判[J].廣義虛擬經濟研究,2013,4(3):84-88.

[13] 吳昌設.基于人工神經網絡的電網日負荷預測研究[D].杭州:浙江大學,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

陜西省自然科學基金(2011JM8027)

盧建軍(1962-),男,山東兗州人,教授,研究方向為企業信息化發展戰略與建設模式。E-mail:ljj@xupt.edu.cn

陳聰,盧建軍,衛晨,等.基于RBF-BP神經網絡的煤炭企業物資分類算法[J].桂林電子科技大學學報,2015,35(5):366-370.