基于GHS泛函神经网络散杂货港口生产力评估

发布时间：2021-02-06 13:22

　　为提高散杂货港口生产力评估的有效性,提出一种基于高斯和声算法（GHS）优化功能链接模糊神经网络的散杂货港口生产力评估方法。首先,根据评价指标的可操作属性,对模型指标的覆盖全面性进行设计,并结合实际属性对数据采集处理过程进行分析,实现对散杂货港口生产力评估的指标选取;其次,利用泛函链接神经网络进行散杂货港口生产力评估模型的设计,并将其作为网络输出进行网络模型的模糊规则设计,实现了散杂货港口生产力评估模型的构建;最后,通过仿真实验,该模型的实际与期望输出之间的拟合程度非常接近,可实现95%以上的样本数据的识别效率,可以满足真实散杂货港口散杂货生产力评估的精度要求。 

【文章来源】：控制工程. 2019,26(07)北大核心

【文章页数】：7 页

【部分图文】：

网络逼近信息Fig.4Networkapproximationinformation根据图4实验结果，在所提?

谩⒅小⒉钊?龅燃叮???数据从该生产系统中抽取120组，并按照5fold方法进行交叉验证，对数据样本划分成1:9的比例，即选取105组样本数据进行散杂货港口生产力评估模型的训练，选取15组样本数据进行散杂货港口生产力评估模型的测试。在模型学习过程中，采用动量下降方法进行网络模型训练，判定训练过程是否满足设定要求，并且对网络模型的参数进行实时的学习调整。将上述选取的数据样本输入到本文提出的FLNN网络模型中，可看出网络在17489步数时，网络模型的训练过程实现收敛，具体如图3所示。图3模型训练收敛过程Fig.3Modeltrainingconvergenceprocess下图是本文所提出的散杂货港口生产力评估FLNN网络模型，在训练过程中，利用MATBLE工具箱实现的样本数据类别划分情况，并对数据样本进行拟合，如图4所示。图4网络逼近信息Fig.4Networkapproximationinformation根据图4实验结果，在所提出的散杂货港口生产力评估FLNN网络模型训练和测试过程中，本文模型的实际与期望输出之间的拟合程度非常接近，可实现95%以上的样本数据的识别效率，可以满足真实散杂货港口散杂货生产力评估的精度要求。5.3有效性验证对本文散杂货港口生产力评估FLNN网络模

【参考文献】：
期刊论文
[1]港口上市公司财务绩效评价研究——基于2012-2014数据[J]. 邵万清,杜运潮.  中国水运(下半月). 2016(03)
[2]港口供需匹配指标体系构建研究[J]. 赵广田,汪克夷,余方平.  科研管理. 2015(12)
[3]基于灰色关联的沿海铁矿石港口物流发展绩效评估与应用[J]. 陈继红,孟威,陈飞儿,张方伟,罗萍,朴南奎,曹家楠.  数学的实践与认识. 2015(23)
[4]和声搜索算法探索能力研究及其修正[J]. 欧阳海滨,高立群,邹德旋,孔祥勇.  控制理论与应用. 2014(01)
[5]基于平衡计分卡的唐山港集团绩效指标体系设计[J]. 贾红梅,李铮,杨新叶.  河北联合大学学报(社会科学版). 2013(02)
[6]港口吞吐量预测影响因素筛选方法研究[J]. 刘枚莲,朱美华,黄键.  水运工程. 2011(03)
[7]基于FAHP-模糊层次分析法的港口综合竞争力评价[J]. 王振,李学工.  水运工程. 2011(02)



本文编号：3020683