基于改进的BP神经网络库存预测模型及其应用研究

发布时间：2017-10-19 09:04

  本文关键词：基于改进的BP神经网络库存预测模型及其应用研究

  更多相关文章： BP神经网络 库存需求预测 分类方法

【摘要】：为了应对越来越激烈的市场竞争,制造业企业往往采用增加产品产量来提高其市场占有率。这使得企业对于原材料、零部件、半成品及成品的库存量会大大增加,企业的库存成本势必也随即增长。为了提高顾客满意度,降低企业的库存成本,库存控制就成为了提高企业竞争力的关键因素。因此,库存需求预测越来越被企业所重视。传统的库存需求预测方法有很多,但是在企业规模扩大和客户个性化、多元化、定制化需求增长等“多重因素”的影响下,传统的库存预测方法已然很难满足预测要求,预测误差比较高,预测精确度比较低。因此,为了解决困扰很多企业的库存问题,企业如何合理控制库存成本,寻求一种更好的库存需求预测方法以解决上述问题,就显得尤为重要。在阅读大量库存预测的文献后发现,随着BP神经网络的出现与发展,其特有的学习、概括、非线性特质已逐渐被挖掘出来并充分地应用在了预测领域。目前,分类方法与BP神经网络的结合是目前研究BP神经网络的一个研究热点。本论文以M公司智能物流快递柜的库存需求为研究背景,在相关学者对库存预测的研究基础上提出了两点改进与优化。第一,本文多角度地分析了M公司智能物流快递柜库存需求的影响因素,在前人研究的基础上,为了更好的提高客户满意度,将主成分分析法建立在顾客需求的层次上对BP神经网络的输入变量进行数据预处理(筛选处理),即将质量屋模型与主成分分析法组合形成的综合因素分析法对BP神经网络的输入变量进行预处理。第二,针对BP神经网络隐含层节点数的选择问题,很多专家学者都是根据经验公式得到一个确定的值但其经验性过强。为了解决这一问题,本论文提出“二分分割法”的优化算法,该方法可更快速、更精确的选择最佳隐含层节点数。首先,根据前人总结的经验公式确定一个隐含层节点数的大致范围,其次利用“二分分割法”缩小区间范围并反复比较区间内隐含层节点数对应的BP神经网络预测输出均方误差,最后确定均方误差最小的那个节点数即本论文想要得到的最佳隐含层节点数。本论文的最终目的是构建预测M公司智能物流快递柜库存需求量的方法-BP神经网络库存预测模型。利用MATLAB软件分别对改进前后的BP神经网络预测模型进行实验训练、仿真预测,得到最后的预测输出。应用研究表明改进后的BP神经网络库存预测模型的预测输出误差更小,预测精确度更高。
【关键词】：BP神经网络 库存需求预测 分类方法
【学位授予单位】：南昌航空大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F426.4;F252;TP183
【目录】：

• 摘要3-4
• ABSTRACT4-8
• 第1章 绪论8-15
• 1.1 研究背景及意义8-9
• 1.1.1 研究背景8-9
• 1.1.2 研究意义9
• 1.2 国内外研究现状9-12
• 1.2.1 国外研究现状9-10
• 1.2.2 国内研究现状10-12
• 1.3 研究内容、方法和技术路线12-15
• 1.3.1 研究内容12-13
• 1.3.2 研究方法和技术路线13-15
• 第2章 基础理论概述15-24
• 2.1 库存理论概述15-16
• 2.1.1 库存概念15
• 2.1.2 库存作用15-16
• 2.2 库存管理理论概述16-17
• 2.2.1 库存管理的概念16
• 2.2.2 库存管理的作用16-17
• 2.3 预测理论概述17-19
• 2.3.1 预测的概念17-18
• 2.3.2 预测的分类18-19
• 2.4 BP神经网络19-23
• 2.4.1 BP网络的定义及特点19-20
• 2.4.2 BP神经网络的结构20-21
• 2.4.3 BP神经网络算法21-23
• 2.4.4 BP神经网络的不足及应用23
• 2.5 本章小结23-24
• 第3章 BP神经网络预测模型改进优化24-33
• 3.1 影响因素分析24-27
• 3.2 分类方法优化27-30
• 3.2.1 主成分分析27-28
• 3.2.2 综合因素分析法28-30
• 3.3 隐含层优化30-32
• 3.3.1 隐含层层数30
• 3.3.2 隐含层节点数30-32
• 3.4 本章小结32-33
• 第4章 改进前后BP神经网络预测模型对比分析33-58
• 4.1 MATLAB学习33
• 4.2 数据处理33-35
• 4.2.1 输入量数据处理33-34
• 4.2.2 输出量数据处理34-35
• 4.3 改进前BP神经网络预测模型分析35-42
• 4.3.1 BP神经网络预测模型前期处理35-38
• 4.3.2 BP神经网络预测模型构建38-39
• 4.3.3 BP神经网络学习训练与仿真预测39-42
• 4.4 改进后BP神经网络预测模型分析42-55
• 4.4.1 BP神经网络预测模型前期处理42-48
• 4.4.2 BP神经网络预测模型构建48-52
• 4.4.3 BP神经网络学习训练与仿真预测52-55
• 4.5 改进前后预测模型对比分析55-57
• 4.6 本章小结57-58
• 第5章 结论与展望58-59
• 参考文献59-63
• 发表论文和参加科研情况说明63-64
• 致谢64-65
• 附录65-69

【相似文献】

中国期刊全文数据库 前10条

1 云中客;新的神经网络来自于仿生学[J];物理;2001年10期

2 唐春明,高协平;进化神经网络的研究进展[J];系统工程与电子技术;2001年10期

3 李智;一种基于神经网络的煤炭调运优化方法[J];长沙铁道学院学报;2003年02期

4 程科,王士同,杨静宇;新型模糊形态神经网络及其应用研究[J];计算机工程与应用;2004年21期

5 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

6 周丽晖;从统计角度看神经网络[J];统计教育;2005年06期

7 赵奇 ,刘开第 ,庞彦军;灰色补偿神经网络及其应用研究[J];微计算机信息;2005年14期

8 袁婷;;神经网络在股票市场预测中的应用[J];软件导刊;2006年05期

9 尚晋;杨有;;从神经网络的过去谈科学发展观[J];重庆三峡学院学报;2006年03期

10 杨钟瑾;;神经网络的过去、现在和将来[J];青年探索;2006年04期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年

中国硕士学位论文全文数据库 前10条

1 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年

2 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年

3 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年

4 胡婷;改进QGA-BP模型及其在弥苴河总氮量预测中的应用[D];昆明理工大学;2015年

5 刘俊辉;基于数据清洗方法的河道水位预测研究[D];昆明理工大学;2015年

6 刘波;短期风电功率预测方法研究[D];南京信息工程大学;2015年

7 蔡邦宇;人脸识别中单次ERP时空特征分析及其快速检索的应用[D];浙江大学;2015年

8 郑川;垃圾评论检测算法的研究[D];西南交通大学;2015年

9 李菊;BP神经网络在房地产批量评估中的应用研究[D];昆明理工大学;2015年

10 马亮;降水点分类预测方法研究[D];中国地质大学(北京);2015年

，

本文编号：1060209