基于GRU-BP神经网络的零部件采购计划研究
发布时间：2021-01-22 15:00
在信息技术、网络技术、通讯技术、人工智能等先进技术的深度融合下,供应链在经济发展进程中凸显反映迅速、精准匹配、协同高效、服务强大的能力,助力企业进入降本增效的良性发展过程。供应链的运营过程强调集成管理、各节点企业的有机结合,因此有许多具体的问题需要解决,例如在以制造商为核心节点的供应链中,随着产品零部件生产的标准化及零部件向上游供应商的迁移,要求核心节点与上游供应商节点在零部件生产中实现精准匹配,同时也要求与下游销售订单紧密结合,作为核心节点的制造商在其中兼具保障供应和供应链管理两大职能。产品需求量对于制造商合理安排零部件的采购量具有导向作用,若产品的生产量安排不当,经常出现零部件缺货,零部件库存积压,产品交货日期延迟等现象,则会影响整个供应链的运行效率。因此,研究如何有效地预测一定时间内的产品需求,然后进一步导出各类零部件的采购量,对科学合理地安排零部件的采购、保障产品生产、满足订单需求具有非常重要的现实意义。本文以一个具有供应链特征的制造企业为背景,该企业与国外的供应商自动形成了跨国供应链特性,对核心企业与供应商、销售商之间的协同有着很高的要求。在产品生产方面,同一系列产品下有多种...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
图２．３单神经元内部结构??Ｆｉｇ．?２．３?ｉｎｔｅｒｎａｌ?ｓｔｒｕｃｔｕｒｅ?ｏｆ?ｓｉｎｇｌｅ?ｎｅｕｒｏｎ??
?基于ＧＲＵ－ＢＰ神经网络的零部件采购计划研究???测效果基础上，训练参数更少。??单神经元的内部详细结构如图２．３所示。??ｈ，??－＾－－Ｃ?Ｉ?Ｑ—??ｔａｎｈ??￣ｒ?Ｖ??Ｖ?ｙ??Ｘｔ??图２．３单神经元内部结构??Ｆｉｇ．?２．３?ｉｎｔｅｒｎａｌ?ｓｔｒｕｃｔｕｒｅ?ｏｆ?ｓｉｎｇｌｅ?ｎｅｕｒｏｎ??ｚｔ表示更新门，作用是控制前一时刻的状态信息被带入到当前状态中的程??度。ｚｔ值越大，说明前一时刻的状态信息被带入的越多。??ｒｔ表示重置门，作用是控制忽略前一时刻的状态信息的程度。值越小，说??明状态信息忽略的越多。??现将ＧＲＵ神经网络中的内部详细结构逐步分解：??Ｚｔ＝ｃｒ（ｄＵ?（２．１）??更新门模型如图２．４所示，式（２．１）中，Ｚｔ表示更新门，通过上一个神经??元输出Ｌ与本次神经元输入；（：；相加后乘以更新门权重％，再使用ｓｉｇｍｏｉｄ函数??运算。更新门；取值越大，当前神经元保留信息越多，而上一个神经元保留信??息越少。更新门对于长距离学习会比较活跃。??ｚｔ??ｈ１－１??ｐＨ??Ｖ?Ｊ??Ｘｔ????图２．４更新门模型??Ｆｉｇ．?２．４?ｕｐｄａｔｅ?ｔｈｅ?ｄｏｏｒ?ｍｏｄｅｌ??ｒｔ＝（Ｔ（Ｈ＼］）?（２．２）??－１２－??
大连海事大学硕士学位论文??３．２．２构建总体模型??供应链环境中，产品需求预测对于制造业安排生产计划具有导向作用。首先??研究同一系列下的多型号产品之间的相互制约影响，再考虑供应链环境、产品自??身属性等影响因素，量化后输入到ＧＲＵ－ＢＰ神经网络预测模型，预测某型号产??品在下一周期的需求量，对模型分析求解后证明预测结果的可行性。??在ＧＲＵ－ＢＰ神经网络模型的产品需求预测结果基础上，针对某型号产品的??预测需求量，．通过产品ＢＯＭ清单，计算所需零部件的需求暈，最终制定零部件??的采购计划。结合研究内容和工作思路构建的整体模型如图３．１所示。??
【参考文献】：
期刊论文
[1]DSI:一种基于动态分段的时间序列查询索引[J]. 周骑骏,王鹏,汪卫. 计算机工程. 2020(02)
[2]基于BP神经网络的电网物资需求预测研究[J]. 丁红卫,王文果,万良,罗剑. 计算机技术与发展. 2019(06)
[3]基于多特征融合与双向RNN的细粒度意见分析[J]. 郝志峰,黄浩,蔡瑞初,温雯. 计算机工程. 2018(07)
[4]基于BP神经网络的飞机娱乐系统采购短期预测[J]. 吴培德,郝矿荣. 智能计算机与应用. 2014(02)
[5]基于SVM的短生命周期产品供应链双渠道需求预测模型[J]. 徐琪,刘峥. 系统管理学报. 2014(02)
[6]基于需求预测的短生命周期产品订货策略研究[J]. 徐贤浩,陈雯,廖丽平,李路军. 管理科学学报. 2013(04)
[7]改进的BP神经网络及其在销量预测中的应用[J]. 毕建涛,魏红芹. 山东理工大学学报(自然科学版). 2011(06)
[8]基于供应链的采购管理需求分析研究[J]. 陈丰照,陈嘉莉. 中国物流与采购. 2011(04)
[9]采购商与供应商战略伙伴关系分析[J]. 陈奋. 中国物流与采购. 2010(24)
[10]PCA-SVM在电力负荷预测中的应用研究[J]. 石海波. 计算机仿真. 2010(10)
博士论文
[1]镍的价格预测与采购模型及其应用研究[D]. 戴相全.东北大学 2015
硕士论文
[1]基于循环神经网络的时间序列预测方法研究[D]. 张旭.南京大学 2019
[2]WJ公司原材料采购策略分析[D]. 祝卫萍.电子科技大学 2019
[3]基于经济发展阶段的用电特征及中长期电量预测研究[D]. 焦杰.华北电力大学(北京) 2018
[4]基于GRU神经网络的时间序列预测研究[D]. 刘洋.成都理工大学 2017
[5]基于改进的BP神经网络库存预测模型及其应用研究[D]. 阮翔.南昌航空大学 2016
[6]半导体元器件产品销售与采购关联预测模型的设计与实现[D]. 薛文军.电子科技大学 2015
[7]供应链环境下Y公司采购管理机制优化策略研究[D]. 董茜茜.浙江工业大学 2014
[8]基于灰色—多元回归模型下的建设用地需求量预测研究[D]. 王科星.云南财经大学 2012
本文编号：2993438
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
图２．３单神经元内部结构??Ｆｉｇ．?２．３?ｉｎｔｅｒｎａｌ?ｓｔｒｕｃｔｕｒｅ?ｏｆ?ｓｉｎｇｌｅ?ｎｅｕｒｏｎ??
?基于ＧＲＵ－ＢＰ神经网络的零部件采购计划研究???测效果基础上，训练参数更少。??单神经元的内部详细结构如图２．３所示。??ｈ，??－＾－－Ｃ?Ｉ?Ｑ—??ｔａｎｈ??￣ｒ?Ｖ??Ｖ?ｙ??Ｘｔ??图２．３单神经元内部结构??Ｆｉｇ．?２．３?ｉｎｔｅｒｎａｌ?ｓｔｒｕｃｔｕｒｅ?ｏｆ?ｓｉｎｇｌｅ?ｎｅｕｒｏｎ??ｚｔ表示更新门，作用是控制前一时刻的状态信息被带入到当前状态中的程??度。ｚｔ值越大，说明前一时刻的状态信息被带入的越多。??ｒｔ表示重置门，作用是控制忽略前一时刻的状态信息的程度。值越小，说??明状态信息忽略的越多。??现将ＧＲＵ神经网络中的内部详细结构逐步分解：??Ｚｔ＝ｃｒ（ｄＵ?（２．１）??更新门模型如图２．４所示，式（２．１）中，Ｚｔ表示更新门，通过上一个神经??元输出Ｌ与本次神经元输入；（：；相加后乘以更新门权重％，再使用ｓｉｇｍｏｉｄ函数??运算。更新门；取值越大，当前神经元保留信息越多，而上一个神经元保留信??息越少。更新门对于长距离学习会比较活跃。??ｚｔ??ｈ１－１??ｐＨ??Ｖ?Ｊ??Ｘｔ????图２．４更新门模型??Ｆｉｇ．?２．４?ｕｐｄａｔｅ?ｔｈｅ?ｄｏｏｒ?ｍｏｄｅｌ??ｒｔ＝（Ｔ（Ｈ＼］）?（２．２）??－１２－??
大连海事大学硕士学位论文??３．２．２构建总体模型??供应链环境中，产品需求预测对于制造业安排生产计划具有导向作用。首先??研究同一系列下的多型号产品之间的相互制约影响，再考虑供应链环境、产品自??身属性等影响因素，量化后输入到ＧＲＵ－ＢＰ神经网络预测模型，预测某型号产??品在下一周期的需求量，对模型分析求解后证明预测结果的可行性。??在ＧＲＵ－ＢＰ神经网络模型的产品需求预测结果基础上，针对某型号产品的??预测需求量，．通过产品ＢＯＭ清单，计算所需零部件的需求暈，最终制定零部件??的采购计划。结合研究内容和工作思路构建的整体模型如图３．１所示。??
【参考文献】：
期刊论文
[1]DSI:一种基于动态分段的时间序列查询索引[J]. 周骑骏,王鹏,汪卫. 计算机工程. 2020(02)
[2]基于BP神经网络的电网物资需求预测研究[J]. 丁红卫,王文果,万良,罗剑. 计算机技术与发展. 2019(06)
[3]基于多特征融合与双向RNN的细粒度意见分析[J]. 郝志峰,黄浩,蔡瑞初,温雯. 计算机工程. 2018(07)
[4]基于BP神经网络的飞机娱乐系统采购短期预测[J]. 吴培德,郝矿荣. 智能计算机与应用. 2014(02)
[5]基于SVM的短生命周期产品供应链双渠道需求预测模型[J]. 徐琪,刘峥. 系统管理学报. 2014(02)
[6]基于需求预测的短生命周期产品订货策略研究[J]. 徐贤浩,陈雯,廖丽平,李路军. 管理科学学报. 2013(04)
[7]改进的BP神经网络及其在销量预测中的应用[J]. 毕建涛,魏红芹. 山东理工大学学报(自然科学版). 2011(06)
[8]基于供应链的采购管理需求分析研究[J]. 陈丰照,陈嘉莉. 中国物流与采购. 2011(04)
[9]采购商与供应商战略伙伴关系分析[J]. 陈奋. 中国物流与采购. 2010(24)
[10]PCA-SVM在电力负荷预测中的应用研究[J]. 石海波. 计算机仿真. 2010(10)
博士论文
[1]镍的价格预测与采购模型及其应用研究[D]. 戴相全.东北大学 2015
硕士论文
[1]基于循环神经网络的时间序列预测方法研究[D]. 张旭.南京大学 2019
[2]WJ公司原材料采购策略分析[D]. 祝卫萍.电子科技大学 2019
[3]基于经济发展阶段的用电特征及中长期电量预测研究[D]. 焦杰.华北电力大学(北京) 2018
[4]基于GRU神经网络的时间序列预测研究[D]. 刘洋.成都理工大学 2017
[5]基于改进的BP神经网络库存预测模型及其应用研究[D]. 阮翔.南昌航空大学 2016
[6]半导体元器件产品销售与采购关联预测模型的设计与实现[D]. 薛文军.电子科技大学 2015
[7]供应链环境下Y公司采购管理机制优化策略研究[D]. 董茜茜.浙江工业大学 2014
[8]基于灰色—多元回归模型下的建设用地需求量预测研究[D]. 王科星.云南财经大学 2012
本文编号：2993438
本文链接：https://www.wllwen.com/shoufeilunwen/jjglss/2993438.html
