网站首页 公文大全 个人文档 实用范文 讲话致辞 实用工具 心得体会 哲学范文 总结范文 范文大全 报告 合同 文书 信函 实用
  • 汇报体会
  • 节日庆典
  • 礼仪
  • 毕业论文
  • 评语寄语
  • 导游词
  • 口号大全
  • 其他范文
    • 百花范文网 > 实用范文 > 其他范文 > 基于循环神经网络的物料采购需求智能化挖掘方法

    基于循环神经网络的物料采购需求智能化挖掘方法

    时间：2023-02-24 21:45:02来源：百花范文网本文已影响人

    李咏凯， 连莲， 刘译聪， 赵朋

    (国网冀北电力有限公司物资分公司， 北京 100075)

    目前的大多数企业主要通过常规经验进行招标物料采购价格的估算，由于市场的极不稳定特性，仅凭经验预判市场易导致估算结果与实际价格相差甚远，可能造成成本增加，资源浪费，削弱产品竞争力，客户流失等情况的发生[1-2]。如何合理预测物料采购需求，是很多专家和学者的主要研究方向:陈辰等[3]利用偏差预测模型展开的提升药品采购计划准确度研究，通过对历史采购数据的相对标准偏差进行分类，将权重引入不同时期的物料消耗量，与标准偏差相结合构建物料采购预测模型，实现药品精准采购计划的制定；
    韩素敏等[4]基于双重不确定信息研究的采购计划方法，通过构建采购一次和双源采购决策模型后进行最优求解，通过所得数值获取物料采购需求的合理预测。

    虽然上述方法都能有效实现物料采购需求的预测和挖掘，但是预测结果往往与实际情况的差距较大，导致企业不能最大利益化地实现对物料采购的评估。深度循环神经网络(DRNN)具备良好的提取目标、声音识别、机器翻译等优势，为此，本文提出基于循环神经网络的物料采购需求智能化挖掘方法，充分利用DRNN的序列预测能力，基于小波分解方法，构建DRNN物料采购需求挖掘模型，实现企业的智能化挖掘物料采购需求，确保企业与供应商之间保持博弈均衡的状态。

    1.1 小波分析

    1.1.1 小波变换

    为了获取企业与供应商之间实时通信的时频信号，在最短的时间内，将物料采购需求的阈值由3衰减至0，构建小波变换函数[5]，描述公式为

    (1)

    其中，Ua,b(t)和U(t)分别表示子小波和基小波。

    如果约束矩阵{Ua,b}能够满足式(1)，则能量有限信号f(t)∈L2(R)，该信号的小波变化公式为

    (2)

    式(2)验证了小波变换能够根据不同尺度分解信号，等同于利用不同滤波器对企业与供应商之间实时通信信号进行滤波处理。

    假设f(iΔt)为离散信号，其中Δt表示采购公告取样的间隔时间，当{i=1,2,…,n}时，式(2)的离散表达式为

    (3)

    1.1.2 小波分解与重构

    假设{x(t)}表示中标公司的具体需求序列，D0(t)=x(t)，则分解算法为

    (4)

    Mi(t)=Di-1(t)-Di(t)(i=1,2,…)

    (5)

    其中，h(k)表示低通滤波器的离散化输出信号，在尺度为i的条件下时，Di-1(t)和Mi(t)分别表示企业与供应商之间实时通信约束参数Di(t)的尺度和小波系数序列。则在尺度为j的条件下，离散小波变换为{M1,M2,M3，…,Mj,Dj}。

    利用对离散小波{M1,M2,M3，…,Mj,Dj}的分析进行所有采购单价序列特征的识别，经重构后的初始序列为

    (6)

    1.2 深度循环神经网络

    为了获取企业采购量断层式需求，将自反馈神经元代入循环神经网络(RNN)，促使RNN能够产生记忆数据的功能，以此对物料采购需求样本相关特征通过已有时序和当前时序的相关性检测实现挖掘[6-8]。

    深度循环神经网络时序结构如图1所示。

    图1 RNN时序结构示意图

    图1中，t、t-1、t+1分别为RNN训练的持续时间状态点，Xt∈RN+1为t时刻的输入向量，ht∈RM+1为隐层向量，Yt∈RL+1为输出向量。N、M、L分别表示3个向量的维度，权重矩阵：输入层→隐层Vxh∈RM×N，隐层→隐层Vhh∈RN×M，隐层→输入层Vhy∈RL×M。3个向量在不同时刻时连接共享彼此的货物描述权值Vh，能够有效降低RNN参数量。

    通过输出值Xt神经元和t-1时刻的隐层神经元决定了当前时刻的隐层值ht，即：

    ht=f(Xt,ht-1,b)=f(VxhXt+Vhht-1+b)

    (7)

    通常在没有初始值的条件下，需要设置不同的型号、编号来进行标识物资，相关函数为

    (8)

    h0=f(VxhXt+b)

    (9)

    其中，f(·)表示激活函数，b表示偏置向量。

    选取整流线性单元激活函数，即：

    (10)

    特征向量利用Softmax函数转化为类别概率分布，则：

    Yt=Vhyht+c

    (11)

    (12)

    通过多层级联的形式将所有隐层单元构建成DRNN网络[9]，在网络中代入采购需求权重矩阵Vhihi+1∈RM×M，将采购需求权重共享进行层内向层间的扩展，则DRNN时序结构见图2。

    图2 DRNN时序结构示意图

    此时

    (13)

    Yt=Vhihi+1+c

    (14)

    1.3 挖掘模型构建

    通过小波分析分解和重构预处理初始序列，获取存在差异的高、低频序列，利用新序列重构网络相空间，将新生成的数据用于DRNN的训练数据，构建基于DRNN的物料采购需求智能化挖掘模型。构建该模型的具体步骤如下。

    第一步：选取企业的年均历史采购数据进行归一化处理，对其中的最小值和最大值进行保存处理。

    第二步：随着年份的增长，每种型号、编号物料的采购价格基本呈现一个上升的走势，针对年均采购序列选取适宜的成本预估函数进行小波分解，根据分解尺寸进行单支重构，以此获取重构序列的相关系数，再对系数重复进行单支重构处理，则获取不同的高、低频序列，其中，高频序列保存信息[10]，低频序列描述初始序列变化趋势。

    第三步：设置重构的延迟数值，重构高、低频序列，生成物料采购需求相关的训练数据。

    针对初始物料采购需求序列{x(t)}用于模型挖掘时，先采取相空间重构处理，将该序列进行矩阵转换，转换为成nin×mre，其中nin表示数据纬度，mre表示样本数值，该值为m-nin，则矩阵结构为

    (15)

    (16)

    其中，X和Y分别表示输入和输出矩阵。

    第四步：针对深度循环神经网络，以价格最低的物料为约束条件，进行相关学习速率、层数和节点数的设定，利用多组训练数据训练DRNN挖掘模型。

    第五步：利用训练完成的模型对样本进行挖掘，叠加所有挖掘值，即完成物料采购需求智能化的挖掘。

    物料采购需求智能化挖掘模型结构如图3所示。

    图3 物料采购需求智能化挖掘模型结构示意图

    选取某物资分公司2016年至2020年期间的水泥杆招标采购价格为研究对象，经过详细分析后发现非预应力的锥形水泥杆为重点的采购物料，由于采购量较少的水泥杆类型累计数据无法满足挖掘需求，数据样本较少，同时，为了避免实验样本差异较大，影响实验精度，选取同一批非预应力的锥形水泥杆其中的5种型号进行物料需求智能化挖掘相关实验，分别以1#、2#、3#、4#、5#进行标识，最大程度上减少实验样本差异对实验精度的影响。从2016年至2020年间共3 800组采购数据中划分出100组数据作为测试集，其余则全部为训练集，减少实验结果的偶然概率。

    由于不同型号的水泥杆采购量有不同程度的差距，采用归一化处理方式对数据进行加速处理，处理方法为

    (17)

    其中，xmin和xmax分别表示初始序列的最小值和最大值。

    选取小波6对初始序列进行小波分级和单支重构的实验，实验结果如图4所示。

    图4 高频序列对比示意图

    由图4可知，经过分解和重构后的高频序列能够捕捉到初始序列中的扰动，不仅能够有效降低参数量，提升收敛效率，还能保留初始序列中存在突发或隐藏的有价值信息。

    非预应力的锥形水泥杆的需求逐年增大，将数据样本代入DRNN挖掘模型进行训练，根据训练集和样本集进行5类水泥杆采购价格变化挖掘的实验，实验结果如图5所示。

    图5 非预应力的锥形水泥杆价格变化趋势示意图

    根据采用本文方法挖掘的非预应力的锥形水泥杆五年以来的价格变化结果，根据实际统计结果进行比较，统计挖掘精度结果如表6所示。

    由图6可知，针对5种类型的价格变化挖掘准确率均达90%以上，其中，挖掘精度最高的为2#预应力的锥形水泥杆，其值高达98.62%，其余的非预应力的锥形水泥杆挖掘精度结果依次为5#97.15%、3#96.89%、4#94.27%、1#93.94%，以上结果均在误差可接受范围以内，该结果表明，该模型已具备良好的挖掘能力，为采购需求智能化挖掘奠定坚实的基础。

    图6 价格变化挖掘结果示意图

    采用本文方法分别与文献[3]的基于偏差预测模型的挖掘方法和文献[4]的基于双重不确定信息的挖掘方法进行物料采购需求智能化挖掘效果对比试验。以训练样本和测试样本为基础进行相关试验，试验结果如图7所示。

    (a) 训练误差对比结果

    由图7可知，在进行物料采购需求样本训练和测试过程中，采用本文方法进行的训练和测试误差最小，训练误差平均值为3.02%、测试误差平均值为2.61%，训练误差平均值比文献[3]方法和文献[4]方法分别低9.48%和10.35%，测试误差平均值分别降低7.17%和12.22%，表明本文具备良好的物料采购需求智能化挖掘应用价值。

    采用3种方法对5种类型的非预应力的锥形水泥杆进行采购价格智能化挖掘的对比试验，试验结果如表1所示。

    表1 水泥杆采购需求智能化挖掘对比结果

    由表1可知，本文方法比2种对比方法具有更好的物料采购需求智能化挖掘能力，5种型号的挖掘误差均远小于文献[3]方法和文献[4]方法所得结果，本文方法绝对误差平均值为0.58%，相对误差平均值为3.82%，比2种对比方法的绝对误差平均值低3.38%和3.65%，相对误差平均值分别低6.48%和4.78%。

    采用基于循环神经网络的物料采购需求智能化挖掘方法，利用小波变换对初始需求序列进行分解和重构，然后分别代入到循环神经网络DRNN模型中展开数据训练，构建物料采购需求智能化挖掘模型，该方法具备更好的容错性能，更强的逼近能力和抗入侵能力，能够较好地减少挖掘误差，提升挖掘精度，具有良好的挖掘及泛化能力。

    猜你喜欢 重构水泥神经网络 没听错吧？用污泥和尿液制水泥军事文摘(2022年16期)2022-08-24视频压缩感知采样率自适应的帧间片匹配重构哈尔滨工业大学学报(2022年5期)2022-04-19长城叙事的重构摄影世界(2022年1期)2022-01-21水泥像被踢死事件趣味(数学)(2021年5期)2021-10-13高盐肥胖心肌重构防治有新策略中国生殖健康(2020年7期)2020-12-10通过对水泥管式磨机隔仓板结构改进提高水泥台产建材发展导向(2020年16期)2020-09-25神经网络抑制无线通信干扰探究电子制作(2019年19期)2019-11-23基于神经网络的中小学生情感分析电子制作(2019年24期)2019-02-23北京的重构与再造商周刊(2017年6期)2017-08-22基于神经网络的拉矫机控制模型建立重型机械(2016年1期)2016-03-01

    相关热词搜索：神经网络 物料 智能化

    • 范文大全
    • 说说大全
    • 学习资料
    • 语录
    • 生肖
    • 解梦
    • 十二星座
    最新文章

    推荐访问

    智能化 智能化小区建设方案 物料 物料买卖合同 物料员个人工作总结 物料收发结存明细表 物料清单 物料耗用曲线图 物料追踪计划表 物料采购及入库流程 物料采购管理制度 物料需求计划流程图 物料需求计划表 神经网络

    本文基于循环神经网络的物料采购需求智能化挖掘方法由百花范文网整理提供，版权归原作者、原出处所有。

    Copyright © 百花范文网 All Rights Reserved.