人工神经网络论文人工神经网络的论文

人工神经网络论文人工神经网络的论文基于BP人工神经网络的供应商评价研究摘要：供应商评价的最终目的是为了让企业选择值得信赖的供应商作为合作伙伴，从而在激烈的竞争中构建高效的供应链体系。本文构建了一种基于BP人工神经网络原理的企业供应商的评价模型，以MATLAB软件为平台进行学习，提高了供应商选择过程的客观性。Abstract:Thefinalgoaloftheappraisalofsuppliersforafirmistoselecttrustysupplierstobethepartnersandtobuildanefficientsupplychainsysteminthefiercecompetitionconsequently.ThispapercreatesanevaluationmodelontheappraisalofsuppliersforfirmsBasedonBPartificialneuralnetwork.UsingMATLABasaplatformtotrainthecreatedBPartificialneuralnetworks,sotheobjectivityintheprocessofselectingsuppliersisimproved.关键词：供应商；BP人工神经网络；MATLABKeywords:suppliers；BPartificialneuralnetworks；MATLAB中图分类号：F25文献标识码：A文章编号：1006-4311（2011）02-0028-030引言随着复杂的经济环境变化，人们对供应链环境下供应商管理与评价的要求越来越高了，没有满意的供应商就不可能生产出低成本、高质量的产品，也就不能满足客户的要求。因此，企业必须掌握好供应商的评价与管理，从而建立成功的合作伙伴关系，最终提高自身的核心的竞争力。1传统的供应商评价方式供应商评价的方法很多，可以概括为精确性的数学分析方法和非精确性的经验法，包括：加权评分法、直接判断法、层次分析法、数据包络法、模糊评判法、灰色系统法等等。以往的许多供应商评价方法都属于多目标评价，以确定评价指标的相对隶属度（指标权重）为基础，通过权重计算供应商的综合得分作为评价依据，在各个指标的之间的权重衡量上，容易出现主观的人为因素，除此之外还存在的问题包括：指标属性间的关系绝大多数为非线性关系，一般的方法很难反映这种关系，以及评价规则又常常相互矛盾，有时无条理可循，通常难以准确地表征各指标间的相互关系，更无法用定量关系式来表达它们之间的权重分配，所能准确提供的只是各指标的属性特征以及同类系统的以往评价结果。因此，如何尽可能地消除评价过程中的主观随意性，是供应商评价问题的研究热点之一。2BP人工神经网络（BPANN）及其学习机制由于神经网络方法本身具有非线性映射、自学习和联想记忆等特点，能通过样本训练的方法获取各个指标之间的关系，无需人为直接确定权重，在利用专家知识的同时，又减少了评价过程中主观因素的影响。这些特点使得神经网络成为一种有效的智能化评价方法，为供应商评价问题开辟了一条新的道路。BP（BackPropagation）神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前人工神经网络中应用最为广泛的一种[1]。1989年，RobertHechtNielsen证明了三层网络可模拟任意复杂的非线性问题，三层BP网络能够形成任意复杂区域，可以完成任意的n维到m维的映射[2]。它包括一个输入层，至少一个隐含层和一个输出层。其拓扑结构图1所示，可以看成是一个从输入到输出的高度非线性映射。输入层有n个神经元，隐含层有m个神经元。输入向量为X=x，x，…，x；期望输出（教师值）向量为Y=y，y，…，y，输出向量为Zk输入层至中间层的权值为Wij，隐含层至输出层的权值为Wjk，θj和θk分别为中间层和输出层的阈值，k表示用来学习的样本数量。BP人工神经网络学习步骤如下：①给每个权值和阈值赋予在区间（-1，1）内的随机数，即初始化。②输入一个学习样本X，T，k∈{1，2，…，N}，N为学习样本数。③计算隐含层节点的输出向量。Y=fWX-θ，j∈1，2，…，n，其中f为传递函数。④计算输出层节点的输出向量。Y=fWY-θ，k∈1，2，…，m。⑤计算隐含层节点与输出层节点的连接δ=T-Y×Y×1-Y，K∈1，2，3，…，m⑥计算输入层和隐含层节点间权值修正量δ=Y×1-Y×δ×W⑦对连接权值矩阵Wjk和阈值向量θk修正，计算Wjk（t+1）和θk（t+1）⑧用第⑥步求出的δ来修正输入层和隐含层之间连接权值Wij和阈值向量θj，计算Wij（t+1）与θj（t+1）⑨计算全局误差E，E=T-Y，如果E＜ε，（ε为设定的误差），则学习结束，否则更新学习次数t=t+1，返回步骤②。其流程图如图2所示。3供应商评价模型有关供应商评价指标的研究文献很多，Dickson通过调查研究，得出23项供应商指标，他认为质量是影响供应商评价的一个非常重要的因素；交货、历史绩效等7个因素则“相当重要”；“一般重要”的指标包括遵循报价程序、沟通系统等14个因素；最后一个因素，“往来安排”则归入“稍微重要”之列。[3]国内有学者调查表明我国企业在选择供应时，最主要的指标是产品质量，这与国际上重视质量的趋势是一致的；其次是价格，92.4%的企业考虑了这个标准；另有69.7%的企业考虑了交货期；批量柔性和品种多样性也是企业考虑的因素之一。[4]借鉴国内外学者的研究成果，并考虑到收集指标数据的难易程度，本文选取如下指标产品合格率（A1），时间遵守率（A2），批量遵守率（A3），沟通程度（A4），总资产周转率（A5），人员素质（A6），科研经费投入率（A7），地理位置（A8），总计8个指标。选取13家供应商。各项指标的原始值如表1所示。表中最后一行为理想目标值，即期望输出值，由专家经过打分得出。4基于MATALB的BP人工神经网络的实现BP神经网络的实现可以采用很多方法,如利用C++、VB等语言编程实现,也可利用MATLAB提供的工具箱实现。MATLAB是一种面向科学与工程计算的高级语言，允许用数学形式的语言编写程序，用MATLAB编写程序就犹如在演算纸上排列出公式与求解问题。由于它编写简单，所以编程效率高，易学易懂。MATLAB软件有专门用于神经网络开发与应用的神经网络工具箱，涵盖了神经网络基本的常用模型，集成了多种学习算法。这使它在神经网络应用方面更为方便。本文采用MATLAB软件来实现合作伙伴的综合评价。由于供应商评价体系中各项指标的衡量标准存在较大的差异，既有定量指标又有定性指标，其性质和量纲也不同，造成各个指标之间的不可共度性，因此在利用神经网络对供应商进行综合评价之前有必要对各指标值进行无量纲化和规范化处理，以节省训练学习的时间并提高网络的性能和效率。所谓规范化处理就是通过一定的函数把指标值进行无量纲化，并映射到一个有限的区间之中。经过规范化处理的各指标值都可以转化为在闭区间[0,1]上的某个值，本文采用X=（i=1，2，…8；j=1，2，…13）。在BP人工神经网络中，隐含层节点的选择是个难点，有专家提出了一些经验公式如，但考虑到网络的泛化能力，本文采用试错法[5]，即每次对隐含层选取不同的节点，分别检验网络的训练效果，以训练迭代次数和输出值为评价标准，最后确定隐含层节点数为8。人工神经网络各层之间的传递函数为Sigmoid函数，它包括三种形式，即logsig，tansig，purelin，分别对应的函数表达式为f（x）=，f（x）=，f（x）=x，本文选用tansig函数为输入层与隐含层之间的传递函数，logsig为隐含层到输出层的传递函数。MATLAB中提供了多种网络学习函数可供选择，本文通过比较最终选取自适应动量梯度法traingdx函数为学习函数。鉴于供应商样本有限，故选择前10家供应商的数据作为人工神经网络的输入，对建立的BP人工神经网络进行训练。将后3家供应商作为检验样本。其MATLAB程序如下：net=newff(minmax(SHURU10),[8,1],{'tansig','logsig'},'traingdx');net.trainParam.epochs=10000;net.trainParam.goal=0.000001;net.trainParam.lr=maxlinlr(SHURU10,'bias');net=train(net,SHURU10,ZHUANJIAZHI10);其中SHURU10，分别为经过归一化后的前10家供应商ZHUANJIAZHI10分别为前10家和后3家供应商的专家评分值。网络最大迭代次数为10000次，设定的网络训练最小误差值为1e-6，学习率为0.01。结果表明当误差学习259次后，误差已达到所给定的最小误差。网络误差曲线图如图3所示，前10家供应商实际输出值表2所示。从表2中可以看出各个供应商的网络输出结果与专家给出的目标值都很接近，最大的相对误差仅为0.00068，最大的相对误差为0.315714286，远远小于10%，故因此可以认为，所建立的供应商评价神经网络模型，具有较好的非线性映射能力和学习能力。下面将经过归一化后的后3家供应商的数据作为输入，训练好的网络进行模拟检验，来检验其泛化能力。MATLAB代码如下：sim（net，SHURU3），其中net为以训练好的网络，SHURU3为后3家供应商各项指标的输入矩阵。模拟结果如表3所示，可以看出最大相对误差为9.92%，在10%以内，并且所得出的输出值排序也与专家值一致，因此可以认为此网络模型具有优越的泛化能力，能够用来对新的供应商进行评价。5与回归模型的比较为了进一步评价神经网络模拟方法的有效性，比较分析基于神经网络模型拟合的结果是否优于其他方法。本文分别尝试对归一化后的用于训练网络的样本进行多元线性回归分析，发现在α=0.05的条件下，其F值为35.6075，远远小于F1-0.05（8，1）=238.9，通不过F检验，因此认定所得的线性回归模型不可用，这也说明了供应商指标值与专家值之间的确实满足非线性关系，是一种无法用数学公式来描述的非线性映射。6结论本文所建立的企业供应商评价的人工神经网络模型，具有很高的准确度，对所用供应商样本而言，相对误差在10%以下。人工神经网络不失为企业在选择上游供应商时的有效技术手段，为当前企业构建供应链时提供了有效的决策支持。从对专家值的预测结果看，只要保证有充分的训练样本，其预测值与实际值吻合度是相当高的。并且在预测的过程中，预测者可以通过设置最小误差以及隐层神经元的个数，方便地控制预测结果的精度。神经网络评估的准确性不仅与学习样本有关，还和网络参数的选择有关。前者关系到网络的可靠性，而后者决定了网络隐含层的神经元数、学习速率和动量因子，关系到了网络的稳定性。因此在进行评估时尽可能的获取足够多的样本和确定合适的隐含层神经元个数，提高网络模型的稳定性和可靠性。参考文献：[1]吴迪军.基于神经网络的城市基准地价评估模型研究[J].铁路航测，2003（04）：5-8.[2]侯媛彬，杜京义，汪梅.神经网络[M].西安：西安电子科技大学出版社，2008.[3]Prahinski,Carol;Benton,W.C.Supplierevaluations:Communicationstrategiestoimprovesupplierperformance[J]JournalofOperationsManagement，v22，n1，2004（02）：39-62.[4]钟明明.基于所有权总成本的供应商选择[M].包装工程，2005（06）：67-69.[5]RAMANH,SUNILKUMARN.Multivariatemodelingofwaterresourcetimeseriesusingartificialneuralnetworks[J].HydrologicalsciencesJournal,1995,40(2):145-1