BP神經網絡技術在訓練器材科學籌劃中的應用

馮 誠 ， 張匯鋒 ， 趙 明 ， 陳 毓 ， 吳 一

（1.中國人民解放軍92724部隊，山東 青島 266109；2.海軍航空工程學院 山東 煙臺 264001）

訓練器材是完成教學訓練任務的保障，如何實現訓練器材的科學籌劃是一件繁瑣的工作。訓練器材作為實驗教學保障的重要組成部分，其保障是否科學合理將對教學水平的完成和發揮產生直接的影響。為此，必須儲備一定數量的訓練器材，而保障經費以及保管倉庫的容積都是有限的，所以，只能以有限的保障經費、有限的庫容，采購有限的器材。如果儲備量過大，一方面將增加了庫存保管費和保管場所維護費用，降低經濟效益；另一方面，過量庫存降低了器材的質量，使器材陳舊、損壞，甚至因發霉、生銹而變質，這會致使保障成本增加，降低保障效益。反過來，器材儲備過少會造成維修停工，甚至無法完成正常的教學任務，并且由于缺貨往往造成臨時訂貨，更增加了附加的人力和費用，造成更大的損失。因此，對訓練器材的需求進行預測是科學籌劃訓練器材保障工作的基礎[1-2]。

1 神經網絡理論

人工神經網絡（ANN—Artificial Neural Network）可以概括的定義為：由大量簡單的高度互聯的處理元素（神經元）所組成的復雜網絡計算系統。它是在現代神經科學研究成果基礎上提出的，反映了人腦功能的若干基本特征，是模擬人工智能的一條重要途徑。人工神經網絡既可以用硬件實現，也可以用軟件實現；既可以看作是一種計算模式，也可以看作是一種認知模式[3-4]。

BP神經網絡即誤差回傳神經網絡 （Back-Propagation Neural Network），它是一種無反饋的向前網絡。網絡中的神經元分層排列，除了有輸入層、輸出層之外，還至少有一層隱蔽層；每一層內神經元的輸出均傳送到下一層，這種傳送由連接權來達到增強、減弱或抑制這些輸出的作用，除了輸入層的神經元外，隱蔽層和輸出層神經元的凈輸入是前一層神經元輸出的加權和；每個神經元均由它的輸入、活化函數和閥值來決定它的活化程度。

BP神經網絡的工作過程分為學習期和工作期兩個部分。學習期由輸入信息的正向傳播和誤差的反向傳播兩個過程組成。在正向傳播過程中，輸入信息從輸入層到隱蔽層再到輸出層進行逐層處理、每一層神經元的狀態只影響下一層神經元的狀態，如果輸出層的輸出與給出的樣本希望輸出不一致，則計算出輸出誤差，轉入誤差反向傳播過程，將誤差沿原來的連接通路返回。通過修改各層神經網絡模型之間的權值，使得誤差達到最小。經過大量學習樣本訓練之后，各層神經元之間的連接權就固定了下來，可以開始工作期。工作期中只有輸入信息的正向傳播。正向傳播的計算按前述神經元模型工作過程進行。因此，BP網絡的計算關鍵在于學習期中的誤差反向傳播過程。此過程是通過使一個目標函數最小化來完成的。通常目標函數定義為實際輸出與希望輸出之間的誤差平方和（當然也可以定義為熵或線性誤差函數）[5-6]。

2 訓練器材需求影響因素分析及量化

根據對教學施訓單位保障情況的分析研究，影響器材需求的主要因素包括：

圖1 BP神經網絡示意圖Fig.1 Structure of BP neural network

1）器材使用情況：使用時間、次數、等，使用時間越長，使用次數越多，器材發生故障的概率也就越大，需求量增加；

2）器材使用人員的技術條件：使用人員水平越高，正規操作次數多，對器材的損耗小，需求量就會越小；使用人員水平較差，非正常操作次數多，對器材的損耗大，需求量就會增大。

3）器材綜合性能：制造工藝、產品質量等也會對器材的消耗產生重要的影響，器材質量越好，平均故障間隔時間越小，器材的需求量越小。

4）器材的采購的難易程度：器材易于采購，采購時間短，則器材的儲備量就不用太多；反之，器材采購困難，采購時間長，則儲備量就要相對多一些，需求量也就更高一些。

根據此原則將訓練器材需求量L的主要影響因素歸納為：使用時間T、使用次數Y、綜合業務素質差的使用人員在全體使用人員所占的比例U、故障率Q，平均故障間隔時間M，不易采購的程度S。將影響使用訓練器材的6個因素作為神經網絡的輸入參數，將訓練器材需求量L作為輸出。故基于神經網絡的訓練器材需求量為：

在上述6個影響因素中，前五個指標均為數值指標，很容易量化。而對于第6個因素，可以通過查詢器材的訂貨紀錄結合管理工作人員的經驗，將這一指標轉化為0～1的數值指標，即極易容易采購則賦值為1，否則為0[7]。

3 基于BP神經網絡的訓練器材需求預測模型基本步驟

本文以影響訓練器材需求發生的因素作為輸入，以訓練器材需求量作為輸出，建立基于BP神經網絡的訓練器材預測模型，其基本步驟如圖2所示。

第1步，尋找與訓練器材需求相關的各個影響因素。影響需求量的因素有很多，需求量不僅與歷史需求有關，而且與其他多種影響因素有關，同時各需求因素相互之間的關系比較復雜。

第2步，訓練器材需求驅動因子（描述各個影響因素的說明性變量）的選取。訓練器材需求驅動因子的確定原則：需求驅動因子合乎邏輯地和各個影響因素相聯系；需求驅動因子的變化引起器材需求的變化具有一貫性；需求驅動因子的量值易于確定。

第3步，對數據進行預測處理，對部分定性分析指標進行量化處理。選擇合適的傳遞函數，對參數進行優化，獲得最優參數。

圖2 BP神經網絡需求量預測結果圖Fig.2 Demand forecasting-ANN

第4步，采用BP神經網絡對訓練器材需求樣本進行學習，訓練器材需求驅動因子是輸入，訓練器材的需求量為輸出；并對精度進行分析，若不能達到要求的精度，重新選擇傳遞函數，轉第3步；若達到精度要求，生成合適的預測函數。

第5步，輸入新的訓練器材需求情況樣本或者已有訓練器材在不同情況下的需求樣本，到BP神經網絡模型中進行器材需求預測。

第6步，增添新的訓練器材需求樣本到BP神經網絡模型進行學習，不斷地提高器材需求量預測的精度。

第7步，預測訓練器材需求數據，保存模型。

4 訓練器材需求預測實例分析

以年為單位，對編號為001的訓練器材2003年到2012年需求影響因素的相關數據進行搜集整理，結果見表1。以前9年的數據作為訓練樣本，以第10年（2012年）的數據作為測試樣本，應用BP神經網絡對訓練器材進行需求量預測。

表1 各年需求影響因素的相關數據Tab.1 Relevant data of annual factors affecting demand

預測曲線與實際數據的擬合程度如圖3所示。

圖3 基于BP神經網絡器材需求預測流程Fig.3 Based on BP neural network equipments demand forecasting basic steps

預測結果分析如表2所示。

表2 預測結果對比表Tab.2 Forecasting results contrast table

由表2可知，對比兩種方法的MAE、MSE值及2012年的需求預測值可知，相比指數平滑法采用BP神經網絡進行預測所得到的結果和實際值更為接近。

根據以上數據實驗的結果與分析，可以得出以下結論：

1）BP神經網絡的預測性能遠遠高于傳統的指數平滑法。

2）利用BP神經網絡原理對訓練器材的需求情況進行預測，方法簡單，對數據的樣本量要求較少，預測過程比較客觀，不存在主觀因素，可以高效、準確地對訓練器材的需求量進行預測。因此，運用BP神經網絡這種新興的工具能夠較好地解決訓練器材在教學施訓中的需求預測問題。

5 結束語

利用BP神經網絡法對訓練器材的需求情況進行預測，方法簡單，對數據的樣本量要求較少，預測過程比較客觀，不存在主觀因素，可以高效、準確地對訓練器材需求量進行預測。因此，運用神經網絡法這種新興的工具能夠較好地解決訓練器材的需求預測問題，實現訓練器材保障工作的科學籌劃。

[1]徐曉燕.一種基于需求特性分類的備件庫存管理方法及其實證研究[J].系統工程理論與實踐，2006，7（2）：62-67

XU Xiao-yan.A spare parts inventory management method of classification based on the demand characteristics and its empiricalresearch[J].SystemsEngineeringTheoryandPractice，2006，7（2）:62-67.

[2]楊宇航，趙建民，李志忠.備件管理系統仿真研究[J].系統仿真學報，2004，16（5）：981-986.

YANG Yu-hang，ZHAO Jian-min，LI Zhi-zhong.The spare parts management system simulation[J].Journal of System Simulation，2004，16（5）:981-986.

[3]朱凱.精通MATLAB神經網絡[M].北京：電子工業出版社，2010：236-241.

[4]劉興唐，吳曉燕.現代系統建模與仿真技術[M].西安：西北工業大學出版社，2001：40-43.

[5]艾時鐘，杜榮.基于神經網絡的備件庫存風險級別預測[J].中國管理科學，2008，16（2）：430-433.

AI Shi-zhong，DU Rong.Prediction of spare parts inventory risk level based on neural network[J].Chinese Management Science，2008，16（2）:430-433.

[6]周英，尹邦德，任鈴，等.基于BP神經網絡的電網短期負荷預測模型研究[J].電測與儀表，2011，48（542）：68-71.

ZHOU Ying，YIN Bang-de，REN Ling，et al.The short-term load prediction model of power grid based on BP neural network[J].Electrical Measurement and Instrumentation，2011，48 （542）:68-71

[7]張冬，明新國，趙成雷，等.基于BP神經網絡和設備特性的工業設備備件需求預測[J].機械設計與研究，2010，26（1）：72-76.

ZHANG Dong，MING Xin-guo，ZHAO Cheng-lei，etal.Industrial equipment spare parts demand forecast based on BP neural network and the characteristic of the equipment[J].Machine Design and Research，2010，26（1）:72-76.