基于神經網絡技術的實驗器材保障應用研究

黃啟來，汲萬峰，趙 明

(海軍航空工程學院 軍事教育訓練系，山東 煙臺 264001)

實驗器材是實驗教學保障體系的重要組成部分，高校必須儲備一定數量的實驗器材。然而，高校的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[1]。如果儲備量過大，一方面將增加庫存保管費和保管場所維護費用，降低經濟效益；另一方面，會降低器材的質量，使器材陳舊、損壞，甚至因發霉、生銹而無法使用。反之，如果器材儲備過少，也會造成維修停工，甚至無法完成正常的教學任務。如果由于缺貨而需要臨時訂貨，更增加了附加的人力和費用，造成更大的損失。因此，對實驗器材的需求進行預測是科學籌劃實驗器材保障工作的基礎[2-3]。利用神經網絡技術可以對實驗室器材的需求量進行較好的預測。

1 神經網絡理論

人工神經網絡(artificial neural network，ANN)是由大量簡單的、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的基礎上提出的，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[4-5]。

BP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，還至少有一層隱含層，每一層內神經元的輸出均傳送到下一層(見圖1)。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，隱含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、活化函數和閾值來決定它的活化程度[6-8]。

BP網絡的工作過程分為學習期和工作期2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含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)[9-10]。

圖1 BP神經網絡示意圖

2 實驗器材需求影響因素分析及量化

根據對實驗室保障情況的分析研究，影響器材需求的主要因素包括：

(1) 器材使用情況：使用時間越長、次數越多，器材發生故障的概率也越大，需求量就增加；

(2) 器材使用人員的技術條件：使用人員的水平高，正規操作次數多，對器材的損耗就小，需求量也會小；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：器材的制造工藝、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，將實驗器材需求量L的主要影響因素歸納為6個指標，即：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中所占的比例U、故障率Q、平均故障間隔時間M和不易采購的程度S。將影響使用實驗器材的6個指標作為神經網絡的輸入參數，將實驗器材需求量L作為輸出。故基于神經網絡的實驗器材需求量為

L=f(T,Y,U,Q,M,S)

在上述6個影響因素中，前5個指標均為數值指標，很容易量化；而指標S可以通過查詢器材的訂貨紀錄和管理工作人員的經驗，將這一指標轉化為0～1數值指標，將極容易采購的賦值為1，否則為0[11-12]。

3 實驗器材需求預測實例分析

對編號為001的實驗器材2002年到2011年需求影響因素的相關數據進行整理，結果見表1。以前9年的數據作為訓練樣本，以第10年(2011年)的數據作為測試樣本，應用神經網絡對實驗器材進行需求量預測。

表1 編號001實驗器材需求影響因素的數據統計

預測曲線與實際數據的擬合程度如圖2所示：

圖2 神經網絡需求量預測結果圖

預測結果表明：編號為001的實驗器材2011年預測值為12.457個，2011年實際值為13個，平均絕對誤差(MAE)為0.533，均方誤差(MSE)為0.518 4。

根據以上預測數據的實例，可以得出以下結論：采用神經網絡法進行預測所得到的結果誤差很小，與實際值非常接近。

4 結束語

利用神經網絡方法能夠高效、準確地進行實驗器材的需求預測，并且方法簡單，對數據的樣本量要求較少，預測過程比較客觀，不存在主觀因素干擾，為實驗器材的保障工作打下良好的基礎。

[1] 李陽倩.淺談高校實驗器材的儲備管理[J].成都中醫藥大學學報：教育科學版，2006(8):78-79.

[2] 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.

[3] 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.

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

[5] 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.

[6] 郭淳，李祚泳，黨嬡.基于免疫進化算法的BP網絡模型在徑流預測中的應用[J].水資源保護，2009，25(5)：1-4.

[7] 谷曉平，王長耀，王汶，等.應用于水文預報的優化BP神經網絡研究[J].生態環境，2004，13(4)：524-527.

[8] 龐博，郭生練，熊立華，等.改進的人工神經網絡水文預報模型及應用[J].武漢大學學報：工學版，2007，40(1)：33-36.

[9] 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.

[10] 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(2)：68-71.

[11] 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.

[12] 胡繼鈞.學校實驗設備和耗材管理智能化研究[J].計算機光盤軟件與應用，2012(23):87-88.