神經(jīng)網(wǎng)絡建立物流中心出貨預測模式研討

1、27/27當前文檔修改密碼：8362839運籌治理評論文稿格式模板以類神經(jīng)網(wǎng)絡建立物流中心出貨預測模式林哲宏正修科技大學信息治理系.tw盧淵源國立中山大學企業(yè)治理系.tw摘 要本文要緊提出物流中心出貨預測模式之建構程序，經(jīng)由此程序可依照物流中心的作業(yè)特性與品項特性篩選攸關的預測變量，并依照各預測變量的型態(tài)進行數(shù)據(jù)前處理以利類神經(jīng)網(wǎng)絡使用。本文以系統(tǒng)性的方法決定訓練范例與測試范例的比例，經(jīng)由比較各種訓練范例與測試范例的比例所得之預測績效，可找出最適的組合。最后本文以兩種實際商品的出貨數(shù)據(jù)驗證其方法的有效性。關鍵詞：物流中心、出貨預測、類神經(jīng)

2、網(wǎng)絡前言由于流通產(chǎn)業(yè)的快速成長，使得具有連結上游制造商與下游零售商功能的物流中心在商業(yè)現(xiàn)代化的過程中扮演著重要的角色?，F(xiàn)代化的物流中心為達到大量進貨統(tǒng)一分配的物流機能，以滿足多種少量多頻配送的現(xiàn)代化消費需求特性，必須強化物流中心的治理與作業(yè)功能。然而在物流中心之中，存貨式的物流中心必須自行向供貨商訂貨保有庫存，以滿足零售商的訂貨需求，因此精確有效的需求預測是物流中心內(nèi)部不可或缺的重要功能之一。Bowersox和Closs(1996)指出單一品項預測是物流預測的基礎作業(yè)，藉由單一品項預測可預測出重要品項的出貨數(shù)量，并可將此預測結果配合庫存數(shù)量決定采購數(shù)量，有效調(diào)整物流中心內(nèi)各品項之庫存數(shù)量，達到

3、降低缺貨風險與節(jié)約庫存空間的目的。然而在零售商型物流中心內(nèi)因為其處理的商品品項繁多，出貨的數(shù)量與項目常因時刻、季節(jié)或商品流行性的不同而產(chǎn)生極大的變化；而且其顧客常為每日訂貨、每日配送的零售商，其訂單從接收到出貨的訂單周程時刻極為短暫，以上的物流中心出貨特性，導致其需求預測的困難。因此如何建構一套預測模式以供物流中心出貨需求預測之用，是為物流中心亟待解決之工作，本文即從阻礙物流中心出貨需求的兩項重要因素(作業(yè)特性因素與品項特性因素)進行分析，進而找出攸關的預測變量，并以模糊類神經(jīng)網(wǎng)絡建構出一套預測模式，以解決物流中心單一品項出貨預測之問題。文獻探討所謂類神經(jīng)網(wǎng)絡是模仿人類神經(jīng)系統(tǒng)的結構及處理信息

4、運作方式，其差不多元素為處理單元及連接鍵，分不相當于人類神經(jīng)系統(tǒng)中的神經(jīng)元與神經(jīng)鍵的功能。處理單元的要緊作用是接收并加總所有的輸入訊號，此加總后的訊號經(jīng)由轉(zhuǎn)換函數(shù)(transfer function)輸出給下一個處理單元(Wasserman, 1989)，圖1則為處理單元的差不多運作。圖1 處理單元之差不多運作資料來源：Wasserman(1989)應用類神經(jīng)網(wǎng)絡于需求預測問題的研究通常以過去的時刻序列數(shù)據(jù)或其它可能阻礙因素作為輸入資料以預測以后的需求量，并依照預測結果計算其預測精度。Tang等人(1991)針對汽車銷售量的預測，分不使用倒傳遞類神經(jīng)網(wǎng)絡模式與Box-Jenkins的時刻序列模

5、式作比較性的研究，在具有長期經(jīng)歷型態(tài)的數(shù)據(jù)方面，這兩種方法皆有相似的結果，但在數(shù)據(jù)型態(tài)具有短期經(jīng)歷時，類神經(jīng)網(wǎng)絡模式的預測能力就優(yōu)于Box-Jenkins模式。此研究亦討論了類神經(jīng)網(wǎng)絡模式最佳參數(shù)設計的問題，借著改變各層處理單元的數(shù)目、學習速率以及慣性因子以找到預測誤差較小與學習效率較高的網(wǎng)絡。Tamada等人(1993)認為類神經(jīng)網(wǎng)絡模式比多元回歸分析在每天用水量的預測上可產(chǎn)生更精確的預測，而且當測試范例落在訓練范例附近時，其正確率比多元回歸分析更高于10%-30%。Nam和Schaefer(1995)以倒傳遞類神經(jīng)網(wǎng)絡模式預測國際航線旅客數(shù)量，此模式借著改變隱藏層單元數(shù)來觀看其預測能力，其

6、預測結果并和多元回歸分析與指數(shù)平滑法做比較，當以絕對平均誤差(MAE)為預測精度的準則下，類神經(jīng)網(wǎng)絡模式的預測能力都較其它方法為佳。Hua(1996)使用12個經(jīng)濟指標預測新加坡的住宅需求，在此研究中并比較類神經(jīng)網(wǎng)絡與多元回歸分析在住宅需求上的預測精度，當以絕對平均百分比誤差(MAPE)表示的預測精度比較時，其類神經(jīng)網(wǎng)絡的預測能力優(yōu)于多元回歸分析。Pattie和Haas(1996)利用類神經(jīng)網(wǎng)絡預測野外休閑的使用量，此模式使用經(jīng)濟指針作為輸入數(shù)據(jù)，在104個旅游地點的預測上，類神經(jīng)網(wǎng)絡模式的預測能力優(yōu)于回歸分析，甚至在某些地點其精確度可兩倍于多元回歸分析。從上述文獻的分析中可看出，使用類神經(jīng)網(wǎng)

7、絡于需求預測的研究有下列幾點特性：(1)對所處理的數(shù)據(jù)也以數(shù)值型數(shù)據(jù)為主；(2)其所使用的網(wǎng)絡型態(tài)大多為倒傳遞網(wǎng)絡，且大多具有一層以上的隱藏層；(3)改變網(wǎng)絡的結構與參數(shù)會阻礙預測的精度(Tang, et al. 1991; Nam and Schaefer, 1995)，但無明確的結論指出其阻礙的方向；(4)利用類神經(jīng)網(wǎng)絡預測的結果在多數(shù)情況下會比傳統(tǒng)預測方法好。反觀物流中心的出貨特性，上述文獻尚存許多問題點，首先是有關預測方法之比較，指數(shù)平滑法或Box-Jenkins方法的差不多假設是以過去實際發(fā)生的數(shù)據(jù)來預測以后值，其它可能阻礙的因素則無法將之納入考慮；而以因果關系為基礎的多元回歸分析是

8、以多個連續(xù)變量作為準則變量配合預測變量從事預測，但由于阻礙物流中心出貨需求的預測變量專門多，而且這些變量的的型態(tài)不全是連續(xù)變量，若使用回歸方法從事需求預測的話，其預測模式可能不易求得。在此關于利用其它預測方法以比較其差異，此種比較的作法有待商榷。另外在使用類神經(jīng)網(wǎng)絡作為預測技術時，掌握重要的預測變量，并將之轉(zhuǎn)換為類神經(jīng)網(wǎng)絡可同意的輸入變量是一件重要工作。以物流中心的預測問題而言，其預測變量包含數(shù)值型與語意型變量，數(shù)值型變量可經(jīng)由線性映成方式轉(zhuǎn)成適合類神經(jīng)網(wǎng)絡的輸入變量，但語意型變量則不易量化為類神經(jīng)網(wǎng)絡可用的輸入變量。由于阻礙物流中心出貨需求的變量中含有語意型態(tài)的數(shù)據(jù)(如天氣狀況)與區(qū)間值信息

9、(如最高最低氣溫)，如何處理此類變量則為此類研究之另一項重要課題。模糊類神經(jīng)網(wǎng)絡預測模式本文所提出的模糊類神經(jīng)網(wǎng)絡需求預測模式的建構程序，共有六個步驟，依照此程序的進行可預測物流中心每一期的出貨需求數(shù)量，茲將詳細內(nèi)容分述于以下各小節(jié)。預測變量篩選在決定預測變量時可從兩方面考慮：一是作業(yè)特性因素，另一品項特性因素。作業(yè)特性因素是指因物流中心的物流作業(yè)內(nèi)容所衍生出阻礙當期出貨數(shù)量的因素，包括物流中心向供貨商訂貨的訂貨周程時刻、零售商向物流中心訂貨的訂貨周程時刻等，這些內(nèi)容可從現(xiàn)場了解物流中心的實際運作情形或與物流中心人員訪談得知。而品項特性因素則是指因產(chǎn)品本身的特性而阻礙到需求量的因素，不同品項具

10、有不同的品項特性因素，一般而言包括氣溫、天氣狀況、降雨情形、星期不、前幾期出貨量等，這些因素可依品項不設計問卷，請物流中心人員填答得知。將作業(yè)特性因素與品項特性因素交互考慮，可找出阻礙物流中心出貨需求數(shù)量的預測變量，表1是以第D天為出貨日，為物流中心向供貨商訂貨的訂貨周程時刻，為零售商向物流中心訂貨的訂貨周程時刻，在第(D- - )天預測第D天出貨量時可能的攸關預測變量，因此可依照物流中心實際的情形配合表1的使用選擇預測變量。表1 考慮時刻因素的預測變量考慮時刻預測變量氣溫第(D - - + n)天天空狀況第(D - - + n)天降雨情形第(D - - + n)天星期不第(D)天出貨量第(D

11、 - - + n -1)天講明：n=1, +預測變量前處理程序在表1所列的預測變量中，由于其數(shù)據(jù)類型不同，所需的前處理程序也有不同，一般數(shù)值變量(出貨量)欲轉(zhuǎn)換成0, 1之間的數(shù)值可利用式(1)進行線性轉(zhuǎn)換。 (1)其中為變數(shù)轉(zhuǎn)換前的值為變數(shù)轉(zhuǎn)換后的值為此變數(shù)的最大值為此變數(shù)的最小值氣溫與降雨數(shù)據(jù)是屬于具有最高值最低值的區(qū)間數(shù)值，若有一變量 j為區(qū)間數(shù)值，則能夠取此區(qū)間的最大值、中間值與最小值表示成三角形模糊數(shù)，。此三角形模糊數(shù)可用來表示氣溫(T)與降雨機率(R)，因此。當氣溫與降雨機率數(shù)據(jù)轉(zhuǎn)成模糊數(shù)之后，此、與皆變成一精確型數(shù)值數(shù)據(jù)，若要輸入類神經(jīng)網(wǎng)絡中需再進行式(1)的線性轉(zhuǎn)換。而天空狀況

12、則是利用語意描述表達此類信息，符合語意數(shù)據(jù)的特性，例如晴時多云、多云時陰等。本文將以語意模糊向量表示此種語意資料，令，s、c、g分不表示晴天、多云、陰天的云量變量，表示目前云量屬于此種天空狀況的程度，為一數(shù)值型資料，天空狀況亦可簡單表示為，例如則表示目前云量屬于晴天、多云、陰天的程度分不為0.3、0.5與0.8。為讓此云量變量有一系統(tǒng)性的訂定標準，本研究以該天空狀況的出現(xiàn)時刻為基準來定義，例如多云時晴表示天空狀況為多云的時刻少于3/4多于1/2，天空狀況為晴的時刻少于1/2多于1/4，亦即0.25s0.5，0.5c0.75，在此可將每個云量變量一分為二，用其出現(xiàn)時刻的上下界值表示，因此可將此語

13、意模糊向量擴充為 (2)其中表示天空狀況w出現(xiàn)的最大可能時刻，。表示天空狀況w出現(xiàn)的最小可能時刻，因此，多云時晴則可表示為(0.5, 0.25, 0.75, 0.5, 0, 0)，其它天空狀況的表示式則可詳見表2。表2 語意向量天空狀況表示法天空狀況語意模糊向量表示法晴(1, 0.75, 0.25, 0, 0, 0)多云(0.13, 0, 1, 0.75, 0.13, 0)陰(0, 0, 0.25, 0, 1, 0.75)晴時多云(0.75, 0.5, 0.5, 0.25, 0, 0)多云時晴(0.5, 0.25, 0.75, 0.5, 0, 0)多云時陰(0, 0, 0.75, 0.5, 0

14、.5, 0.25)陰時多云(0, 0, 0.5, 0.25, 0.75, 0.5)晴轉(zhuǎn)陰或陰轉(zhuǎn)晴(0.5, 0.5, 0, 0, 0.5, 0.5)多云轉(zhuǎn)陰或陰轉(zhuǎn)多云(0, 0, 0.5, 0.5, 0.5, 0.5)晴轉(zhuǎn)多云或多云轉(zhuǎn)晴(0.5, 0.5, 0.5, 0.5, 0, 0)星期不屬于類不資料，可依照其類不的數(shù)目，以相等數(shù)目的虛變量表示，例如星期不的類不數(shù)目為7，因此可用(1, 0, 0, 0, 0, 0, 0)表示星期一，(0, 1, 0, 0, 0, 0, 0)表示星期二，其余依此類推。類神經(jīng)網(wǎng)絡架構設定本文采納倒傳遞類神經(jīng)網(wǎng)絡建構預測模式，而一適宜的網(wǎng)絡架構將有助于網(wǎng)絡的學習

15、與測試，且可在訓練過程中快速達到收斂，并產(chǎn)生較小的測試范例誤差，網(wǎng)絡架構的決定包含隱藏層層數(shù)、隱藏層處理單元數(shù)、以及適當?shù)木W(wǎng)絡參數(shù)等。有關隱藏層的數(shù)目為一層到兩層有較佳的收斂效果，沒有隱藏層不能反應輸入單元間之交互作用，會有較大之誤差。而一、二層隱藏層以足以反應其交互作用，更多的隱藏層反而使網(wǎng)絡過渡復雜，造成能量函數(shù)的局部最小值，而使網(wǎng)絡無法收斂。因此，文獻建議以一層隱藏層即可解決一般問題(Villers and Barnard, 1992)。隱藏層單元數(shù)訂定可參考式(3)與式(4)。 (3) (4)其中 為隱藏層處理單元數(shù) 為輸入層處理單元數(shù) 為輸出層處理單元數(shù)在網(wǎng)絡參數(shù)方面，需訂定學習速率

16、、慣性因子、學習速率遞減間隔、學習速率遞減比例等，另外學習法則與學習批次量亦會阻礙到預測效果，需加以考慮。本文所用的設定值如表3所示。表3類神經(jīng)網(wǎng)絡各項參數(shù)匯整表設定項目使用方法或建議值網(wǎng)絡模式倒傳遞網(wǎng)絡轉(zhuǎn)換函數(shù)雙彎曲函數(shù)學習速率0.3(隱藏層)0.5(輸出層)學習速率遞減比率0.5慣性因子0.4學習方式批次學習學習法則通用差距法則隱藏層處理單元數(shù)訓練與測試范例比例的決定本小節(jié)將提出一套范例選擇的程序，此程序可依照訓練與測試范例的比例，從既有范例中系統(tǒng)性地選擇訓練范例集與測試范例集，若要從N個范例中抽出個訓練范例與個測試范例，。若測試范例所占的比例為d，則 (5)測試范例所占的比例最多為一半，

17、但不愿讓其比例過小，因此限定。為了平均地從所有范例中抽出測試范例，茲將所有范例N分成c個子范例，因此每個子范例數(shù)為，且為整數(shù)。在每個子范例中本文取前個為訓練范例，后個為測試范例，因此 (6)為整數(shù) (7) 為整數(shù) (8)在此舉一釋例講明此程序的運算，若有280個范例用以決定訓練范例與測試范例，則d可選擇1/2到1/10等多種情況，c亦可配合d選擇適當?shù)恼麛?shù)，其配置的情形如表4所示。表4 訓練范例與測試范例分配情形N=280dcN/c1/21/41/51/71/81/10214070352820144703514107556281487740101085410281474140210224240

18、2452521407056403528講明：灰色空格內(nèi)之數(shù)字表示每個子范例中后個測試范例數(shù)網(wǎng)絡的學習與測試在將訓練范例輸入網(wǎng)絡進行學習之前，除需設定各項參數(shù)外，亦需決定學習次數(shù)以確定網(wǎng)絡何時學習完畢，同時需要決定網(wǎng)絡收斂準則以確定網(wǎng)絡是否收斂而可加以使用。本文在網(wǎng)絡學習時期以記錄RMS的方法了解網(wǎng)絡的收斂情形，由于本預測模式所使用的輸出層只有一個處理單元，依照式的法則，只要RMS達到0.1以下，即可視為收斂情況良好。學習次數(shù)的多寡會阻礙網(wǎng)絡學習的良窳，一般而言次數(shù)愈多學習效果愈佳，但太多的學習亦會導致過度學習的現(xiàn)象，本文所設定的學習次數(shù)為50000次，且采納批次學習量等于10的批次學習。預測績

19、效的計算與比較本程序的最后一個步驟是選擇MAPE與MAE為預測績效準則，并以測試范例的輸出值計算預測績效，選擇MAPE與MAE做為預測績效準則要緊是其常被引用，且容易了解其含意。當各種組合的預測結果計算出來之后，即進行其之間的比較，以找出最適的參數(shù)與訓練/測試范例組合。實例驗證為證實本文所建構之預測模式之有效性，茲利用Works Professional II Plus(1995)軟件建構類神經(jīng)網(wǎng)絡之預測模式，并以某物流中心兩種商品之實際出貨數(shù)據(jù)進行預測，此兩種商品是經(jīng)由物流中心人員問卷調(diào)查所認為的重要品項，分不為餅干類零食商品(簡稱A商品)與茶飲料商品(簡稱B商品)。茲將此預測模式的實作程序

20、講明如下。此A商品與B商品的皆為2天，而此物流中心之為1天，經(jīng)由物流中心人員依事實上務經(jīng)驗與專業(yè)知識針對這兩項商品提供可能阻礙因素為氣溫、降雨情形、天氣狀況、星期不以及前幾期之出貨情形。為求更精確的預測結果，可將出貨數(shù)量與可能阻礙因素進行統(tǒng)計分析，以篩選出更確切的阻礙因素，例如可將前幾期的出貨量、氣溫或降雨機率對當期的出貨量進行相關分析，了解其阻礙程度。而變異數(shù)分析則可檢定不同星期不對出貨量的阻礙程度。經(jīng)由檢定，阻礙此兩項商品的預測變量如表5所示，但由于天空狀況的阻礙程度不易檢定，可先不考慮其阻礙的前提下執(zhí)行預測，再比較加入天空狀況因素的情形下其間的差異。依照各種預測變量的類型進行數(shù)據(jù)前處理程

21、序，使每個變量皆轉(zhuǎn)換到0與1之間的數(shù)值，由于該物流中心一星期中周一至周六為出貨日，因此星期不之類不變量則可用6個0或1的虛擬變量來表示，例如星期一可用(1, 0, 0, 0, 0, 0)表示。依照各類變量轉(zhuǎn)換后的數(shù)據(jù)數(shù)目，每種商品的輸入變量如表5所示。表5 A、B商品預測變量匯總表A商品B商品氣溫D, D-1, D-2天空狀況D-1*星期不DD出貨量D-1, D-2D-1輸入變量數(shù)目1723*7講明：* 表示加入天空狀況變量本文采納三層的倒傳遞網(wǎng)絡架構作為預測模式的網(wǎng)絡架構，由于本文采納兩種隱藏層單元數(shù)的決定公式，因此A與B兩項商品的網(wǎng)絡架構分不如表6所示，而其它相關的參數(shù)設定如表3所示。表6

22、 各類商品網(wǎng)絡架構網(wǎng)絡架構(網(wǎng)絡代號)商品A17-9-1(A-1-1)23-12-1(A-1-2)*17-4-1(A-2-1)23-5-1(A-2-2)*B7-4-1(B-1)7-3-1(B-2)講明：* 表示加入天空狀況變量本文選取1997年1月到1997年11月間的出貨數(shù)據(jù)進行類神經(jīng)網(wǎng)絡的學習與測試，兩項商品皆有280筆資料。為了使訓練范例不要在測試范例中重復出現(xiàn)，在此則依照3.4節(jié)所提出的方法決定訓練范例與測試范例的比例，而A與B兩種商品的配置情形如表4所示。本文并先采納A-1-1與B-1的網(wǎng)絡結構進行學習，在學習過程中并搜集輸出層的RMS，以推斷網(wǎng)絡的收斂程度。在此將觀看范例比例參數(shù)d

23、與c的阻礙程度，找出預測精度高的組合，以進行下一步的測試(例如測試A-2-1或B-2網(wǎng)絡結構)。預測結果分析與討論依照表4的配置情形進行網(wǎng)絡的學習并收集網(wǎng)絡B-1的RMS，其RMS皆小于0.1/1=0.1，可推斷不論使用何種比例結構均可達良好收斂。接著再計算其MAPE與MAE，其平均值可看出當d=8而c=5時可得到最佳的預測績效。將同樣的比例參數(shù)運用在A商品的例子中(網(wǎng)絡A-1-1)，可看出使用相同的參數(shù)亦可得到不錯之績效。接下來以d=8、c=5的比例結構測試網(wǎng)絡A-2-1與B-2，所得到的RMS、MAPE與MAE分不為0.0409、10.77%、5.35%，以及0.0304、7.72%、2.

24、73%，將此結果與A-1-1、B-1網(wǎng)絡比較，其預測績效相當，可講明使用正確的范例比例參數(shù)可得到較佳的預測結果，而隱藏層單元數(shù)對預測績效的阻礙較小。而天空狀況的阻礙程度將以網(wǎng)絡A-1-2測試，范例比例參數(shù)仍采納d=8、c=5，其測試結果之MAPE為8.23%，MAE為5.02%，在相同的范例比例參數(shù)下可證明將天空狀況因素納入預測模式中將可增進預測精度。結論與建議本文要緊探討物流中心出貨需求預測，并提出模糊類神經(jīng)網(wǎng)絡預測模式建構程序，經(jīng)由本研究所提出的方法，加上實證數(shù)據(jù)的驗證，可證明此項程序的運用可提升出貨需求預測績效，有助于物流中心的運作。茲將本研究所獲致的研究結論匯整如下：1.使用本研究所提

25、出的數(shù)據(jù)前處理程序，可將所有攸關變量轉(zhuǎn)換成類神經(jīng)網(wǎng)絡所需的輸入數(shù)據(jù)。2.本研究提出分析訓練與測試范例比例的系統(tǒng)性方法，藉由此套方法可找出類神經(jīng)網(wǎng)絡中訓練與測試范例最適比例的組合，以提高預測精度，經(jīng)由實證數(shù)據(jù)的驗證采納5個子范例，而測試范例占整體范例的1/8時，可使預測的績效達到最佳。3.在本研究中隱藏層處理單元數(shù)的多寡對預測結果所造成的阻礙不大。4.當以語意模糊向量表示天空狀況時，能夠?qū)⒄Z意變量量化，而經(jīng)由模式的驗證顯示當預測模式包含天空狀況之數(shù)據(jù)，可使預測的精確度更為提高。參考文獻Bowersox, D. J. and Closs, D. J. (1996), Logistical Mana

26、gement: The Integrated Supply Chain Process, McGraw-Hill, International Editions.Hua, G. B. (1996), symbol 147 f Times New RomanResidential Construction Demand Forecasting Using Economic Indicators: A Comparative Study of Artificial Neural Networks and Multiple Regressionsymbol 148 f Times New Roman

27、, Construction of Management & Economics, Vol.14, No.1, p.25-34.Nam, K. and Schaefer, T. (1995), Forecasting International Airline Passenger Traffic Using Neural Networks, Logistics and Transportation Review, Vol. 31, No.3, pp.239-251.Neural Works Professional II Plus Manual (1995), Using Network, R

28、eference Guide, and Neural Computing, Neural Ware Inc., Pittsburgh, U.S.A. Pattie, D. C. and Haas, G. (1996), symbol 147 f Times New RomanForecasting Wilderness Recreation Use - Neural-Network Vs. Regression”, AI Applications, Vol.10, No.1, pp.67-74.Tamada, T., Maruyama, M., Nakamura, Y., Abe, S. an

29、d Maeda, K. (1993), symbol 147 f Times New RomanWater Demand Forecasting by Memory - based Learningsymbol 148 f Times New Roman, Water Science and Technology, Vol.28, No.11-12, pp.133 -140.Tang, Z., De Almeida, C. and Fish-wick, P. A. (1991), symbol 147 f Times New RomanTime Series Fore-casting Usin

30、g Neural Networks Vs. Box-Jenkins Methodologysymbol 148 f Times New Roman, Simulation, Vol.57, No.5, pp.303-310.Villers, J. and Barnard, E. (1992), Back Propagation Neural Nets with One and Two Hidden Layers, IEEE Transactions on Neural Network, Vol.4, pp.136-141.Wasserman, P. D. (1989), Neural Comp

31、uting: Theory and Practice, NY: Van Nostrand Teinhold.作者簡介林哲宏，1998年取得國立中山大學企業(yè)治理博士學位，現(xiàn)為正修科技大學信息治理系副教授暨系主任，研究領域為供應鏈治理、類神經(jīng)網(wǎng)絡應用、電子化企業(yè)、服務作業(yè)治理，其文章曾發(fā)表于International Journal of Production Economics、Journal of Statistics & Management Systems、商業(yè)現(xiàn)代化學刊、質(zhì)量學報、正修學報等期刊，為本論文之通訊作者。盧淵源，1978年取得日本義塾大學治理工學博士，現(xiàn)為國立中山大學企業(yè)治理系教授，研究領域為科技治理、供應鏈治理、全面質(zhì)量治理，其文章曾發(fā)表于International Jour