基于神經網絡的物流系統(tǒng)預測法_第1頁
基于神經網絡的物流系統(tǒng)預測法_第2頁
基于神經網絡的物流系統(tǒng)預測法_第3頁
基于神經網絡的物流系統(tǒng)預測法_第4頁
基于神經網絡的物流系統(tǒng)預測法_第5頁
已閱讀5頁，還剩3頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

第四節(jié)

基于神經網絡的物流系統(tǒng)預測法關于神經網絡的理論研究證明：一個三層前饋神經網絡能以任意精度逼近一個任意復雜的非線性函數(shù)。

神經網絡預測的原理：利用其強大的非線性映射能力，通過對歷史數(shù)據樣本的學習自動產生自變量與因變量之間的非線性映射關系，并將這種關系隱含在神經網絡的結構和參數(shù)中；對任一新的自變量值，可很快利用該網絡輸出因變量值。（一）神經網絡預測的數(shù)學模型三層BP網絡的拓撲結構上圖為多層前饋神經網絡中應用最廣泛的三層BP網絡的拓撲結構，由輸入層、隱含層和輸出層三層構成，各層的神經元個數(shù)分別為m、l、n。輸入層的m個節(jié)點代表m個自變量；輸出層的n個節(jié)點代表n個因變量，即要預測的多個目標；隱層節(jié)點數(shù)可按經驗選定或試探確定，它影響的是網絡訓練速度，一般l=（0.5~1）（m+n）。網絡的輸入、輸出向量分別為：X=(x1,x2,…,xn)TY=(y1,y2,…,yn)T在各層神經元個數(shù)確定、各層神經元間權重及閾值確定的情況下，對給定的輸入向量X，按下面的公式分別計算隱層和輸出層的神經元的輸出值：f(*)是神經元激活函數(shù)，一般取sigmoid函數(shù)：f(u)=1/(1+e-u)（二）神經網絡預測的學習過程（1）正向計算第一步，確定初始參數(shù)：各神經元節(jié)點數(shù)目、學習精度、迭代次數(shù)，初始權重及閾值。第二步，對任一輸入向量X，計算隱層輸出值，即算出輸出層的輸入值。

第三步，計算輸出層的輸出值。（2）誤差反向傳播計算

用網絡輸出值與樣本目標值的誤差平方和作為預測評價值，即

其中，Gi為樣本目標值，p為樣本總個數(shù)，Yi為網絡輸出值。

權值及閾值調整的迭代的計算公式：式中的，是網絡學習速率。

第四步，計算輸出值誤差（gk-yk）和bk。第五步，初定學習速率、=0.5~0.85。第六步，調整輸出層與隱層間的權重Wjk(2,3)和閾值

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論