[发明专利]基于神经网络的制糖原材料预测方法

权利要求书

1.一种基于神经网络的制糖原材料预测方法，其特征在于，包括以下步骤：

步骤S1、将原材料的采购量、消耗量、成品糖销售量以及时间特征作为输入层、将下次原材料需求量作为输出层，基于Elman神经网络构建制糖原材料预测模型；

步骤S2、采集制糖企业过去预定时间内的原材料采购量、消耗量、成品糖销售量的历史数据；

步骤S3、基于布谷鸟搜索算法并结合所述历史数据对所述制糖原材料预测模型进行权值优化；

步骤S4、基于所述预定时间内的节假日数据提取出所述时间特征，并对所述制糖原材料预测模型进行时间特征优化；

步骤S5、对所述步骤S3权值优化和所述步骤S4时间特征优化后的结果进行预处理并作为所述制糖原材料预测模型的输入，训练该制糖原材料预测模型并保存；以及

步骤S6、通过训练后的所述制糖原材料预测模型预测出所述下次原材料需求量。

2.根据权利要求1所述的基于神经网络的制糖原材料预测方法，其特征在于：

其中，所述步骤S1包含以下过程：

S11、输入输出节点的选取：将原材料的采购量、消耗量、成品糖销售量以及时间特征作为输入层，将下次原材料需求量作为输出层；

S12、输入样本归一化处理：基于公式对训练样本和测试样本数据进行归一化处理，

这里，N为原始的神经网络输入值，M为处理后的输入值，N_min、N_max为神经网络输入量的极大和极小值，在实际情况中，N_max通常采用样本值的1.25倍，N_min通常为样本值的0.75倍；

S13、隐含层节点数的确定：基于公式进行确定；

S14、网络学习速率的确定：采用自适应改变学习速率的方式，基于公式进行，

这里，η(t+1)和η(t)分别表示迭代下一次和当前的学习速率，E_t+1和E_t分别表示迭代下一次的误差和当前误差，a和b分别为正小数，用来控制学习速率的大小。

3.根据权利要求2所述的基于神经网络的制糖原材料预测方法，其特征在于：

其中，所述步骤S12在预测结束后，需要对制糖原材料需求量值换算回来，换算公式为：N＝N_min+M·(N_max-N_min)。

4.根据权利要求1所述的基于神经网络的制糖原材料预测方法，其特征在于：

其中，所述步骤S3包含以下过程：

S31、初始化网络参数，在一定约束条件下随机产生n个鸟巢开始训练，以均方根误差作为适应度函数，根据适应度函数值寻找当前所有鸟巢的最优解

S32、判断当前所有鸟巢的最优解是否满足精度或者迭代次数是否达到最大迭代次数，如果是，则转S35，否则就继续执行下一步S33；

S33、采用自适应步长控制量的Levy飞行模式替换n个鸟巢的位置得到在进行替换操作时，若鸟巢的适应度值相比之下较好则进行替换，否则保留；

S34、在[0,1]生成随机数P并与当前迭代次数的自适应寄生失败概率P_a作对比，若P>P_a，则保留x_i^(t)；若P<P_a，则采用自适应步长控制量的Levy飞行模式替换鸟巢位置，在替换时进行对比，适应度值好的x_i^(t+1)替换原有的鸟巢为x_i^(t)，否则依然保留x_i^(t)，最终得到替换后的n个鸟巢位置并转S32；

S35、停止迭代，取得当前所有鸟巢的所述最优解并根据所述最优解初始化所述制糖原材料预测模型的最优权值和阈值。