[发明专利]基于DE-BP神经网络的物流风险预警方法、装置及电子设备

说明书

本发明涉及一种基于DE‑BP神经网络的物流风险预警方法、装置、电子设备及计算机可读存储介质，所述方法包括：获取物流风险数据，根据所述物流风险数据生成数据集；根据所述数据集对DE‑BP神经网络进行训练，得到训练完备后的DE‑BP神经网络；采集物流的实时数据，根据所述实时数据和所述训练完备后的DE‑BP神经网络，获取物流风险预警结果。本发明提供的基于DE‑BP神经网络的物流风险预警方法，提高了物流风险预警过程的效率和容错率。

技术领域

本发明涉及生产物流领域，尤其涉及一种基于DE-BP神经网络的物流风险预警方法、装置、电子设备及计算机可读存储介质。

背景技术

企业生产物流是企业内部为确保生产需要而产生的物流活动,生产物流运作的改善对于保障企业生产、降低物流成本、保证交付期具有重要作用。物流风险预警方法是一种通过事前识别风险、事中评估并控制可能存在的危害及后果，并采取有效的手段降低风险发生的方法。

现有物流风险预警方法采用传统神经网络进行风险预警在一定程度上可提高预警准确度，但由于传统神经网络的初始权值和阈值获取方法都是随机产生的，需要在神经网络进行训练的过程中不断的调整才能得到较好的权值，效率较低并容易产生较大误差。

发明内容

有鉴于此，有必要提供一种基于DE-BP神经网络的物流风险预警方法、装置、电子设备及计算机可读存储介质，用以解决生产企业的物流风险预警过程的容错率低及效率不高的问题。

为了解决上述问题，本发明提供一种基于DE-BP神经网络的物流风险预警方法，包括：

获取物流风险数据，根据所述物流风险数据生成数据集；

根据所述数据集对DE-BP神经网络进行训练，得到训练完备后的DE-BP神经网络；

采集物流的实时数据，根据所述实时数据和所述训练完备后的DE-BP神经网络，获取物流风险预警结果。

进一步地，根据所述物流风险数据生成数据集，包括：

对所述物流风险数据进行降维处理，得到降维后的物流风险数据，对所述降维后的物流风险数据进行归一化处理，得到处理后的物流风险数据，根据所述处理后的物流风险数据生成数据集。

进一步地，对所述物流风险数据进行降维处理，得到降维后的物流风险数据，包括：

利用主成分算法获取所述物流风险数据的贡献率，当所述贡献率累计达到设定预值时，对应的物流风险数据为降维后的物流风险数据。

进一步地，在根据所述数据集对DE-BP神经网络进行训练之前，还包括：

利用输入层、隐含层及输出层形成BP神经网络，利用差分进化算法对所述BP神经网络的初始权值和阈值进行优化，构建DE-BP神经网络。

进一步地，利用输入层、隐含层及输出层形成BP神经网络，包括：

获取输入层的节点数和输出层的节点数，根据所述输入层的节点数和所述输出层的节点数确定隐含层的节点数，公式为

其中，d为隐含层的节点数，x为输入层的节点数，b为输出层的节点数，ε为1-10之间的常数；

利用节点数确定的输入层、隐含层及输出层形成BP神经网络。

进一步地，利用差分进化算法对所述BP神经网络的初始权值和阈值进行优化，构建DE-BP神经网络，包括：

利用所述数据集随机产生初始种群，利用所述初始种群对BP神经网络进行训练得到BP神经网络的训练误差，若所述训练误差满足终止条件则获取BP神经网络最优的初始权值和阈值；