[发明专利]基于混沌神经网络的库存预测模型及其构造方法

摘要

一种基于混沌神经网络的库存预测模型及其构造方法，成品库存的备货量在精准配送中是关键的因素，成品库存量充足则精准配送就有了保障，但成品库存量高会给企业带来高风险，一方面原卷加工成成品后就很难再用于加工其他物料成品，一旦用户不使用就很可能变成废品，另一方面成品库存占用较大的库存空间，会使本来就有限的库容变得更加紧张。本发明将工作分成两个阶段来展开，先是学习阶段，通过近三年样本公司全部配送用户的数据作为样本建立模型，利用这些样本对混沌神经网络的连接权系数进行学习和调整，以使网络实现给定的输入输出关系；然后是实施阶段，使用已经训练成型的神经网络获取预期的效果，建立完善运算模型，实现库存量的合理设置。

主权项

一种基于混沌神经网络的库存预测模型，其特征在于：所述库存预测模型的基本单元为混沌神经元，所述混沌神经元的主要参数包括：神经网络内部各神经元的反馈项h_j[y_j(k)]、来自神经网络外部的输入项I(k)、来自于神经元自身的不应性(神经元被激活后，对自身的记忆延迟影响，即为不应性)影响g_i[x_i(k)]、神经元x_i(k)的阈值θ_i；所述基于混沌神经网络的库存预测模型中，在第i个混沌神经元在第k+1时刻的动态行为可由以下公式表示：$\begin{array}{c}{x}_i(k+1)=\\ {\mathrm{Bx}}_i\left(k\right)+{\mathrm{\Σ}}_{j=1}^n{w}_{ij}^F{I}_j\left(k\right)+{\mathrm{\Σ}}_{j=1}^m{w}_{ij}^R{h}_j*\[f_N\left(x_i\right(k\left)\right)\]-{\mathrm{\αg}}_i\[f_N\left(x_i\right(k\left)\right)\]-{\mathrm{\θ}}_i*(1-B)\end{array}---\left(2.1\right)$y_i(k+1)＝f_N(x_i(k+1))   (2.2)式中，x_i(k+1)为第i个混沌神经元在第k+1时刻的输入；y_i(k+1)为第i个混沌神经元在第k+1时刻的输出；B为外部输入项、反馈输入项和不应项衰减率；为从第j个外部输入节点到第i个混沌神经元的连接权重；F为从外部输入节点到该混沌神经元的权重空间标记；为从第j个反馈输入节点到第i个混沌神经元的连接权重；R为从反馈输入节点到该混沌神经元的权重空间标记；I_j(k)为第j个外部输入节点在k时刻的输入；h_j为反馈函数；f_N为sigmoid函数；g_i[f_N(x_i(k))]为第i个混沌神经元在k时刻自身的不应项；n和m分别为与第i个混沌神经元相连的外部输入节点个数和反馈输入节点个数；θ_i为第i个混沌神经元的阈值。