基于ART2線性組合神經(jīng)網(wǎng)絡(luò)的軍事物流需求預(yù)測(cè)方法研究

軍事交通學(xué)院基礎(chǔ)部 劉 旭 馬文彬 王曉卓

基于ART2線性組合神經(jīng)網(wǎng)絡(luò)的軍事物流需求預(yù)測(cè)方法研究

軍事交通學(xué)院基礎(chǔ)部 劉 旭 馬文彬 王曉卓

在分析BP、RBF、ART2等單一神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，建立了ART2線性組合神經(jīng)網(wǎng)絡(luò)模型，用其開(kāi)展在小樣本集下軍事物流需求預(yù)測(cè)的研究，通過(guò)對(duì)模擬實(shí)例驗(yàn)證，ART2線性組合神經(jīng)網(wǎng)絡(luò)模型的檢驗(yàn)指標(biāo)優(yōu)于單一神經(jīng)網(wǎng)絡(luò)模型。

ART2；組合神經(jīng)網(wǎng)絡(luò)；軍事物流；預(yù)測(cè)

1 緒論

在現(xiàn)代化戰(zhàn)爭(zhēng)中軍事物流理論已開(kāi)始指導(dǎo)戰(zhàn)場(chǎng)后勤實(shí)踐，目前大多數(shù)國(guó)家都在采用類(lèi)似企業(yè)化運(yùn)作方式進(jìn)行精確后勤補(bǔ)給運(yùn)作，精確的后勤補(bǔ)給將是未來(lái)戰(zhàn)爭(zhēng)后勤的前沿領(lǐng)域，然而后勤保障力量要以最佳方案、最佳手段、在最快的時(shí)間做出反應(yīng)，及時(shí)形成保障能力，那么前瞻性研究戰(zhàn)時(shí)軍事物流需求與配置方法是具有十分必要的。

2 研究?jī)?nèi)容

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)，即誤差反傳誤差反向傳播算法的學(xué)習(xí)過(guò)程，由信息的正向傳播和誤差的反向傳播兩個(gè)過(guò)程組成。[1]

缺點(diǎn)：(1)局部容易陷入最小而得不到全局最優(yōu)；(2)訓(xùn)練次數(shù)多使得學(xué)習(xí)效率地，收斂速度慢；(3)神經(jīng)網(wǎng)絡(luò)結(jié)點(diǎn)個(gè)數(shù)難以確定合適的數(shù)值，缺乏理論指導(dǎo)；(4)訓(xùn)練時(shí)學(xué)習(xí)新樣本有遺忘舊樣本的趨勢(shì)。

2.2 自適應(yīng)ART網(wǎng)絡(luò)模型

自適應(yīng)共振理論的ART2神經(jīng)網(wǎng)絡(luò)，該模型克服了大多數(shù)前向網(wǎng)絡(luò)容易陷入局部極小點(diǎn)的缺陷，可以得到全局最優(yōu)點(diǎn)，具有實(shí)時(shí)學(xué)習(xí)的能力和很強(qiáng)的抗差能力，同時(shí)能夠動(dòng)態(tài)調(diào)整特征曲線。

缺點(diǎn)：傳統(tǒng)的ART2網(wǎng)絡(luò)存在模式漂移的不足，可對(duì)部分權(quán)值的修正放慢學(xué)習(xí)速度，將改善模式漂移現(xiàn)象，其泛化能力受訓(xùn)練集空間分布的合理程度和訓(xùn)練集中樣本點(diǎn)數(shù)量的影響。

3 需求分析及數(shù)據(jù)收集

軍事物流需求預(yù)測(cè)的目標(biāo)是在不同戰(zhàn)爭(zhēng)背景下精確的預(yù)測(cè)軍事物流需求，建立需求預(yù)測(cè)模型的基礎(chǔ)是指影響戰(zhàn)爭(zhēng)后勤補(bǔ)給需求的因素，即軍事物流需求決策因子。軍事物流定單需在分析戰(zhàn)場(chǎng)實(shí)際情況、結(jié)合國(guó)際國(guó)內(nèi)實(shí)際發(fā)生的因素，得出軍事物流需求影響因子一般包括：軍種、兵力數(shù)量、兵器種類(lèi)、持續(xù)時(shí)間、部署強(qiáng)度、運(yùn)輸威脅程度、作戰(zhàn)地形等諸多因素，需在軍事物流需求策劃階段明確。通過(guò)模擬的軍事物流需求信息為樣本開(kāi)展分析預(yù)測(cè)研究。

4 預(yù)測(cè)模型分析研究

通過(guò)分析建立預(yù)測(cè)模型如圖1所示。

圖1 ART2線性組合預(yù)測(cè)模型

預(yù)測(cè)模型中BP網(wǎng)絡(luò)為圖2所示，三層結(jié)構(gòu)。其輸入量為7個(gè)分別為作戰(zhàn)軍種、兵力數(shù)量、兵器種類(lèi)、持續(xù)時(shí)間、部署強(qiáng)度、運(yùn)輸威脅程度、作戰(zhàn)地形，輸出量4個(gè)分別為給養(yǎng)數(shù)量、服裝數(shù)量、工程器材數(shù)量、彈藥數(shù)量，隱含層為12。

預(yù)測(cè)模型中ART2神經(jīng)網(wǎng)絡(luò)模型如圖2所示。

圖2 ART2的基本結(jié)構(gòu)

自適應(yīng)共振理論ART2具有快速的學(xué)習(xí)算法，且無(wú)需大量樣本，可分為注意子系統(tǒng)和調(diào)整子系統(tǒng)兩部分，注意子系統(tǒng)主要完成輸入模擬量的預(yù)處理，通過(guò)競(jìng)爭(zhēng)選擇出連接權(quán)矢量數(shù)據(jù)。調(diào)整子系統(tǒng)對(duì)選出的模式原型進(jìn)行檢驗(yàn)，檢驗(yàn)輸入模式與長(zhǎng)期記憶模式之間的相似度的警戒測(cè)試，并根據(jù)檢驗(yàn)結(jié)果給出相應(yīng)處理，成功或重置，通過(guò)測(cè)試模型在共振模式下進(jìn)行學(xué)習(xí)并不斷調(diào)整權(quán)矢量，若不成功將忽略當(dāng)前激活點(diǎn)，轉(zhuǎn)而搜索其他模式原型。如所有都不匹配，則需設(shè)置新的輸出點(diǎn)。其中權(quán)值的學(xué)習(xí)與調(diào)整算法直接影響模式原型的接近程度。具體步驟如下：(1)圖2中的F1層為比較層，功能時(shí)提取特征輸入向量；(2)在比較層中通過(guò)對(duì)特征向量歸一化和非線性變換經(jīng)迭代得到穩(wěn)定的中層模式送入圖2中的F2層即識(shí)別層；(3)由識(shí)別層經(jīng)過(guò)競(jìng)爭(zhēng)選擇激活識(shí)別層候選狀態(tài)，得到模型的短期記憶；(4)識(shí)別層的輸出經(jīng)長(zhǎng)期記憶加權(quán)后反饋回比較層，并將信息送入調(diào)整子系統(tǒng)，檢驗(yàn)系統(tǒng)長(zhǎng)期記憶模式與輸入模式的相似程度，若通過(guò)相似度驗(yàn)證，則可確定輸入模式屬于識(shí)別的候選模式，并按照快速學(xué)習(xí)算法，一步完成權(quán)值的學(xué)習(xí)；(5)若未通過(guò)檢驗(yàn)，則強(qiáng)迫比較層重置并選擇下一輸出節(jié)點(diǎn)。在通過(guò) ART2模型預(yù)測(cè)時(shí)必須注意的是P（相似測(cè)度警戒限，為0到1之間的正數(shù)）的選擇值范圍，其決定了網(wǎng)絡(luò)對(duì)輸入模式進(jìn)行處理間隔的大小，直接影響預(yù)測(cè)準(zhǔn)確性。本文中P取0.7即可達(dá)到較滿意的預(yù)測(cè)效果。

表1 BP預(yù)測(cè)網(wǎng)絡(luò)測(cè)試數(shù)據(jù)

5 預(yù)測(cè)模型實(shí)例應(yīng)用

模擬2010年到2015年演習(xí)中軍事物流需求因素統(tǒng)計(jì)數(shù)據(jù)為樣本數(shù)據(jù)，取2010年到2013年的數(shù)據(jù)為訓(xùn)練樣本，2014年到2015年的數(shù)據(jù)作為檢驗(yàn)樣本，見(jiàn)表1。

6 預(yù)測(cè)模型檢驗(yàn)指標(biāo)

為對(duì)各預(yù)測(cè)方法的效果進(jìn)行對(duì)比分析，必須選擇一套切實(shí)可行的評(píng)價(jià)指標(biāo)，本文采用以下6個(gè)評(píng)價(jià)指標(biāo)對(duì)各預(yù)測(cè)方法的結(jié)果進(jìn)行評(píng)價(jià)。

在上述實(shí)例的實(shí)際預(yù)測(cè)過(guò)程中，預(yù)測(cè)效果見(jiàn)表2，ART2線性組合的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)平均相對(duì)誤差和誤差平方和均低于任意單一模型，即線性組合的預(yù)測(cè)精度高于任意單一模型的預(yù)測(cè)精度。

表2 預(yù)測(cè)經(jīng)度比對(duì)

7 結(jié)束語(yǔ)

基于ART2線性組合神經(jīng)網(wǎng)絡(luò)的方法揚(yáng)長(zhǎng)避短，將BP神經(jīng)網(wǎng)絡(luò)和ART2網(wǎng)絡(luò)模預(yù)測(cè)型的優(yōu)點(diǎn)加以利用，克服了各自的不足之處，在軍事物流需求預(yù)測(cè)方面是一個(gè)新的思路，通過(guò)比對(duì)仿真結(jié)果的檢驗(yàn)指標(biāo)可以發(fā)現(xiàn)此方法收到了良好的效果。

[1]張志勇,匡興華等．基于BP神經(jīng)網(wǎng)絡(luò)的軍事物流定單預(yù)測(cè)方法研究[J]．物流技術(shù),2005,12:66-69．

[2]高如新,王福忠,冉正云．基于模糊輸入的BP-ART2混合神經(jīng)網(wǎng)絡(luò)在電力變壓器故障綜合診斷中的應(yīng)用[J]．繼電器,2004,32:17-18．

[3]錢(qián)曉東,王煜,王化祥．基于遺傳算法的+ART2+神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集優(yōu)化[J]．天津大學(xué)學(xué)報(bào)(自然科學(xué)版),2007,12(40): 31458-1461．