深度學習在器材管理中的應用初探

康克成 王強 鄭飛 劉亮

摘 要：器材的更新，消耗，采購的信息化程度越來越高，數(shù)據(jù)量越來越大，對管理人員掌握器材使用，采購，正常替換等規(guī)律的要求越來越高，深度學習可以較好的提取數(shù)據(jù)中存在的各種隱含規(guī)律，掌握這些規(guī)律對提高器材管理水平有較大提高。本文針對深度學習在器材管理中的應用，進行了初步研究，提出了基于深度信念網(wǎng)絡(luò)的器材管理規(guī)律提取方法，經(jīng)過實際運用表明，對減少器材損耗，提高器材采購資金能效比有明顯幫助。

關(guān)鍵詞：深度學習；器材管理；深度信念網(wǎng)絡(luò)；效率；損耗

1.引言

深度學習是機器學習的延伸和進一步發(fā)展，它基于機器學習，從廣義上講是機器學習的一種，但與機器學習有較大不同，深度學習的模型和人腦皮層結(jié)構(gòu)有較大相似，從某種意義上講，深度學習是智能學習，可對復雜數(shù)據(jù)進行有效處理[1]。深度學習模型既可以作為特征提取器，也可以用作特征分類器，并且二者可以同時應用，直接得到想要的分類結(jié)果。器材有成千上萬種，每種器材的性能、數(shù)量、有效期、生產(chǎn)廠家這些基本要素帶來了大量的數(shù)據(jù)，而深度學習應用于大數(shù)據(jù)挖掘方面，實踐中已經(jīng)取得較好的效果?，F(xiàn)在是一個“大數(shù)據(jù)+深度學習”的時代。本文研究在器材管理中如何運用深度學習，來探尋器材管理中蘊含的內(nèi)在規(guī)律，通過得出的管理規(guī)則進行器材管理，來提高器材管理的信息化水平。

2.深度學習的典型模型

深度學習基礎(chǔ)是受限玻爾茲曼機（RBM），玻爾茲曼機（ BM）可以認為是一種能量模型。即參數(shù)空間中每一種情況均有一個標量形式的能量與之對應。對全連通玻爾茲曼機進行簡化，其限制條件是在給定可見層或者隱層中的其中一層后，另一層的單元彼此獨立，即為受限玻爾茲曼機。深度學習的典型模型主要有：自動編碼器（AE），卷積神經(jīng)網(wǎng)絡(luò)（CNN），深度信念網(wǎng)絡(luò)（DBN）三種[2]。

（1）自動編碼器

自編碼器的基本原理：將輸入的原始信號進行編碼，使用編碼得到的新信號重建原始信號，求得重建的元信號與原始信號相比重建誤差最小。它的優(yōu)點是可以有效的提取信號中的主要特征，減少信息冗余，提高信息處理效率。模式分類中經(jīng)常用到的以下方法：K均值聚類、稀疏編碼、主成分分析等均可理解為是一個自動編碼器。

（2）卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）善于提取數(shù)據(jù)局部特征，模型復雜度較低，權(quán)值的數(shù)量較少，它組合局部感受野（滑動窗口）、權(quán)重共享（減少自由參數(shù)數(shù)量）、和空間或時間上的子采樣這3 種結(jié)構(gòu)去確保平移和變形上的不變性。

（3）深度信念網(wǎng)絡(luò)

深度信念網(wǎng)絡(luò)（DBN）主要采用貪婪逐層訓練方法。簡言之通過預先訓練與反向調(diào)節(jié)來訓練整個DBN網(wǎng)絡(luò)：在預先訓練階段，先逐個訓練每一個受限玻爾茲曼機RBM，逐層疊加，并將下一層的RBM 的輸出作為上一層RBM 的輸入； 在反向調(diào)節(jié)階段可以采用BP訓練，通過誤差函數(shù)進行反向調(diào)節(jié).

3.基于深度信念網(wǎng)絡(luò)（DBN）的器材管理方法

器材管理的目的是在最大器材利用率下所用資金最少，耗費管理人員精力最少。從模型分析上來說，這是一個求最優(yōu)化模型的問題。深度信念網(wǎng)絡(luò)在求取最優(yōu)化方面具有一定的優(yōu)越性。深度信念網(wǎng)絡(luò)（DBN）的優(yōu)點：（1）采用并行結(jié)構(gòu)，可同時處理多組數(shù)據(jù)，計算效率得到較大提升，對處理大數(shù)據(jù)有優(yōu)勢；（2）可以用較小的模型參數(shù)波動得到較高的分類結(jié)果，模型穩(wěn)定性較好[3]。

對器材管理者來說如何制定性價比最高的器材采購方案，最優(yōu)的器材下發(fā)方案，最優(yōu)的器材存儲方案是急需解決的三個問題。

器材采購方案：其制定主要基于器材的價格，儲存年限，采購批次，采購量，售后服務(wù)等因素，針對每種器材的上述指標進行量化打分，再根據(jù)每種器材的側(cè)重點分配量化系數(shù)，整合成10種數(shù)據(jù)輸入。將這些數(shù)據(jù)輸入到訓練好的深度信念網(wǎng)絡(luò)（DBN）中得出每種器材的采購點數(shù)，根據(jù)點數(shù)決定采購的器材數(shù)量、品種、規(guī)格和型號。

器材的下發(fā)方案：器材的下發(fā)要考慮不同單位的需求，現(xiàn)有庫存情況，近期器材補充情況，近期大項工作需求情況，根據(jù)不同情況對不同單位，不同器材，具體工作設(shè)定不同顏色的標簽，通過標簽整合，將這些數(shù)據(jù)輸入到訓練好的深度信念網(wǎng)絡(luò)（DBN）中得到具體的下?lián)芊桨浮?/p>

器材儲存方案：儲存主要包括使用單位庫存情況，倉庫庫存情況，供貨單位協(xié)議代儲情況，運用深度信念網(wǎng)絡(luò)（DBN）對器材消耗情況進行分析，進而得出，單位庫存的數(shù)質(zhì)量，使用單位庫存的數(shù)質(zhì)量，供貨單位協(xié)議代儲數(shù)質(zhì)量，使三者處于一個最優(yōu)化狀態(tài)，既不影響使用，又可降低庫存空間的需求，減少資金占用。

4. 實驗結(jié)果

本文采用深度信念網(wǎng)絡(luò)（DBN）對1000種器材采購、運輸、庫存、消耗使用以及不同品牌的通用器材采購成本進行了實驗分析，通過深度信念網(wǎng)絡(luò)（DBN）的優(yōu)化，采購效率提高10%，運輸時間縮短20%，庫存量降低15%，使用消耗準確度提高5%，采購成本降低18%。

5. 未來發(fā)展與展望

深度學習方法在器材管理中的應用還處于初步探索之中，但是初步運用表明，其在“大數(shù)據(jù)+云計算”時代，對提高器材管理的信息化水平具有較大的實用價值和經(jīng)濟價值，用于器材管理的深度學習模型，還較為簡單，還有進一步發(fā)展的空間，實踐應用中對器材數(shù)據(jù)特征的提取還有待加強，只有深刻的理解器材管理的特征及需求，才能有針對性的建立模型，提高模型的可靠性和有效性。使器材管理水平更上一層樓，使器材管理跟上信息化發(fā)展的步伐。

參考文獻：

[1] 孫志軍，薛磊，許陽明.基于深度學習的邊際Fisher分析特征提取算法[J].電子與信息學報，2013，35（4）：805-811.

[2] 孫志軍，薛磊，許陽明，等.深度學習研究綜述[J].計算機應用研究， 2012， 29（ 8） ： 2806 - 2810.

[3] 胡曉林，朱軍.深度學習———機器學習領(lǐng)域的新熱點[J].中國計算機學會通訊， 2013，9（ 7） ： 64 - 69.

作者簡介：

康克成（1981.04-）河北昌黎人，研究生，碩士，工程師，中國人民解放軍92819部隊，研究方向：信息與通信工程；

王強（1981.02-）山東膠州人，本科，助理工程師，中國人民解放軍92819部隊，研究方向：裝備管理；

鄭飛（1987.10-）山東兗州人，本科，助理工程師，中國人民解放軍92819部隊，研究方向：裝備管理；

劉亮（1981.02-）遼寧北鎮(zhèn)人，本科，工程師，中國人民解放軍92819部隊，研究方向：裝備管理；