基于BP神經(jīng)網(wǎng)絡(luò)的設(shè)備維修人員訓(xùn)練數(shù)量預(yù)測方法研究?

李鋒 田霞 宋文淵

（1.軍械工程學(xué)院科研部石家莊050003）（2.軍械工程學(xué)院設(shè)備指揮與管理系石家莊050003）

基于BP神經(jīng)網(wǎng)絡(luò)的設(shè)備維修人員訓(xùn)練數(shù)量預(yù)測方法研究?

李鋒1，2田霞2宋文淵2

（1.軍械工程學(xué)院科研部石家莊050003）（2.軍械工程學(xué)院設(shè)備指揮與管理系石家莊050003）

當(dāng)前對(duì)于設(shè)備精確化保障的要求越來越高，如何科學(xué)準(zhǔn)確地預(yù)測維修人員訓(xùn)練數(shù)量，是開展后續(xù)培訓(xùn)工作的重要基礎(chǔ)。針對(duì)這一迫切需要，首先分析了影響設(shè)備維修人員訓(xùn)練數(shù)量的主要因素，然后探討了BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練人員數(shù)量預(yù)測方面的適用性和基本原理，在此基礎(chǔ)上利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了設(shè)備維修人員數(shù)量預(yù)測模型，并結(jié)合實(shí)例進(jìn)行了驗(yàn)證應(yīng)用，從而為制訂維修人員訓(xùn)練計(jì)劃提供方法支撐和參考依據(jù)。

維修人員訓(xùn)練；BP神經(jīng)網(wǎng)絡(luò)；預(yù)測方法

Class NumberTP391

1 引言

隨著對(duì)設(shè)備維修訓(xùn)練的重視程度越來越高，與之相關(guān)的理論與方法研究也越來越多。目前許多學(xué)者從設(shè)備維修訓(xùn)練需求的分析、訓(xùn)練內(nèi)容的設(shè)計(jì)、訓(xùn)練工作的組織、訓(xùn)練效果的評(píng)估等［1～4］方面進(jìn)行了定性的探討，這些研究在維修訓(xùn)練系統(tǒng)的構(gòu)建過程中發(fā)揮了重要的指導(dǎo)作用，并取得了明顯的效果。然而在維修訓(xùn)練的實(shí)施過程中，通常會(huì)出現(xiàn)送訓(xùn)人員數(shù)量與實(shí)際需求偏差較大的情況，極易造成有限人力物力資源的浪費(fèi)。

當(dāng)前對(duì)于設(shè)備精確化保障的要求越來越高，迫切需要解決上述問題，那就是給定明確的維修訓(xùn)練任務(wù)后，如何準(zhǔn)確地預(yù)測受訓(xùn)人員的數(shù)量需要，從而為后續(xù)培訓(xùn)工作的實(shí)施把好入口打好基礎(chǔ)。因此亟待在已有研究的基礎(chǔ)上，開展設(shè)備維修人員訓(xùn)練數(shù)量確定方法研究。

本文針對(duì)設(shè)備維修人員訓(xùn)練數(shù)量科學(xué)化準(zhǔn)確化預(yù)測的迫切需要，首先分析影響設(shè)備維修人員訓(xùn)練數(shù)量的主要因素，然后探討B(tài)P神經(jīng)網(wǎng)絡(luò)在訓(xùn)練人員數(shù)量預(yù)測方面的適用性，并在此基礎(chǔ)上利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建設(shè)備維修人員訓(xùn)練數(shù)量預(yù)測模型，從而為制訂維修人員訓(xùn)練計(jì)劃提供方法支撐和參考依據(jù)。

2 設(shè)備維修人員訓(xùn)練數(shù)量的影響因素分析

設(shè)備維修人員訓(xùn)練的目的是提供足夠合格的設(shè)備維修人員，因此，要確定受訓(xùn)人員的數(shù)量，除了要考慮設(shè)備維修任務(wù)對(duì)人力的需求，還要考慮其他因素的制約［5］。通過分析，其影響因素主要包括如下幾個(gè)方面：

1）設(shè)備維修任務(wù)的人員需求

設(shè)備維修工作需要考慮待訓(xùn)人員的人力需求、專業(yè)類型、技術(shù)等級(jí)等，在確定維修人員專業(yè)類型、技術(shù)等級(jí)及數(shù)量時(shí)，其主要依據(jù)有維修工作分析結(jié)果；平時(shí)維修工作及要求；各維修級(jí)別中維修人員的編制；專業(yè)設(shè)置及培訓(xùn)規(guī)模等。

2）設(shè)備維修訓(xùn)練人員的來源及流動(dòng)規(guī)律

確定維修訓(xùn)練人員的數(shù)量過程中要考慮到受訓(xùn)人員數(shù)量受設(shè)備保障人力現(xiàn)狀、人員流動(dòng)規(guī)律等因素的影響。人員流動(dòng)是指人員的提升、調(diào)動(dòng)、減員以及臨時(shí)離崗。人員補(bǔ)充數(shù)量的變化是人員提升、調(diào)動(dòng)和減員的結(jié)果。提升是指人員從一個(gè)級(jí)別到另一個(gè)更高的級(jí)別；調(diào)動(dòng)是指人員從一個(gè)專業(yè)職位到另一個(gè)專業(yè)職位的調(diào)遷，包括調(diào)入和調(diào)出；減員是指人員退休或離崗；臨時(shí)離崗包括參加培訓(xùn)、外出學(xué)習(xí)、臨時(shí)協(xié)助工作等。

3）設(shè)備部署與訓(xùn)練的實(shí)施與進(jìn)行

由于設(shè)備維修需要一定的周期，因此，受訓(xùn)人員的數(shù)量不僅要考慮當(dāng)下保障人力的短缺，還要根據(jù)設(shè)備的部署計(jì)劃，制定相應(yīng)的訓(xùn)練計(jì)劃，針對(duì)預(yù)期的時(shí)間節(jié)點(diǎn)，提前對(duì)維修人員進(jìn)行規(guī)劃和培訓(xùn)，以保證在未來某個(gè)時(shí)間點(diǎn)上能滿足設(shè)備對(duì)維修人力的需求。

4）設(shè)備維修訓(xùn)練的模式與方法

按照受訓(xùn)人員的來源與承訓(xùn)機(jī)構(gòu)的關(guān)系，設(shè)備保障訓(xùn)練的組織形式可分為自訓(xùn)和他訓(xùn)兩種。在自訓(xùn)這種形式中，受訓(xùn)人員的數(shù)量為本單位所有的設(shè)備維修人員數(shù)量；而在他訓(xùn)形式中，受訓(xùn)人員只占送訓(xùn)單位設(shè)備維修人員的一部分。

5）承訓(xùn)機(jī)構(gòu)培訓(xùn)能力

承訓(xùn)機(jī)構(gòu)的培訓(xùn)能力主要體現(xiàn)為：單次可提供的合格人員數(shù)量以及培訓(xùn)出特定專業(yè)和技術(shù)等級(jí)的合格人員所需的時(shí)間，受承訓(xùn)機(jī)構(gòu)的資源所限，并不是所有需要訓(xùn)練的人員都能得到訓(xùn)練，往往按照一定的比例，分批次進(jìn)行。

3 基于BP神經(jīng)網(wǎng)絡(luò)的設(shè)備維修人員訓(xùn)練數(shù)量預(yù)測模型

目前訓(xùn)練數(shù)量預(yù)測和分析的常用方法主要有：維修工作分析法（MTA法）、利用率法、相似設(shè)備法、維修單元法等［6］。設(shè)備維修人員訓(xùn)練數(shù)量的確定是一個(gè)非常復(fù)雜的非線性系統(tǒng)，對(duì)數(shù)量的準(zhǔn)確預(yù)測能為設(shè)備保障等提供重要依據(jù)。但由于設(shè)備維修人員訓(xùn)練數(shù)量影響因素眾多、相互作用復(fù)雜，很難直接找到描述系統(tǒng)發(fā)展變化規(guī)律的函數(shù)，因此上述方法的結(jié)果與實(shí)際的偏差較大、精度不高，常常難以得到滿意的結(jié)果。

人工神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，提供了解決這類問題的一種有效辦法。人工神經(jīng)網(wǎng)絡(luò)的基本思想是從仿生學(xué)角度對(duì)人腦的神經(jīng)系統(tǒng)進(jìn)行模擬，使之具有人腦那樣感知學(xué)習(xí)和推理的能力，類似于人腦的生物神經(jīng)元［7］。人工神經(jīng)網(wǎng)絡(luò)具有高度的自學(xué)能力，可以任意精度逼近非線性函數(shù)，非常適合模擬復(fù)雜的非線性系統(tǒng)，并對(duì)其進(jìn)行預(yù)測。在預(yù)測中，當(dāng)前應(yīng)用中較為廣泛和成熟的是誤差逆向傳播網(wǎng)絡(luò)（Er?ror Back Propagation Network），簡稱為BP神經(jīng)網(wǎng)絡(luò)，本文將運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對(duì)設(shè)備維修訓(xùn)練員的數(shù)量進(jìn)行預(yù)測。

3.1 BP神經(jīng)網(wǎng)絡(luò)的基本原理

Back Propagation Network，簡稱為BP網(wǎng)絡(luò)，即基于誤差反向傳播算法的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最成功和廣泛的人工神經(jīng)網(wǎng)絡(luò)。它由輸入層、隱含層和輸出層組成，隱含層可以是一層或多層。BP神經(jīng)網(wǎng)絡(luò)自身具有的非線性映射、自學(xué)習(xí)、自適應(yīng)能力、容易實(shí)現(xiàn)并行計(jì)算等優(yōu)點(diǎn)，能較好地實(shí)現(xiàn)各指標(biāo)與評(píng)價(jià)結(jié)果之間非線性關(guān)系的映射。

神經(jīng)網(wǎng)絡(luò)理論已經(jīng)證明BP網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力和泛化功能，任意一個(gè)連續(xù)函數(shù)或映射均可采用三層網(wǎng)絡(luò)加以實(shí)現(xiàn)［8］。以一個(gè)三層的BP網(wǎng)絡(luò)為例，該網(wǎng)絡(luò)可描述為：輸入神經(jīng)元以i編號(hào)，隱含層神經(jīng)元以j編號(hào)，輸出層神經(jīng)元以k編號(hào)，采用包含一個(gè)隱層的BP神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型，其結(jié)構(gòu)如圖1所示。

圖1BP神經(jīng)網(wǎng)絡(luò)模型

很多研究人員在網(wǎng)絡(luò)的算法上做了很多改進(jìn)工作，希望以此提高網(wǎng)絡(luò)的預(yù)測精度，然而代表性好的樣本即便用常規(guī)的BP算法仍是可以得到令人滿意的結(jié)果的［9］。通過實(shí)際應(yīng)用，本文認(rèn)為樣本的代表性較之復(fù)雜的算法更為重要，而且如何劃分樣本的問題也是影響有效學(xué)習(xí)的重要因素，后面將詳細(xì)闡述。

3.2 基于BP神經(jīng)網(wǎng)絡(luò)的設(shè)備維修訓(xùn)練數(shù)量預(yù)測模型

依照上述分析，本文基于BP神經(jīng)網(wǎng)絡(luò)所構(gòu)建設(shè)備維修訓(xùn)練數(shù)量預(yù)測模型的主要步驟如下所示。

3.2.1 訓(xùn)練樣本的選定

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)不是簡單地記憶已學(xué)過的輸入，而是通過對(duì)有限個(gè)訓(xùn)練樣本的學(xué)習(xí)，得到隱含在樣本中的有關(guān)環(huán)境本身的內(nèi)在規(guī)律性。神經(jīng)網(wǎng)絡(luò)的性能與訓(xùn)練樣本的選取密切相關(guān)，樣本的復(fù)雜性和代表性將嚴(yán)重影響網(wǎng)絡(luò)訓(xùn)練的結(jié)果，訓(xùn)練樣本的選取主要受兩個(gè)因素的影響：其一是訓(xùn)練樣本的大小，樣本并非越大越好，過大的訓(xùn)練樣本不僅影響計(jì)算速度，還會(huì)導(dǎo)致擬合精度的下降；其二是訓(xùn)練樣本的代表性，這一問題受原始資料的約束較大，有的研究對(duì)象本身就缺少資料，樣本的代表性必然受到影響，對(duì)資料較豐富的問題，訓(xùn)練樣本以盡量包含大值為優(yōu)。

3.2.2 輸入數(shù)據(jù)的預(yù)處理

數(shù)據(jù)是建立預(yù)測模型的基礎(chǔ)，數(shù)據(jù)選取的好壞直接影響著神經(jīng)網(wǎng)絡(luò)的性能，所以對(duì)數(shù)據(jù)進(jìn)行預(yù)處理是很有必要的。

由于在實(shí)際應(yīng)用中訓(xùn)練樣本各元素之間的取值范圍不可能完全一致，這就給網(wǎng)絡(luò)的訓(xùn)練帶來很大的不便，不僅加大了逼近函數(shù)的波動(dòng)性，使網(wǎng)絡(luò)訓(xùn)練速度下降，而且容易造成網(wǎng)絡(luò)訓(xùn)練失敗，因此為使網(wǎng)絡(luò)訓(xùn)練更加有效，本文對(duì)神經(jīng)網(wǎng)絡(luò)的輸入、輸出數(shù)據(jù)進(jìn)行一定的預(yù)處理以加快網(wǎng)絡(luò)的訓(xùn)練速度。本為采用的是歸一化處理，即將輸入、輸出數(shù)據(jù)映射到［0，1］范圍內(nèi)，訓(xùn)練結(jié)束后再反映射到原數(shù)據(jù)范圍。具體步驟如下：

首先，尋找每一項(xiàng)數(shù)據(jù)中的最大值和最小值，分別記為MAX、MIN；

然后，將第t組數(shù)據(jù)的Xt轉(zhuǎn)化為

這樣，就可將數(shù)據(jù)全部映射到［0，1］范圍內(nèi)。

3.2.3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

在網(wǎng)絡(luò)結(jié)構(gòu)中，主要涉及到網(wǎng)絡(luò)層數(shù)、隱含層轉(zhuǎn)移函數(shù)等關(guān)鍵因素的設(shè)計(jì)與確定。

1）BP網(wǎng)絡(luò)層數(shù)、神經(jīng)元數(shù)的確定

神經(jīng)網(wǎng)絡(luò)理論Kolmogorov定理已經(jīng)證明，經(jīng)充分學(xué)習(xí)的三層BP網(wǎng)絡(luò)可以逼近任何函數(shù)，因此選擇三層BP網(wǎng)絡(luò)。時(shí)間序列數(shù)據(jù)輸入層節(jié)點(diǎn)數(shù)是由樣本維數(shù)決定的，輸入層節(jié)點(diǎn)數(shù)太多會(huì)造成網(wǎng)絡(luò)學(xué)習(xí)次數(shù)較大或陷入局部最小，輸入層節(jié)點(diǎn)數(shù)太少則會(huì)影響預(yù)測結(jié)果精度。

2）隱含層轉(zhuǎn)移函數(shù)的確定

轉(zhuǎn)移函數(shù)決定了神經(jīng)元的連接方式，在神經(jīng)網(wǎng)絡(luò)中的作用非常重要。在BP網(wǎng)絡(luò)中，涉及到的轉(zhuǎn)移函數(shù)很多種，如：Sigmoid函數(shù)中的logsig函數(shù)與tansig函數(shù)，線性函數(shù)purelin。隱含層神經(jīng)元函數(shù)分別選擇tansig函數(shù)與logsig函數(shù)進(jìn)行試驗(yàn)對(duì)比，選出誤差較小的作為最終的隱含層函數(shù)。輸出層神經(jīng)元的轉(zhuǎn)移函數(shù)則可采用常用的線性激活函數(shù)purelin。

3.2.4 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

網(wǎng)絡(luò)建立之后，便可用相關(guān)工具對(duì)其進(jìn)行訓(xùn)練與仿真等。本文主要是借助Matlab軟件中的神經(jīng)網(wǎng)絡(luò)工具箱對(duì)其進(jìn)行訓(xùn)練［10］，在訓(xùn)練時(shí)需要設(shè)定相關(guān)的訓(xùn)練函數(shù)、學(xué)習(xí)函數(shù)、訓(xùn)練次數(shù)、目標(biāo)誤差、訓(xùn)練停止條件等。經(jīng)訓(xùn)練合格的網(wǎng)絡(luò)，即可用于后續(xù)設(shè)備維修訓(xùn)練數(shù)量的預(yù)測。

4 設(shè)備維修人員訓(xùn)練數(shù)量預(yù)測算例

為了驗(yàn)證上面所建立BP神經(jīng)網(wǎng)絡(luò)的適用性和有效性，這里以某設(shè)備電機(jī)系統(tǒng)修理工人數(shù)為例，探究利用BP經(jīng)網(wǎng)絡(luò)對(duì)該修理工進(jìn)行訓(xùn)練數(shù)量的預(yù)測。

4.1 算例背景

本文對(duì)某設(shè)備電機(jī)系統(tǒng)修理工訓(xùn)練數(shù)量建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。在訓(xùn)練數(shù)量影響因素中，選取人力需求、平均技術(shù)等級(jí)、人員流動(dòng)、承訓(xùn)機(jī)構(gòu)的培訓(xùn)能力四個(gè)指標(biāo)作為輸入向量。其中，平均技術(shù)等級(jí)以初級(jí)修理工0.2分，中級(jí)修理工0.4分，高級(jí)修理工0.6分，技師0.8分，高級(jí)技師1分來計(jì)算。人員流動(dòng)率正數(shù)為流入，負(fù)數(shù)為流出。承訓(xùn)機(jī)構(gòu)的培訓(xùn)能力為承訓(xùn)機(jī)構(gòu)所能容納的受訓(xùn)人員人數(shù)。經(jīng)統(tǒng)計(jì)，得出了近年來各影響因素與電機(jī)系統(tǒng)修理工訓(xùn)練人數(shù)，如表1～3所示。

4.2 訓(xùn)練樣本的歸一化處理

根據(jù)前文介紹的方法，將上一小節(jié)中數(shù)據(jù)進(jìn)行預(yù)處理，將其全部映射到［0，1］范圍內(nèi)。如2011年影響因素與修理工人數(shù)統(tǒng)計(jì)表歸一化后分別如表4所示。

表12011 年某設(shè)備電機(jī)系統(tǒng)修理工有關(guān)數(shù)據(jù)表

表22012 年某設(shè)備電機(jī)系統(tǒng)修理工有關(guān)數(shù)據(jù)表

表32013 年某設(shè)備電機(jī)系統(tǒng)修理工有關(guān)數(shù)據(jù)表

表42011 年歸一化后數(shù)據(jù)表

4.3 基于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與仿真

采用Matlab軟件中的神經(jīng)網(wǎng)絡(luò)工具箱建立BP網(wǎng)絡(luò)，對(duì)上述數(shù)據(jù)進(jìn)行訓(xùn)練與仿真，預(yù)測出2011年至2013年修理工的人數(shù)，然后其與實(shí)際人數(shù)進(jìn)行對(duì)比并作出誤差分析。2011年～2013年網(wǎng)絡(luò)訓(xùn)練結(jié)果如圖2～4所示。

網(wǎng)絡(luò)訓(xùn)練結(jié)束后，將經(jīng)過歸一化后的數(shù)據(jù)進(jìn)行仿真模擬，獲得網(wǎng)絡(luò)的輸出，然后進(jìn)行反歸一化處理，得到BP網(wǎng)絡(luò)預(yù)測值，最后檢查BP網(wǎng)絡(luò)預(yù)測值和實(shí)際修理工數(shù)之間的誤差是否符合要求。表5即為預(yù)測結(jié)果及誤差值。

表5反映了該BP網(wǎng)絡(luò)較好地逼近了輸入矢量，用BP神經(jīng)網(wǎng)絡(luò)對(duì)現(xiàn)有人力資源狀況進(jìn)行分析擬合，是人力資源需求預(yù)測的較理想方法。與傳統(tǒng)的人力資源需求預(yù)測方法相比，將BP神經(jīng)網(wǎng)絡(luò)用于人力資源需求預(yù)測，克服了輸入矢量和目標(biāo)矢量非線性、不符合統(tǒng)計(jì)規(guī)律的問題。BP神經(jīng)網(wǎng)絡(luò)模型良好的容錯(cuò)和自學(xué)習(xí)能力，調(diào)用Matlab工具箱函數(shù)，使預(yù)測過程更易實(shí)現(xiàn)，可以更好地對(duì)人力資源進(jìn)行規(guī)劃，提高人力資源預(yù)測精度。

圖22011年網(wǎng)絡(luò)訓(xùn)練圖

圖32012年網(wǎng)絡(luò)訓(xùn)練圖

圖42013年網(wǎng)絡(luò)訓(xùn)練圖

表5 預(yù)測結(jié)果比對(duì)及誤差

5 結(jié)語

本文針對(duì)設(shè)備維修人員訓(xùn)練數(shù)量科學(xué)化準(zhǔn)確化預(yù)測的迫切需要，首先分析了影響設(shè)備維修任用訓(xùn)練數(shù)量的主要因素，然后結(jié)合BP神經(jīng)網(wǎng)絡(luò)在數(shù)量預(yù)測方面的適用性，構(gòu)建了設(shè)備維修人員訓(xùn)練數(shù)量預(yù)測模型，并給出了應(yīng)用算例，驗(yàn)證了本文所提出方法的有效性。在未來研究中，可探索整合多個(gè)BP神經(jīng)網(wǎng)絡(luò)方法對(duì)設(shè)備維修人員訓(xùn)練數(shù)量進(jìn)行預(yù)測，以期帶來整體的訓(xùn)練速度等方面的提高。

［1］康廣，宋輝.通用裝備保障訓(xùn)練需求分析框架研究［J］.軍械工程學(xué)院學(xué)報(bào)，2010，22（6）：16-19. KANG Guang，SONG Hui.A Framework for the Equip?ment Support Training Requirement Analysis［J］.Journal of Ordnance Engineering College，2010，22（6）：16-19.

［2］張春潤等.基于任務(wù)+能力的通用裝備保障訓(xùn)練內(nèi)容需求分析模型研究［J］.軍事交通學(xué)院學(xué)報(bào)，2012，14（1）：31-35. ZHANG Chunrun etc.Research on Requirement Analysis Model of General Equipment Support Training Contents Based on Mission＋Capability［J］.Journal of Academy of Military Transportation，2012，14（1）：31-35.

［3］楊超.通用裝備保障訓(xùn)練內(nèi)容設(shè)計(jì)方法研究［D］.石家莊：軍械工程學(xué)院碩士學(xué)位論文，2008. YANG Chao.Study on Design Method of General Equip?ment Support Training Contents［D］.Shijiazhuang：Ord?nance Engineering College Dissertation for Master Degree，2008.

［4］裴家宏.部隊(duì)通用裝備保障訓(xùn)練績效評(píng)估研究［D］.石家莊：軍械工程學(xué)院碩士學(xué)位論文，2009. PEI Jiahong.Study on Performance Evaluation of Army' General Equipment Support Training［D］.Shijiazhuang：Ordnance Engineering College Dissertation for Master De?gree，2009.

［5］武艷梅.裝備保障訓(xùn)練需求分析研究及原型系統(tǒng)開發(fā)［D］.石家莊：軍械工程學(xué)院碩士學(xué)位論文，2009. WU Yanmei.Research on Requirement Analysis of Materi?el Support Training and the Prototype Development［D］. Shijiazhuang：Ordnance Engineering College Dissertation for Master Degree，2009.

［6］武艷梅，賈希勝，宋文淵，等.基于人員素質(zhì)差距的裝備保障訓(xùn)練需求分析過程研究［J］.裝甲兵工程學(xué)院學(xué)報(bào)，2009，23（3）：15-19. WU Yanmei，JIA Xisheng，SONG Wenyuan，et al.Study on Requirement Analysis Process of Equipment Support Training Based on Personnel Diathesis Difference［J］. Journal of Academy of Military Transportation，2009，23（3）：15-19.

［7］丁士圻，郭麗華.人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)［M］.哈爾濱：哈爾濱工程大學(xué)出版社，2008. DING Shiqi，GUO Lihua.The Foundation of ANN［M］. Harbin：Harbin Engineering University Press，2008.

［8］夏玫.BP神經(jīng)網(wǎng)絡(luò)泛化能力改進(jìn)研究［D］.太原：太原科技大學(xué)碩士學(xué)位論文，2009. XIA Mei.Research on Improving Generalization of BP Neural Network［D］.Taiyuan：Taiyuan Technology Univer?sity Dissertation for Master Degree，2009.

［9］劉天舒.BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)研究及應(yīng)用［D］.哈爾濱：東北農(nóng)業(yè)大學(xué)碩士學(xué)位論文，2011. LIU Tianshu.The Research and Application on BP Neural Network［D］.Harbin：Northeast Agricultural University Dissertation for Master Degree，2011.

［10］董長虹.MATLAB神經(jīng)網(wǎng)絡(luò)與應(yīng)用［M］.北京：國防工業(yè)出版社，2007. DONG Changhong.MATLAB Neural Network and Its Ap?plication［M］.Beijing：National Defense Industry Press，2007.

Device Maintenance Training Personnel Prediction Based on BP Neural Network

LI Feng1，2TIAN Xia2SONG Wenyuan2
（1.Scientific Research Department，Ordnance Engineering College，Shijiazhuang050003）（2.Management Engineering Department，Ordnance Engineering College，Shijiazhuang050003）

Currently，the requirements for device maintenance support are becoming more and more complex，and the accu?rate prediction of device maintenance training personnel is of fundamental for training plan and implementation.Aiming at the ur?gent requirement above，the main factors of maintenance training personnel are analyzed.Then，the applicability and theory of BP neural network for raining personnel prediction are discussed，and the maintenance training personnel model based on BP neural network is established.Finally，an example is presented to illustrate the model.

maintenance training，BP neural network，prediction method

TP391

10.3969/j.issn.1672-9722.2017.07.008

2017年1月20日，

2017年2月23日

李鋒，男，碩士，講師，研究方向：維修保障訓(xùn)練系統(tǒng)工程。田霞，女，碩士，講師，研究方向：維修保障訓(xùn)練需求分析。宋文淵，男，博士，副教授，研究方向：維修保障系統(tǒng)分析。