论文基于PCA主成分分析和BP神经网络企业库存预测，本文是主成分分析方面有关本科论文开题报告范文跟神经网络和库存和成分有关论文范文例文.
摘 要：近年来,人力资源和物流及仓储成本的不断攀升,导致零件制造成本不断上升,而准确的库存预测有助于企业据此调整生产计划,降低制造成本,有助于实现企业利润最大化.本文通过PCA主成分分析方法确定影响企业库存的因素,编写python代码分析出影响库存的主要因素,包括订单、当月销量等因素,提出JIT即零库存作为企业库存管理的发展方向.随后选取影响库存的因素,分析并计算相关网络参数,建立BP神经网络,用MATLAB编写预测算法,预测9月的库存,确认预测的合理性,验证了算法的有效性.
关键词：PCA主成分分析；BP神经网络；库存预测；Python；机器学习
中图分类号：TP311文献标识码：A
ResearchonInventoryPredictionBasedonPrincipalComponent
AnalysisandBPNeuralNetwork
TENGYanggang,CHENJinjie,GEGuilin
(SchoolofMachineEngineering,UniversityofShanghaiforScienceandTechnology,Shanghai200093,China)
Abstract:Inrecentyears,theever-increasingcostsofhumanresources,logistics,andwarehousingheledtotheriseofcomponentmanufacturingcosts.Accurateinventoryforecastscanhelpenterprisesadjustproductionplansaccordingly,reducemanufacturingcosts,andhelpmaximizeprofits.ThispaperadoptsthePCAmethodtodeterminethefactorsthataffecttheinventory,writespythoncodestoanalyzethemainfactorsaffectingtheinventory,includingorders,monthlysalesandotherfactors,putorwardtheJITzeroinventoryasthedevelopmentdirectionofenterpriseinventorymanagement.Thenthefactorsthataffecttheinventoryareselected,analyzingandcalculatingrelevantnetworkparameters,establishingBPneuralnetwork,usingMATLABtowritethepredictionalgorithm,predictingtheinventoryinSeptember,confirmingtherationalityoftheprediction,andverifyingtheeffectivenessofthealgorithm.
Keywords:PCA(PrincipalComponentAnalysis);BPneuralnetwork;inventoryprediction;Python;machinelearning
1引言(Introduction)
近年来,制造业的人力和土地成本不断攀升,给企业利润造成较大的压力,而根据企业现有的库存所受的制约状况,分析企业库存的主要影响因素,合理的预测出企业某一阶段的库存,可以让企业提前做好生产储备计划,不仅能够为企业生产减少库存面积,还能为企业节省大量的流动资金、人力资源等,为企业增大利润空间.随着神经网络[1]和相关数学分析方法的不断完善,以及相关语言算法的不断发展,这为预测企业的某一阶段库存提供了可能.
2PCA主成分分析(Principalcomponentanalysis)
在实际的生产实践中,影响库存的因素极其复杂且不确定,甚至是天气的异常变化都会对库存产生影响,但是在大多数情况下,库存的主要影响因素相对固定,表1中选取主要影响因素并对其进行PCA(PrincipalComponentAnalysis)降维[2].
表1库存相关影响因素
Tab.1Inventoryrelatedfactors
在表1中,列出由8个指标组成的8维随机向量,数据矩阵为
故综合指标为
系数矩阵定义如下：
对于k等于1,…,8,有
变量y1是线性组合中方差最大的,其他依次递减,协方差D(X)的特征值依次递减,则第k个主成分的贡献率为
如果库存影响因素的前n个主成分累计贡献率越大,则可以认为前n个主成分可以表征数据,当累计贡献率超过80%时,即可认为所选的主成分可以代表整组数据,下面利用上述计算方法,将认为影响库存的八个因素进行主成分分析,比较这八个因素可否代表库存的主要影响因素.
调用Numpy、matplotlib.pyplot、PCA、pandas、python经典库计算数组的特征值及协方差矩阵等.
defpca(dataMat,percentage等于0.8):#百分比
meanVals等于mean(dataMat,axis等于0)#平均值
meanRemoved等于dataMat-meanVals#移除均值
covMat等于cov(meanRemoved,rowvar等于0)#求协方差
eigVals,eigVects等于linalg.eig(mat(covMat))
k等于eigValPct(eigVals,percentage)
eigValInd等于argsort(eigVals)#排序
eigValInd等于eigValInd[:-(k+1):-1]#主成分
redEigVects等于eigVects[:,eigValInd]
lowDDataMat等于meanRemoved*redEigVects#降维
lowDDataMatreconMat等于(lowDDataMat*redEigVects.T)+meanVals
#重构数据
在CMD运行python程序,计算库存影响因素相关性矩阵(表2)、总方差(表3)并绘出碎石图(图1).
表2库存影响因素的相关性矩阵
Tab.2Correlationmatrixofinventoryinfluencingfactors
表3总方差解释
Tab.3Interpretationoftotalvariance
图1碎石图
Fig.1Grelmap
在表3中可以算出,订单、当月销量、在制零件、采购周期四个因素累计贡献率为87.529%,大于80%,再结合图1碎石图,前四个成分下降最为明显,可以认为这四个因素是库存影响的主要因素,提取四个主成分,将主成分系数矩阵除以特征根得主成分函数表达式：
F1等于-0.042*Zx1+0.377*Zx2-0.530*Zx30.862*Zx4+0.749*Zx5+0.084*Zx6+0.499*Zx7+0.65*Zx8;
F2等于0.759*Zx1+0.488*Zx2+0.746*Zx3-0.047*Zx4+0.324*
Zx5+0.737*Zx6-0.095*Zx7-0.082*Zx8;
F3等于0.561*Zx1-0.019*Zx2-0.216*Zx3+0.294*Zx4+0.352*
Zx5-0.514*Zx6-0.525*Zx7+0.321*Zx8;
F4等于0.291*Zx1-0.680*Zx2+0.242*Zx3+0.210*Zx4+0.152*
Zx5-0.041*Zx6+0.635*Zx7+0.229*Zx8
由综合主成分公式F等于0.3270*F1+0.2668*F2+0.1563*F3+
0.1253*F4,前四个成分得分依次为：3.0213、2.5447、1.5178、1.4115,该得分证明认为所列库存影响因素可以代表库存的主要影响因素.
3数据整理(Dataorganization)
对库存数据进行整理,得训练集P、测试集T两个矩阵如下：
P等于[27272530251225522213258828292142;20341961200419982061209819211835;698603649687624684706663;21.51221.52.52;343.532.5432.5;53544544;786814831939570850534938;38402129231808];
T等于[23482041214220762741245628752668]
4BP神经网络(Back-Propationneuralnetworks)
BP(BackPropagation)神经网络[1,2]由输入(inputlayer)、隐含(hidelayer)和输出(outputlayer)三层构成,图2是三层神经网络结构模型,库存预测模型选用S型传递函数,通过输出层误差调整函数：,隐含层误差函数:,输入层误差函数：,通过偏导求出权重：
不断调节权值和阈值使E至最小[3].
5网络结构设计(Networksdesign)
(1)输入输出层的设计
订单、当月销量、在制零件、采购周期、到货周期、供应商数、临采、退货作为输入,以库存作为输出,故输入层节点为8,输出层的节点为1.
(2)隐含层设计
首先根据经验公式来确定神经元的个数[3,4],公式为,由8个库存影响因素得输入层的神经元个数为8,输出层的神经元个数为1,,即,所以,,故库存预测模型选择6个隐含层的神经元.
网络结构示意图如图2和图3所示.
图2神经网络结构图
Fig.2Neuralnetworkstructure
图3程序运行结果
Fig.rogramoperationresult
6激励函数的选取(Selectincentivefunctions)
一般情况下,激励函数选用Sigmoid.隐含层的激励函数选择tansig.而因网络的输出在[-1,1],本库存预测模型输出层的激励函数选取S型对数函数logsig[5].
7模型的实现(Modelachievement)
构建库存预测模型的步骤如下：
将影响库存的数据归一化后输入构建的训练网络,隐含和输出层分别为tansig和logsig激励函数,隐含层神经元个数为6.设定相关网络参数:网络的epochs为5000次,期望的误差
设定为0.0000001,学习的速率为0.01[6,7].
Net.trainParam.epochs等于5000;
[net,tr]等于train(net,p1,t1);%训练
n等于[240621316821.5347347];%测试
n等于premnmx(n);
m等于sim(net.n);
c等于postmnmx(m,mint,maxt);
运行结果显示,在通过866次重复学习在达到期望误差后完成学习,网络训练完毕后,预测9月库存为2709个零件,达到预定的算法目标,不考虑其他未知或不可控因素,可以根据2709个零件编制采购生产计划.
8结论(Conclusion)
本文首先采用PCA主成分分析方法验证了选取库存影响因素的合理性,使用python进行数据降维度分析[8,9]后,结果证明选取的库存影响因素可以代表库存的影响因素,随后建立BP神经网络模型,编写程序,预测9月的库存,有助于企业实现JIT的目标.但在实际中,库存的影响因素十分复杂甚至某些因素无法事先预知,接下来,仍需在企业生产中,统计企业库存的固定和偶然影响因素,并统计各项数据,增大训练集,才能使库存预测更加精确.
参考文献(Reference)
[1]孙文荣,周先春,嵇亚婷.基于直方图均衡化、PCA和SVM算法的人脸识别[J].软件,2014,35(08):11-15.
[2]MartaSkiba,MariaMrówczyńska,AnnaBazan-Krzywoszańska.Modelingtheeconomicdependencebetweentowndevelopmentpolicyandincreasingenergyeffectivenesswithneuralnetworks.Casestudy:ThetownofZielonaGóra[J].AppliedEnergy,2017:188.
[3]冉维丽,乔俊飞.基于PCA时间延迟神经网络的BOD在线预测软测量方法[J].电工技术学报,2004(12):78-82.
[4]高豪杰.基于BP神经网络的阀门制造企业库存需求预测应用研究[D].北京交通大学,2015.
[5]M.A.Hakeem,M.Kamil.Analysisofartificialneuralnetworkinpredictionofcirculationrateforanaturalcirculationverticalthermosiphonreboiler[J].AppliedThermalEngineering,2017:112.
[6]吕健发.粒子群神经网络在手机物料库存预测中的应用[J].大众科技,2014,16(10):41-42.
[7]马法尧.基于BP神经网络模型与ARMA模型的库存预测比较[J].统计与决策,2014(19):34-37.
[8]王哲,李衍达,罗发龙.一种用于PCA与MCA的神经网络学习算法[J].电子报,1996(04):12-16.
[9]侯严庭.基于Three.js的机械产品自动装配演示[J].软件工程,2018,21(03):23-26.
作者简介：
腾杨刚(1991-),男,硕士生.研究领域：机器学习.
陈劲杰(1967-),男,硕士,副教授.研究领域：智能机器人.
葛桂林(1990-),硕士生.研究领域：软体机器人.
综上资料,这是适合神经网络和库存和成分论文写作的大学硕士及关于主成分分析本科毕业论文，相关主成分分析开题报告范文和学术职称论文参考文献.
参考文献：
1、 基于遗传算法的优化BP神经网络算法 王军涛（北华航天工业学院,河北廊坊065000）WANG Juntao（NorthChina Institute ofAerospaceEngineering,Langfang065000,China.
2、 传统新闻媒体微博影响力的评价模型基于主成分分析的实证 摘 要 本文以15 家传统媒体的微博为研究对象,样本涉及通讯社、报纸、广播电视……传统媒体,选取6 项关键性指标,运用SPSS 软件对影响传统媒体微博影响力的因子做主成分分析,提取了“社交.
3、 神经网络在计算机网络安全评价中的应用 周宇摘要随着计算机技术的快速发展,信息能够在短时间内在全世界范围内流动 信息的实时共享使得计算机技术更有价值,同时也充分发挥了信息快速传递的优势 计算机网络给人类社会带来的影响具有两面性；一方面,计算.
4、 卷积神经网络的方程组求解 摘要通过迭代求解方程组的解,提出了一种基于卷积神经网络求解线性方程组的病态方程组的方法,由于条件数过大,影响求解的精度,将求解方程组的过程转换为神经网络学习的过程 通过神经网络学习同目标数据形成一种映.
5、 离散混沌系统的神经网络阶逆系统控制 摘要提出用神经网络α阶逆系统方法控制一类未知模型的离散混沌系统,针对离散混沌系统的特殊性,调整了神经网络建模的输入输出结构,并以Logistic系统为假想未知系统进行实际控制,仿真结果说明.
6、 基于matlab实现人工神经网络在股票评级中的应用 1 引言 近年,我国股市跌宕起伏,远有2008年次贷危机,近有由于场外配资清理、场内融资和分级基金去杠杆形成连锁反应造成的2015年的股灾,国家推出的“熔断机制”……应对措施.