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，用其開展在小樣本集下軍事物流需求預(yù)測的研究，通過對模擬實例驗證，ART2線性組合神經(jīng)網(wǎng)絡(luò)模型的檢驗指標(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

1 緒論

在現(xiàn)代化戰(zhàn)爭中軍事物流理論已開始指導(dǎo)戰(zhàn)場后勤實踐，目前大多數(shù)國家都在采用類似企業(yè)化運作方式進(jìn)行精確后勤補給運作，精確的后勤補給將是未來戰(zhàn)爭后勤的前沿領(lǐng)域，然而后勤保障力量要以最佳方案、最佳手段、在最快的時間做出反應(yīng)，及時形成保障能力，那么前瞻性研究戰(zhàn)時軍事物流需求與配置方法是具有十分必要的。

2 研究內(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)過程，由信息的正向傳播和誤差的反向傳播兩個過程組成。[1]

缺點：(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)點個數(shù)難以確定合適的數(shù)值，缺乏理論指導(dǎo)；(4)訓(xùn)練時學(xué)習(xí)新樣本有遺忘舊樣本的趨勢。

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的缺陷，可以得到全局最優(yōu)點，具有實時學(xué)習(xí)的能力和很強(qiáng)的抗差能力，同時能夠動態(tài)調(diào)整特征曲線。

缺點：傳統(tǒng)的ART2網(wǎng)絡(luò)存在模式漂移的不足，可對部分權(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)測的目標(biāo)是在不同戰(zhàn)爭背景下精確的預(yù)測軍事物流需求，建立需求預(yù)測模型的基礎(chǔ)是指影響戰(zhàn)爭后勤補給需求的因素，即軍事物流需求決策因子。軍事物流定單需在分析戰(zhàn)場實際情況、結(jié)合國際國內(nèi)實際發(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、持續(xù)時間、部署強(qiáng)度、運輸威脅程度、作戰(zhàn)地形等諸多因素，需在軍事物流需求策劃階段明確。通過模擬的軍事物流需求信息為樣本開展分析預(yù)測研究。

4 預(yù)測模型分析研究

通過分析建立預(yù)測模型如圖1所示。

圖1 ART2線性組合預(yù)測模型

預(yù)測模型中BP網(wǎng)絡(luò)為圖2所示，三層結(jié)構(gòu)。其輸入量為7個分別為作戰(zhàn)軍種、兵力數(shù)量、兵器種類、持續(xù)時間、部署強(qiáng)度、運輸威脅程度、作戰(zhàn)地形，輸出量4個分別為給養(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，通過競爭選擇出連接權(quán)矢量數(shù)據(jù)。調(diào)整子系統(tǒng)對選出的模式原型進(jìn)行檢驗，檢驗輸入模式與長期記憶模式之間的相似度的警戒測試，并根據(jù)檢驗結(jié)果給出相應(yīng)處理，成功或重置，通過測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，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。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，功能時提取特征輸入向量；(2)在比較層中通過對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層即識別層；(3)由識別層經(jīng)過競爭選擇激活識別層候選狀態(tài)，得到模型的短期記憶；(4)識別層的輸出經(jīng)長期記憶加權(quán)后反饋回比較層，并將信息送入調(diào)整子系統(tǒng)，檢驗系統(tǒng)長期記憶模式與輸入模式的相似程度，若通過相似度驗證，則可確定輸入模式屬于識別的候選模式，并按照快速學(xué)習(xí)算法，一步完成權(quán)值的學(xué)習(xí)；(5)若未通過檢驗，則強(qiáng)迫比較層重置并選擇下一輸出節(jié)點。在通過 ART2模型預(yù)測時必須注意的是P（相似測度警戒限，為0到1之間的正數(shù)）的選擇值范圍，其決定了網(wǎng)絡(luò)對輸入模式進(jìn)行處理間隔的大小，直接影響預(yù)測準(zhǔn)確性。本文中P取0.7即可達(dá)到較滿意的預(yù)測效果。

表1 BP預(yù)測網(wǎng)絡(luò)測試數(shù)據(jù)

5 預(yù)測模型實例應(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)作為檢驗樣本，見表1。

6 預(yù)測模型檢驗指標(biāo)

為對各預(yù)測方法的效果進(jìn)行對比分析，必須選擇一套切實可行的評價指標(biāo)，本文采用以下6個評價指標(biāo)對各預(yù)測方法的結(jié)果進(jìn)行評價。

在上述實例的實際預(yù)測過程中，預(yù)測效果見表2，ART2線性組合的神經(jīng)網(wǎng)絡(luò)預(yù)測平均相對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)測精度高于任意單一模型的預(yù)測精度。

表2 預(yù)測經(jīng)度比對

7 結(jié)束語

基于ART2線性組合神經(jīng)網(wǎng)絡(luò)的方法揚長避短，將BP神經(jīng)網(wǎng)絡(luò)和ART2網(wǎng)絡(luò)模預(yù)測型的優(yōu)點加以利用，克服了各自的不足之處，在軍事物流需求預(yù)測方面是一個新的思路，通過比對仿真結(jié)果的檢驗指標(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(自然科學(xué)版),2007,12(40): 31458-1461．