基于BP神经网络的库存动态预测及其应用

利用库存的历史数据,建立了动态环境下一个基于BP神经网络的初始库存模型,采用提前结束训练法克服因样本量不足而产生的网络过适应问题,并通过网络的训练获得一个关系简单的库存模型.每次获得新样本数据后对模型进行重构,达到了动态建模和分析的目的,并用实例进行了说明,为库存系统的管理决策提供了理论依据.     

粉煤料仓下料稳定性实验

建立了一个粉煤料仓下料系统,对粉煤在料仓里多股下料的稳定性及其影响因素进行了研究。实验结果表明:影响粉煤在多出口料仓里稳定下料的因素主要有料仓的补气方式和多出口料斗的结构。其中料斗的有效流通面积占料斗总截面面积比例是决定多出口料仓下料能否稳定的一个重要参数。在合适的补气方式和结构合理的料仓里,粉煤能稳定下料,并且关闭任意的几个出料口时,下料稳定性良好。粉煤在料仓里料位对下料稳定性影响不大。     

基于人工神经网络的医疗器材需求预测

为揭示库存数据中的复杂关系进而降低库存水平，基于黑箱方法的思想，首先找出影响需求的各个因素，然后建立一个采用LM算法的BP神经网络初始预测模型，并用库存的历史数据进行网络训练，使影响需求的各个因素的内在联系的信息分散存储于权值矩阵W中，从而获得最终预测模型。利用此模型对大坪医院医疗器材进行需求预测，据此进行采购和库存管理，大大地降低了医院的库存成本，为医院库存系统的库存控制和管理决策提供了理论依据。     

基于Tan-Sigmoid函数参数调整的BP神经网络改进算法

为提高BP神经网络的性能，对网络的联接权值W和神经元的tan-sigmoid转换函数的参数T、θ进行调整，使信息分布存储于权值矩阵及转换函数中，比传统的算法具有更强的非线性映射能力．经严密的数学推导，给出了最终的改进算法公式和1个预测需求量的算例，结果表明，改进后的算法能有效地减少隐层节点数，且能加快收敛速度和提高收敛精度．