基于主成分分析―RBF神经网络模型备件预测研究.docVIP

基于主成分分析―RBF神经网络模型备件预测研究 　　摘要：备件预测在产品物流保障中占有极其重要的地位，针对现有各种航空备件预测方法精度较低，无法满足实际需求的现状，文章提出了基于主成分分析―RBF神经网络模型的备件预测方法。首先利用主成分分析方法去除原始输入层数据的相关性，以解决RBF神经网络模拟预测备件需求时输入变量过多，网络规模过大导致效率下降的问题，最后选择合适的径向基函数密度训练神经网络。通过结合实例进行分析，取得了较好的效果。 　　关键词：备件预测；主成分分析；RBF神经网络 　　中图分类号：F251.2文献标识码：A 　　 　　Abstract: Spare parts prediction stands a very important status in production logistic guarantee. Existing aviation material prediction approach has a low precision which cant meet the actual need. According to the problem, the forecasting approach for spare parts based on principal component analysis and artificial neural network was given. Firstly the approach can wipe off the correlation of the initial input data, in order to solve the problem that RBF network has too many input factor when predicting and then the efficiency of the neural network descends because of bigger size, at the last we choose the proper RBF density to train the network. The effectiveness of the proposed algorithm was verified by using an instance. 　　Key words: spare parts prediction; principal component analysis; RBF artificial neural networks 　　 　　0引言 　　备件物流是对维修保养、售后产品和物资所涉及的库存、设施和劳动力进行的完整端到端的物流管理。在飞机制造商的备件保障体系中，备件预测占有非常重要的地位。作为一项基础性工作，若无科学和严密的预测，盲目凭经验去生产或购买备件，会造成备件的短缺或浪费，进而严重影响盈利能力。包括空客、波音在内的国际各大飞机制造商都很重视备件预测，进行定性定量的科学计算，使得备件预测成为了他们参与市场竞争的技术优势[1]。通常飞机备件可分为可修复件和不可修复件。可修复件数量不多, 但价格昂贵, 占总费用的85%, 可修件需求分析的效果将直接影响到飞机能否取得合理有效的航材保障[2]。 　　由于影响备件需求的因素种类众多且复杂多变，准确预测备件需求比较困难。国内飞机制造企业在长期的备件预测实践过程中主要是依据一些经验公式或者参考国外飞机制造企业的方法，简单地将众多的复杂因素简化或合并为几个主要因素，常造成大量有用信息的丢失，因此造成备件预测精度不高，而传统神经网络的预测方法把所有因素都作为神经网络的输入，显然会增加网络的复杂度，降低网络性能，大大增加计算运行的时间，影响计算的精度。 　　针对上述现象，本文提出了基于主成分分析―RBF神经网络的备件预测模型。该模型首先利用主成分分析技术将影响备件预测的众多因素变量进行分析变换，有效消除原训练样本空间的信息重叠和噪声，尽可能多地保留原有数据的有用信息，降低数据维度，减小网络规模，得到一组彼此不相关的新输入变量，然后将重构的训练样本空间作为RBF神经网络的输入，进行备件预测，通过实例仿真证明取得较好的预测效果。 　　1主成分分析―神经网络模型原理 　　本文之所以采用主成分分析―RBF神经网络模型，是由主成分分析和RBF神经网络各自的特点所决定的。主成分分析处在原始因素变量集和RBF神经网络之间，它的作用是对将要输入RBF神经网络的变量进行筛选，接下来把累计贡献率大的变量集作为网络的输入，然后利用RBF神经网络对样本进行训练、测试，从而得到精度更高、稳定性更好的预测值。图1给出了这个模型的流程图，下