基于BP神经网络的航材消耗预测

基于BP神经网络的航材消耗预测

廖思危

空军勤务学院研究生大队 221000

摘 要航材保障面临着库存积压、库存结构不合理等问题，严重影响了航材保障质量效益。其中原因之一，就是航材消耗规律把握不够准确，在一定程度上影响了航材订货决策的科学性。因此，本文将尝试根据航材的消耗规律运用BP神经网络预测方法建立模型，并通过实例计算预测，验证所建立模型的准确度，对预测结果进行分析评价航材。

关键词航材，消耗预测

1 引言

航材保障作为综合保障的要素之一,在很大程度上制约着飞机完好率。航材消耗因素是多方面的，它包括航材性能、自然条件和人员专业保障素质水平等等[1]。由于其中一些影响因素的不可知性和难以量化，使航材消耗不确定性增强。本文在分析了历史数据基础上，建立基于BP神经网络的航材消耗预测模型，并通过实例验证了模型的有效性。

2 BP神经网络概述

2.1.BP神经网络简介

BP神经网络[2]是将Widrow-Hoff学习规则一般化，对非线性可微分函数进行权值训练的多层网络。权值的调整采用反向传播的学习算法。它是一种多层前向反馈神经网络，其神经元的变换函数是S型函数，输出量为0到1之间的连续量，可实现从输入到输出的任意的非线性映射[3]。

其主要思想是从后向前逐层传播输出层的误差，以间接计算出隐含层误差[4]。算法分为两个部分：第一部分（正向传播过程）输入信息从输入层经隐含层，逐层计算各单元的输出值；第二部分（反向传播过程）输出误差，逐层向前计算出隐含层各单元的误差，并用此误差修正前层权值。

2.2网络模型

BP神经网络的输入和输出层的神经元数目由输入和输出向量的维数确定。在BP神经网络中，单个样本有n个输入、m个输出，在输入层和输出层之间通常还有若干个隐含层。隐含层个数通常由经验公式确定：

其中h为隐含层节点数目，n为输入层节点数目，m为输出层节点数目，a为1~10之间的调节常数。

2.3学习规则

1.正向传递子过程

设节点i和节点j之间的权值为，节点j的阈值为，每个节点的输出值为。隐含层中神经元的输出：

输出层中神经元的输出：

其中为激活函数，一般选取S型函数或者线性函数。

2.反向传递子过程

而BP神经网络的主要目的是反复修复修正权值和阈值，使得误差函数达到最小。Widrow-Hoff学习规则是通过沿着相对误差平方和的最速下降方向，连续调整网络的权值和阈值，根据梯度下降法，权值矢量的修正正比于当前位置E(w,b)的梯度。

BP网络学习算法的具体步骤如下：

1.从训练样本集中取某一样本，把它的输入信息输入到网络中；

2.由网络正向计算出各层节点的输出；

3.计算网络的实际输出和期望输出的误差；

4.从输出层开始反向计算到第一个隐含层，按一定的原则向少误差方向调整整个网络的各个连接权值；

5.对训练样本集中的每一个样本重复上述步骤，直到对整个网络训练样本集的误差达到要求为止。

3 实例分析

3.1数据预处理

选取五项航材进行预测,针对BP神经网络本身的特性，样本数据的选取对收敛速度、预测精度有很大的影响，对原始数据进行归一化处理，才能形成训练样本。

3.2设置参数与建立模型

预测方法采用滚动预测方式，选择连续3年的消耗数据输入作为网络输入，第4年的实际消耗数据作为期望输出。以2014~2016、2015~2017、2016~2018年每一类航材消耗数据分组作为网络输入，2017、2018、2019年数据作为期望输出，并进行归一化处理，形成输入样本值、和以及对应的期望输出值T，得到网络训练样本对。网络模型采用3层BP神经网络结构，输入层节点为3，输出层节点为1，隐含层节点依据经验公式决定。经过多次尝试后，选择隐含层节点为5，网络期望误差为0.001。

3.3预测结果分析

网络训练通过Matlab R2019a进行实现，经过反复迭代，在达到一定训练次数后，网络快速收敛，输出端的期望输出值与实际输出值的训练误差达到期望误差E=0.001，最终得出结果。输入器材1，2017~2019年航材消耗数据，经归一化处理后，计算出2020年预测值。

预测结果如下表所示：

表3-2 部分航材2020年预测结果

4结语

航材消耗数据上下起伏明显，规律性不强，可以利用非线性预测方式进行预测。在解决非线性预测问题上，BP神经网络能在不断地样本训练情况下，对样本与预测值之间的非线性关系的拟合越来越准确，人工干预少，预测精度高。建立基于BP神经网络的航材消耗预测模型，可以利用BP神经网络举要较强学习和记忆功能的特点，从非线性预测的角度对航材消耗进行预测，提高航材消耗数量的预测水平，为航材订货提供更加科学、准确的辅助决策信息。

参考文献

[1] 何亚群，史霄霈.航材保障学[M]：徐州：空军勤务学院，2015.李保华,杨云. 备件需求预测模型研究[J]. 航空维修与工程,2017.5.

[2] 刘旭，周丽华，朱臣.基于PCA-SVM的航材需求预测方法研究[J].舰船电子工程，2017，37(7)：105-109.

[3] 杨仕美，郭建胜，董兴陆，李正欣.基于LSSVM和信息熵的航材备件组合预测方法[J].火力与指挥控制，2012，37(9)：154-157.

[4] 刘永刚，侯立良，秦大同，胡明辉.基于BP圣经网络的煤层硬度多等级识别方法[J].东北大学学报（自然科学版），2018,39(8)：1163-1168.

[5] 韩玉，张作刚，张海军.基于粗糙集和神经网络的舰载直升机航材消耗预测研究[J].舰船电子工程，2017，37(9):96-99.

[6] 王晓平，闫飞.基于GA-BP模型的北京城镇农产品冷链物流需求预测[J].数学的实践与认识，2019,49(21)：17-27.