物流物流论文范文-简析神经网络方法在物流预测中的应用word版下载

《物流物流论文范文-简析神经网络方法在物流预测中的应用word版下载》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、物流物流论文范文:简析神经网络方法在物流预测中的应用word版下载导读：本论文是一篇关于神经网络方法在物流预测中的应用的优秀论文范文，对正在写有关于物流论文的写作者有一定的参考和指导作用,论文片段：【摘要】随着我国社会主义经济的快速发展，我国国内的各行各业都得到很大的发展空间，同时也促使了很多新兴产业的形成，物流行业就是其中之一。物流将在未来我国经济社会中得到更大的重视，不同地域的产品或货物之间的运送都是需要利用物流企业来完成的。但是在物流中也存在一定的理由，比如物流的时间预算很难以完全准确等。基于这样的情况，为了完善整个

2、物流系统，提出了采用神经网络技术来弥补物流中的这一缺陷。【关键词】物流；神经网络1672-5158(2013)07-0173-021物流预测及其现有的解决策略由于我国地域广泛，物流路途较远。因此在我国社会状态下的物流在货物运送过程中出现一些不确定情况是非常常见的。这也就说明对于物流行业的预测其实就是对人们不确定的未来的事件进行估计，同时将产生这些不确定时间的几率尽可能的降到最低。同时我们也可以看出，预测的存在价值就在于未来的变化，如果在物流过程中是不存在不确定事件的，那么物流预测就没必要进行。基于这种情况,可以说对物流进行

3、预测就是对未来事件进行一定程度上的把握。首先预测物流需要了解为什么会产生不确定事件；其次是明确不确定事件发展的方向和趋势；最后是分析不确定事件发生后的现实情况，以此为基础对未来事态的发展进行估计，尽可能的在最短时间内找出解决理由的根本。物流行业在我国是一个新兴产业，最初的发展尤为重要。因此做好物流预测对整个物流行业的发展前景起到至关重要的作用。物流预测可以将不确定事件发生时的被动情况变为主动，当工作人员已经因为预测出到不确定事件发生，那么他们会制定相应的应急方案，那么在不确定事件发生时，工作人员只需要按方案采取行动即可。物

4、流预测也对减小物流企业损失有很大的帮助，同时也是一股推动物流行业发展的巨大推动力。在物流行业中的预测，也是需要以现实市场传递过来的消息以及环境、距离等具体因素为基础，在通过相关的神经网络技术进行物流预测。但是对于现实中的环境、距离以及收集到的信息都不可能是一成不变的，同时也可能会受到调研人的主观因素影响，进而使得物流预测的基础都存在一定的偏弟，最终导致预测结果出现与现实不符的情况也是在所难免的。2人工神经网络BP算法神经网络技术的发展历史悠久，并不是为了满足物流预测需求才产生的，相关研究人员从上世纪初就开始对这方面技术进行

5、研究和分析。对于神经网络技术的发展经过可以根据其发展状态分为以下几个时期：首先，可以将它定义为开始阶段，在这一段时期内神经网络技术还没有完全成型，只是一些学者的理论研究，并没有多少科学依据；其次可以称为神经网络技术发展的低谷。在这段时间内基本很少有人涉猎这一领域，因此它的发展速度缓慢，没有取得任何实质性的突破。再次可以称为是神经网络技术的复兴阶段。在这一个时间段内，很多学者均进行了相关的研究，并在一定程度上取得了突破。最后的阶段是神经网络技术的一个蓬勃发展的阶段，在这段时间里，神经网络技术得到更多的研究人员的重视，同时也获

6、得了相当大的进步和成就。直至目前，神经网络技术依然持续着它强劲的发展势头，在未来必将获得更大的突破。基于上述情况，作者希望能够更加直观的介绍神经网络技术在物流预测中的应用。因此，在本文中，首先先对BP网络技术进行介绍。这种技术策略就是将神经网络技术应用到物流行业中去。下面通过分析这种技术的算法来进一步的了解它。设P为输入：W为权值；b为域值：a为输岀。多层网络中的某一层的输岀成为下一层的输入。描述此操作的等式为：3神经网络预测模型建立及应用物流行业中进行预测一般先会制定预测方案，再从中选择出较为合适的方案。应用神经网络技术

7、预测物流状况一般有以下儿种常用的方案：第一种方案是以过去一段时间内的信息作为预测基础，再进行物流预测。当然这些历史信息必须是在规定时间范围内，并冃近期内具体环境没有发生较大变化。第二种情况是以物流预测的相关数据为基础进行的预测。这种方案的优势在于更多地考虑了相关变量的细节分析。但是由于目前科学技术的发展环境下，尚对相关变量的研究有限，为了获得更为精确的预测结果，通常情况下会选择第一种方案进行物流预测。在本文中，以湖北省在1990年到1998年这段时间内的公路输出量作为历史信息，采用上面介绍的策略进行神经网络技术在物流预测方

8、面的应用分析，进而预测出未来两年内的湖北省公路货物输出状况。通常情况下，该种策略是以七个相邻的点作为一组历史信息，在本文中，我们以其中的前六个点作为历史数据来估计第七个的数值。经实验调整这里学习步长=0.04；权及域值的初始域(-0.05,0.05)。隐层采用s形结构，输出层采用线性结构，得到训练曲线：