基于改进BP神经网络的产品成本预测研究和实现.pdf

《基于改进BP神经网络的产品成本预测研究和实现.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第7期机械设计与制造2010年7月MachineryDesign&Manufacture223文章编号：1001—3997(2010)07—0223—03基于改进BP神经网络的产品成本预测研究和实现术杨久红王小增(嘉应学院电子信息工程学院，梅州514015)AnimprovedBPalgorithmforcostestimationYANGJiu—hong，WANGXiao-zeng(DepartmentofElectronicsandInformationEngineering，JiayingUniversity，Meizhou514018，Chi

2、na)中图分类号：TH16文献标识码：A内在联系和对成本的影响，建立实用的成本预测模型，并结合成l引言本管理人员的实践经验，得预测结果。在企业生产中，成本预测就是利用历史及现有资料对未来成2．3相关性原则本进行估计推测。成本预测的有目标成本法、成本习性预测法、趋势预测法、量本利分析法、因素测算法等。这些方法需要以过去几在进行成本预测时，如果所选的因素与成本相关．『生较强，一十年的成本为基础数据，再选择适当的模型及算法进行预测。由般采用【素分析方法预测。如果相关性较弱，一般采用趋势分析法预测。于模型多具有很强的非线性，并且需要人为的确定一些参数，建模和

3、求解的难度较大，预测精度不高。而在目前市场条件下，随着2．4时间性原则企业技术创新及设备更换等因素的影响，再用以往几十年的数据预测足对某一特定时问点作出的，预测期短，预测的精确度为基础数据进行未来成本的预测已不可行I。近年来，选用人工相对高，采用的预测模型也可以简单些，预测期越长，不确定因素神经网络技术来预测未来几年产品的成本显示极大的优势。人越多，精确度就越差，采用的预测模型也较为复杂。工神经网络依靠系统的复杂程度，通过调整内部大量节点之间相2．5客观性原则互连接的关系，从而达到处理信息的目的具有自学习和自适应在进行成本预测之前，必须广泛搜集客观、

4、准确的成本资料的能力，可以通过预先提供的一批相互对的输入一输数据，分信息，剔除其中偶然凶素对成本的影响，以真正反映成本变动的析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数一般规律。据来推算输出结果，由此实现成本的估算，可靠性和准确性很高。2。6可变性原则2成本预测的原则在未作出决策之前，预测结果应随着客观条件的变化做适当的修正{。2．1效益性原则进行成本预测需要花费一定的人力、物力。当可能取得的相3人工神经网络设计方法关效益比预测本身所花的代价费用大，预测就有必要进行。如果对于如何选择最佳的网络结构问题，到目前为止，还没有一相反，则预测就没

5、有必要进行。个通用的理论公式来解决这个问题，根据不同的条件有不同的结2．2充分性原则论。但通常会从以下几个方面考虑：在进行成本预测时，必须充分考虑并分析评价各影响因素的(1)输入层和输出层设计。-2来稿日期：2009—09—22-2基金项目：广东省梅卅『市自然科学基金重点资助项目(08KJZ02)224杨久红等：基于改进BP神经网络的产品成本预测研究和实现第7期(2)隐含层数的选择和节点数的选择。当目标越接近中问成本越低时，采用公式(3)。(3)传输函数的选择。=1一一(，+皿)／2l，(，咄，)／2【3)(4)~11练算法的选择及参数的设置。式中：

6、一归一化前后的数据；和一—每列数据的最小和最大值。4产品成本预测神经网络实现4．3产品成本预测神经网络模型的建立4．1特征的提取及训练样本的建立由表1和表2确定采取三层网络结构，如图1所示。实现模以某热轧管厂的产品成本预测为例，产品成本由于具有如下型如图2所示。输入层节点数为8个，分别对应工艺复杂度、原料特点：等级、钢耗、动力消耗、质量要求、工具消耗、外径和壁厚，输出层(1)分段连续、有间歇的大批量分解型生产。节点数为1个，即成本；隐层节点数为8个。(2)工艺路线单一固定、工序间物流一致。(3)工艺条件制约生产计划、生产的间歇性要求制定合理的批量和多

7、阶段的生产计划。考虑到上述因素，并结合实际经验，提取出如下影响钢管成本的因素：①工艺复杂度、原料等级、钢耗(单位：t)、动力消耗(单位：元，t)、质量要求和工具消耗(单位：元，t)。这六个因素与产品成本(单位：元，￡)成正比。②外径(单位：mm)和壁厚(单位：mm)，这两个因素特点是当外径或壁厚越偏于中间值，成本越低；越向两端，成本越高。选取的训练样本和期望输出，如表1所示。图1成本预测神经网络模型表1训练样本和期望输出88l图2成本预测神经网络实现模型4．4产品成本预测神经网络的训练4．4．1训练算法基本BP(BackPropagation)算法具

8、有收敛速度慢，存在局部最小点，泛化能力差等缺点，经改进后的BP算法克服了上述缺4．2输入数据归一化点，算法叙