电子产品安全库存水平的分析及预测

在分析影响电子产品安全库存因素的基础上,利用BP神经网络构建了电子产品安全库存水平的预测模型。该模型能够很好地反映出电子产品安全库存与其影响因素间复杂的非线形关系,具有较高的预测精度。     

大型地震应急物资需求预测方法研究

大型地震给社会造成了重大的人员伤亡和财产损失,灾后应急物资的及时供应对挽救生命至关重要,而应急物资需求预测是供应的前提。本文利用BP神经网络算法对灾后人员伤亡人数进行预测,然后结合库存管理知识估算灾区应急物资的需求量,以期为灾后应急物资的筹措和配送决策提供参考。最后,运用该方法对"5.12汶川地震"中的极重灾区北川县的应急物资需求进行了估算。     

基于RFID技术的库存管理系统研究

RFID具有非接触、容量大、读取快的特点,将其引入仓库管理系统能够实现仓库实时状态的可视化,使仓库管理更加快速地响应环境的变化。同时可以提高仓库内部资源的利用率。论文尝试使用面向对象方法将RFID技术、人工智能和仓库管理相结合,设计出一套集成的仓库管理系统框架,对于进一步的研究具有一定的启示意义。     

基于贝叶斯正则化神经网络的道路交通安全倾向性预测

对典型部门影响交通安全的相关因素进行了集成分析,构建了道路交通安全倾向性预测指标,在此基础上采用贝叶斯正则化神经网络对沈大高速公路某路段的道路交通安全倾向性进行了预测,对网络结构、训练集、预测集以及学习次数进行了优化.预测结果表明,在推广能力方面,贝叶斯正则化神经网络优于传统的神经网络,可作为探究道路交通安全系统内部各影响要素关系的辅助手段.     

Elman网络在短期负荷预测中的应用

文章介绍的Elman神经网络的短期负荷预测模型,具有模型简单、运算效率高的特点,并具有较好的全局最优性能,从而很好地克服了传统BP算法容易陷入局部极小点的缺陷。文章还比较了Elman网络和BP网络结构的建模效果。通过仿真实验证明了Elman神经网络具有动态特性好、逼近速度快、精度高等特点,是一种实用、可靠的负荷预测方法。     

管理信息系统在服务备件库存管理中的应用探析

文中以家电售后服务备件管理系统为研究案例,阐明企业建立基于计算机技术和网络技术的备件管理信息系统的必要性,探析几种典型管理信息系统在服务备件库存管理中的应用。     

基于一种改进BP神经网络算法的教学质量评价研究

在教学管理问题的研究中,针对教学质量评价的非线性特征以及教学质量评估体系中存在的诸多非定量的因素,建立教学质量评价的BP神经网络模型。评价模型对已有评价体系中的主观性因素进行量化,并利用神经网络的自学习,自适应及非线性逼近能力进行量化评价的计算。对模型中用到的BP算法和代数算法分别进行了理论上的分析和训练结果的对比,为教学质量评价模型提供了可行的解决方案。     

公路运输货运量预测方法研究

介绍了国内外公路运输货运量的预测方法,分析各种预测方法的优缺点,以及实际的预测效果。针对公路运输货运量受很多相关因素的影响,使得现有的一些预测方法预测精度不高的问题,应用混沌神经网络,建立了公路运输货运量预测的混沌神经网络预测模型,并与传统的BP神经网络预测结果对比,表明此模型具有较好的预测效果。     

基于主成分分析的合理库存神经网络模型

从影响合理库存的诸多因素中，利用数理统计思想，找出几个主要指标，通过建立神经网络模型，进行模拟仿真，寻求一种解决这个问题的有效方法。     

装备制造业集群知识管理过程研究

本文首先分析了装备制造业集群知识的基本特征,然后对装备制造业集群的知识的各层次进行分析,并对其内部的知识网络分析,最后建立并分析装备制造业集群内外知识管理过程模型。     

波动性产品需求预测的神经网络模型

随着市场竞争的日益激烈,消费者的心里越来越复杂,这样导致了产品的需求的波动性大大增加。这种强波动性的产品需求序列中除了随机性外还存在混沌性,根据混沌理论可知,混沌的短期预测是可行的。为了有效的对这些混沌性进行预测,选择了神经网络作为预测模型,因为神经网络对非线性具有较好逼近能力。在网络结构选择中考虑了混沌序列的嵌入维数,并在隐层中加入了径向基以更好的拟合数据。在针对目前很多企业具有数据库和数据仓库的背景,给出了基于数据挖掘的具体预测方法,并通过实例演示了预测的有效性。     

复杂环境下创新网络的解耦研究

在回顾有关创新网络理论的基础上,对创新网络进行解耦:一种是由连接知识元素的知识链组成的知识网络,另一种是社会网络下的研发人员之间的合作网络。深入分析了这两种网络在创新活动中的作用机理和影响企业创新的网络特性,探讨了创新网络内在解耦的运行机理,构建知识网络与合作网络之间的解耦模型,指导复杂环境下企业的创新实践。     

基于BP神经网络的最小库存量预测模型设计——以广东省某文具制造企业为例

文具制造行业的产品种类繁多,且需求变化大,库存水平的高低对于该行业中的企业有着重要的战略地位。由于企业实际的采购量制定的特殊性,以文具制造原材料纸张的最小实际库存为研究重点,用已有最小实际库存值及其影响因素的历史数据训练BP神经网络,然后用构建稳定的网络进一步预测某月的最小实际库存值,并且以此可以适当调整安全库存值。     

Parameter-efficient deep probabilistic forecasting

Probabilistic time series forecasting is crucial in many application domains, such as retail, ecommerce, finance, and biology. With the increasing availability of large volumes of data, a number of neural architectures have been proposed for this problem. In particular, Transformer-based methods achieve state-of-the-art performance on real-world benchmarks. However, these methods require a large number of parameters to be learned, which imposes high memory requirements on the computational resources for training such models. To address this problem, we introduce a novel bidirectional temporal convolutional network that requires an order of magnitude fewer parameters than a common Transformer-based approach. Our model combines two temporal convolutional networks: the first network encodes future covariates of the time series, whereas the second network encodes past observations and covariates. We jointly estimate the parameters of an output distribution via these two networks. Experiments on four real-world datasets show that our method performs on par with four state-of-the-art probabilistic forecasting methods, including a Transformer-based approach and WaveNet, on two point metrics (sMAPE and NRMSE) as well as on a set of range metrics (quantile loss percentiles) in the majority of cases. We also demonstrate that our method requires significantly fewer parameters than Transformer-based methods, which means that the model can be trained faster with significantly lower memory requirements, which as a consequence reduces the infrastructure cost for deploying these models.     

基于BP神经网络的西安市宏观经济预测

宏观经济系统是一个复杂的非线性系统,对宏观经济进行预测应采用非线性的工具进行建模。采用BP神经网络对西安市宏观经济指标进行预测,此预测模型只需少量训练样本就可以确定网络的权值和阈值。实验表明模型预测精度高,能够对西安市宏观经济系统中的非线性关系进行描述,使建立的非线性模型与实际系统更加接近。     

核电站备件库存金额预测方法

设计了一种对入库金额和领用金额进行预测的方法,基于核电站的历史入库数据、维修领用数据,通过入库金额和领用金额对库存金额进行预测,并以某核电站为例进行仿真验证,当预测时长为12个月时,入库金额预测的平均相对误差为7.77%,领用金额预测的平均相对误差为7.83%,库存金额预测的平均相对误差为3.59%,基本满足核电备件管理中对库存金额预测精度的要求。     

基于RBF神经网络的中国黄金市场价格预测

本文以上海黄金市场的现货交易为研究对象,鉴于传统的线性分析方法的局限性,构建了RBF神经网络非线性模型,对上海黄金市场的Au99.99开盘价进行了预测。结果证明,RBF神经网络模型为黄金价格预测提供了一种有效的高精度的预测工具。     

基于BP神经网络的安徽省物流需求预测研究

利用BP神经网络构建安徽省物流需求预测模型,在初步确定了预测模型的输入指标和输出指标后,通过灰关联分析,验证了两者之间的强关联性。借助MATLAB7.0软件实现了神经网络预测模型的建立,该模型揭示了输入指标与物流需求量指标之间的非线性映射关系。对训练好的网络进行仿真预测,预测精度较高,说明基于BP神经网络的物流需求预测模型是有效的。