它 具有较大的创新性． 时延序列网络是指典有时间序列输人的神经网络，网络具有时延及反馈存在，网络中神经元的输人 一输ｍ不是简单的输入输出映射关系，对神经元网络的训练及输出具有复杂网络的动态特征时延序列 网络的输入输出的关系可用如下的差分方程描述”ｏ ｆｙ（Ｋ）＝Ｆ〔“（是），“（七一１），…，“（南一”）〕 １。

    （＆：（‰，１，‰：，…，％，）ｔ 式ｑ１ Ｊ为已知序列中困变量个数；Ｆ函数为输入输出间的映射关系；Ｋ为当前要预测的时问标识； ”表示ｙ（∞与“（＾）的”个时刻有关；“（＾）为输入序列，可由ｊ个单变量组成 由于时序关系，这种神经网络由输入延迟形成动态过程因为输入是动态时间变化序列，所以在有 足够输入序列情况下，可直接使用输出序列作为预测序列，由历史序列＞：“（＾一ｎ）及当前序列“（＾ｊ 构成输入输出序列动态调整预测序列．可知时延序列的特征为：输入序列随时间变化，由前序列构成输 入输出序列对网络进行训练．用训练好的网络可对下一时序进行预测所以本质上时延序列网络是一个 动态时序训练网络精确度与训练样本及要求的误差有关９‘５】． ３基于ＤＢ的时序神经网络算法结构 针对流程供应链时序数列特征，设计的基于ＤＢ的神经网络知识发现方法由三阶段构成：综合性数 据获取，网络构造训练，规则抽取 ３．１综合性数据获取 供应链链节中有许多时间维度的时序数列，根据决策需求可从不同时间粒度对时序数据进行规律 抽取、数据预测，根据流程行业数据分布特点采取了虚拟集市的数据构建方式”１，对于要处理的综合性 数据获取方式，本文采取如下做法： （１）确定主题域，选择查询面，确定查询维，从供应链数据集市中抽取综合性数据放在多维数组中； （２）前台Ⅵｊ程序一方面通过ｏＤＢｃ与ｓＱＩ，一Ｓｅ“ｅｒ数据库通讯并从中抽取数据．另一·方面通过Ⅵ｛ 的ＭＡＴＬＡＢ机制与＾＾＾Ｔ１．ＡＲ建立联系，调用已绵好的＊Ｍ程序，利用ｖＢ从数据集市中拙取的数据 作为神经网络的输入． ３．２网络构造和训练 根据综合数值序列的维度、时序维数确定网络结构，一是输入结点数，二是输出结点数，三是中间层 结点数对此有两种可能数据输入方式：①前后序列仅作为训练样本值，数值序列本身中含有输入输出 对例如对成本结构进行预测，时问序列中已包含不同成本构成要素值及成本值，不同时间序列仅作为 训练样本进行训练，不同序列间没有前后关系．②后一序列作为前一序列的输出，前一序列作为后一序 列的输入，时间序列之间存在耦合关系．例如对销售总量进行预测时，根据前几年的综合性数据构造时 序输入序列及推后·时间单位的输出序列进行输入输出的示教训练． 接３．１节步骤，对训练网络： （３）ｖＢ凋用ＭＡＴＩＡＢ中的神经网络工具箱进行神经网络训练，已抽取的综合时序数列作为输入 输出值； 一３５—万　 方数据 南京师范大学学报（工程技术版） 第２卷第４期（２００２年） （４）编制的ＭＡＴｕ出应用程序根据输入输出值序列智能判断采取合适的训练算法． 在第二类输入输出中通过实际仿真发现采用ＢＰ算法不如采用径向基函数算法快速因为ＢＰ采用 全局逼近神经网络，网络中的一个或多个数值自适应可调参数在输入的每一点对任何一个输出都有影 响，对于每一个输入输出数据对，网络的权值都需要调整，从而导致全局逼近网络学习速度很慢．因学习 时间过长，存在较大时滞，这个缺点对实时控制来说常常是不可忽视的．而局部逼近网络对于输入输出 数据对，只有少量的权值需要进行调整。

    从而使局部逼近网络具有学习速度快的优点．根据上述分析在 训练中采用ＲＢＦ算法，在准确性、及时性方面取得较好的效果． ３．３训练结果使用 利用网络训练结果，输入要预测的序列值，将输出序列作为决策等的依据．对３．２节的第二种时序 输入形式而言，将当前输出序列与上一时刻序列构成新的输入序列作为神经网络模型输入即可得下一 个序列的预测值为保持连贯性，接３．２节这一步骤为： （５）选取输入值（从数据集市中或从已抽取的数组中选取）； （６）利用训练好的网络，输入已知