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，输入已知序列值，输入要求的预测值； （7）显示或输出误差曲线或趋势曲线． 4时延神经网络挖掘算法步骤 时延反馈型网络又称输出时延反馈网络，是由多层前馈网与输出时延反馈两部分组成，典型结构如 图1所示前馈网输入由两部分组成:输出反馈和它们拍延迟线，ｚ。
表示一步延迟．在文中时延网络采 用RBF算法调整权值．下面说明时延网络的基本步骤． 图ｌ三层时延神经结构 4．1 在时刻ｆ，多层前馈网的输入/输出样本对 “（￡一1），“（ｆ一2），·．．，“（ｆ—ｍ），ｙ（ｆ~ｌ，），一（￡一2），-一，ｙ（ｆ一”）/洮（ｆ）（ｍ十”＝R输人） 4．2网络输出 ｙ（￡）＝，（ｙ（￡一1），ｙ（￡一2），…，，（ｆ一以），“（￡一1），“（￡一2），’一，“（ｆ—ｍ）；训） ＝，〔墨〕＝，〔∑ｗ＃（ｔ）¨ 式中:J。
为样本输入时，节点ｉ的第ｊ个输入；，（·）取可微型ｓ作用函数；ｗ。
为权值系数 4．3 目标函数 J（ｆ）＝告ｌI姐（ｒ）一ｙ（ｒ）｜｜2＝∑E（ｒ）＝专∑（蛐（ｒ）一了（ｒ））2 式中:ｒ＝ｌ，2，．．L．L为样本长度 一36—万 方数据 堑星！箜！茎王堕堡囹鳖塑煎矍垡堕壁堕壁塑堡堡型 4．4 训练网络 网络训练过程就是调整隐层及输入层的权值及阀值，使训练输出结果与样本的误差小于指定的ｅ 或在指定的训练次数不能得出满意的结果后，要求增加训练次数或改变学习率等由输出层，据目标函 数J，按梯度下降法反向计算逐层调整权值取步长为常值，可得到神经元ｊ到神经元ｆ的联接权ｆ＋1次 调整算式: ｗ。
（ｆ＋I）＝”＃（￡）一1ａJ（ｆ）/ａ‰（￡）＝‰（ｚ）＋△”。
（￡） 5时延神经网络算法运用 运用上述时延神经网络算法，前台利用VB程序通过ODBｃ编制数据库调用程序，后台在确定查询 主题、查询面、查询维的情况下，利用ｓQLｓｅｎ，ｅｒ语法编写综合数据抽取存储（ｓｔｏｒｅ）过程，查询结果放 在VB定义的多维数组中，之后，利用Ⅶ与MATｕ姬的通讯机制，编写MATLAB调用程序，调用在 MAｌｌ．AB下已编好的具有输入输出接口的＊M程序．MATｕ也中的M程序以ｖB多维查询结果数 据作为输入，经过NNET中BP、ART等进行神经元网络训练．如果训练结果在给定误差范围内，训练结 果作为预测的处理函数．若网络训练次数超过给定最大次数且不能达到误差要求，则需调整参数，重新 训练网络．挖掘过程结构流程如图2所示． 圈2时延神经网络应用流程 以某选煤厂1992~2000年销售记录的精煤量和出口煤量为例，利用上述算法及调用编好的Ⅶ程 序及MATｕ也神经元网络挖掘程序，选择年销售量作为查询面，经过综合数据的抽取后，对数据进行 时延格式输人，挖掘结果如图3所示．其中“＊”为实际序列，“＋”为预测序列．可以看出其中“＋”型曲线 和“＊”型曲线相比，横坐标提前一单位坐标，纵坐标基本相同．上述时延神经网络数据挖掘方法，较好地 运用了时序数列的时延性，预测了年销售数量，且与实际销售数量存在较小误差．拟合结果误差如图3 右图所示．可以看出时延网络的神经元挖掘方法可以较好地解决时序数据的时延问题，为流程供应链中 的时序数据的分析提供了一个较好的分析挖掘方法 6结论 连续流程供应链中存在的大量时序数据问题，在供应链信息集成的基础上，应用数据挖掘方法采掘 海量数据中蕴藏的知识，指导供应链优化运行，并将知识发现机制引入流程供应链的决策环节，使供应 链运营过程中的数据流转化为辅助供应链决策过程的知识流．但目前KDD研究还主要局限在离散企 业如零售Pｏｓ信息、银行欺骗诊断、销售菜篮子分析等领域．将I（【）D方法与流程供应链相结合，将 一37—万 方数据 塑室堕蔓盔堂堂塑（三堡垫查墼2 塑！堂箜！塑！！！坚堡2 SI】Iｎ-Sｑｕｄ曜ｄ Nｃｔ、ｖOｒｋ Eｎｏｒ ｎｌｒ 7 Eｐｏｃｈｓ —————~ —、 量ｌ矿 ； 可 ｌ 品 曼胪 ｜ ｜ O 2 4 6 EDｏｃｈ 闺3时延网络挖拥结果 KDD发现的知识转化为决策者的知识，形成知识网链且作为供应链运行的支撑链是需进一步研究的问 题． 〔参考文献〕 〔1〕高俊波，陆勤，蔡庆生，等．时序数据的模式发现算法研究〔J〕计算机工程，2002，26（8）:15~18 〔2 J MｃDａIｌｉｅｌ K H，ｗａｌｌａｃｅ K G Rｅａｌ ｔ而ｅ嘣ｎｅ ｖ蚰ｔｉ九ｏｎ萄ｍｕｌａｔｉ∞〔J〕眦ｎｉIｌｇ Eｒ画ｎｅｅIｊ】19，1997．49（8）:7ｌ~75 ｉ 3〕董卫军，高元宝基于神经网络的生产指标预测和分析方法研究〔J〕黄金，ｉ999，20（11）:14~17 〔4 J TMｕｎａｋａｔａ．KｎｏｗIｅｄ雕Dｉｓｃ。
ｖｅｒｙ〔J〕C〔相ｍｕｎｉｃａｔｉｏｎｓ 0ｆｔｈｅAｃM．L999，42（1”:26~29． 〔5 JJ卜ｈｎ，ｗ ｃ础，Y Yｉｎ Mｉｎ啦Sｅｇｒｎｅｎｔ-Wｉｓｅ ｐ豇ｊｏｄｉｃ Pａｔｔｅｌｌ】ｓ ｉｎ Tｉｍｅ_Rｅｌａｔｅｄ Dａｔａｂａｓ曙〔A〕陬E。
ｆ 1998 Iｎｔｌ ｏ）ｎｆ ｏｎ Kｎ（】ｗ】ｅｄｇｅⅡｓ∞ｖ口ｙ ａｎｄ Dａｔａ Mｊｎｌ『ｌｇ（KDD’98）〔ｃ〕 Nｅｗ Yｏｒｋ ａｔｙ，1998 214~2｛8 Tｈｅ Dａｔａ Mｉｎｉｎ2 ｏｆ Tｉｍｅ—SｅｒｉｅS ｏｆ Fｌｏｗ Sｕｐｐｌｙ Cｈａｉｎ Bａｓｅｄ ｏｎ Tｉｍｅ—Dｄａｙｅｄ NNET PｅｎｇCｈｅⅣ，Yｕｅ Dｏｎ91，Xｕ Sｈ计ａ一 （1 ｒ＊ｐａｒ廿11ｅｎｔ“C。
ｎｔ叫Sｃｌ∞ｃｅ柚ｄ EI珥ｉｎｅｃｒｉｎｇ，Nａｎｊｔ【ｌｇNｃⅡT越ｕｎｉⅦHｌ【ｙ，210042，Nａ嘶1ｆｌｇ，PRｃ） （2四罐ｅ。
ｆIT南ｒｍｍｔ∞“Eｌｅｃ廿｛嗣Eｎ舀ｎ。
咖．ａ加．22ｌ∞8，ｘ1吐ｈ。
ｕ，PRｃ） Aｂｓｔｒ卵ｔ:Aｉｍｉｎｇ ａｔ ｑｕ酋ｔｉｏｎ ｕｆ ｋｎａ州ｅｄｇｅ ｄｉｓ∞7叼ｒ ｏｆ山ｅ 1ａｒｇｅ ｑｕａ【ｉｔ砖ｏｆ ｔｉｒｎｅ_ｓ盯ｉｅｓ ｄａLａ ｉｎ∞ｎｔｉｎｕｏｕｓ ｎｏｗ ｓｕｐｐｌｙ ｃｈａｌｎ， ｔｋ ｐ哂ｅ叶0ｆ KDD ｂａｓｅｄ ｏｎ ｔｈｅ ｍｔ。
盯ａｔｅｄ ｉｎｆｏｎｎａｔｉ。
ｎ ｂ ｐｒ眦1ｔｅｄ ａｒLｄ ｔｈｅ 6ｍBｄｄａｙｄ Nｃ姬T诹印ｐｌｉｅｄ Tｈｅ ｑｕ麟ｔ油ｎ ｏｆ ａｂｕｎｄａｎｔ ｄａｔａ ａｎｄ ａｂｓｅｎｔ ｌⅡｌｄｗ【ｅｄｇｅ ｉｓ珊【ｖｅｄ ｉｎ ｔｉｒｎｅ_ｓ面铝ｄａｔａ Iｎ Lｈｅ ｐ删ｓｅ ｏｆ ｉｎｔ。
ｇｒａｔｊ 0ｆ1 ｏｆ ｔ｝ｍ ｒ坨ｈ哪ｒｋ ｄａｔａ，ｖｉSｕ出ｂａ- ｓｉｃ ｉｓ ｕｓｅｄ ｔｏ ｅｘｔTａｃｔ ｄａｔａ ａｓ ｔｈｅ ｉｎｐｕｔ ｓｅｑｕ印ｃｅ ｏｆ ｔｈｅ ｍｏｄｄ 0ｆ ｔ；ｍｅ-ｄｅｌａｙｅｄ NNET．NNET ｕ“ｓ ｏｆ MATLAB ａｒｅ ｕｔｉｉｉｚｅｄ ｔｏ 。
呻ｐｉｌｅ ｔｈｅ ｎｌ。
ｄｄ ｏｆ KDD ｔ0 ｆｉｎｄ ｔｈｅ ｐａｎｅｍ ｏｆｔｈｅ-ｓ“ｅｓ，ｆｏｆｅｃａｓｔ ｔｈｅ ｎｌI既ｏｆ ｄａｔａ，ｆｏｒｍ ｔｈｅ ｋｒｌ。
ｗIｅｄｇｅ ｃｈａ曲ａｎｄ ｕｓｅ ｉｔ ａｓ ｔｈｅ踟ｐｐｃｍ ｃ｝Iａｉｎ ｏｆ ｏｐｔｉｍ注ｅ ｏｐｅｒａｄｏｎ ｏｆ ｓｕPｐIｙ ｃｈａｉｎ Tｈｅ ａｂｏｖｅ ｍｅｔｈ。
出ｈａｖｅ ｂ唧侧驯ｃｃｅｓｓｆｕｌｌｙ幻ｓｏｌT砣∞ｄ ｐ碑ｐａｒａ ｔｉｍ ｌ￡ｅｙ ｗ0｜也:ｔｉｍｅ_ｄｄａｙｅｄ NNET，ｆｂｗ ｓｕｐｐｌｙ ｃｈａｉｎ，ｄａｔａ ｔIｌｉｎｉ“ｇ，ｋｎ刊ｅｄ斟ｃｈｉｎ 〔责任编辑:严海琳〕 一38万 方数据.
上一篇：
船体外板展开算法及程序实现
下一篇：
临床前药物安全性评价中毒性病理学新技术的应用
2013-10-19
