基于RBF神经网络技术的企业库存控制研究∗

谢荣燕 赵 明

（1.河海大学商学院 南京 211100）（2.海军航空大学 烟台 264000）

1 引言

神经网络是一种能适应新环境的系统，它通过对过去经验（信息）的重复学习，而具有分析、预测、推理、分类等功能，是当今能够效仿人类大脑去解决复杂问题的系统，神经网络是人工智能技术领域的重要方向，本文利用神经网络利用其算法，建立预测模型，对企业的库存控制进行预测评价［1～2］。

2 RBF神经网络内涵

2.1 BP神经网络内涵

人工神经网络基本单元是神经元，其模型如图1 所示［3～5］。

图1 人工神经元模型

这里介绍误差反向传播网络（Back Propaga⁃tion Network，BP网络）。BP模型是一个多层感知器，是由输入层、中间层（隐层）和输出层构成的前馈网络，如图2所示。

图2 BP网络模型图

2.2 RBF神经网络内涵

1985年，Powell提出了多变量差值的径向基函数方法。1988年，Broomhead和Lowe在此基础上提出了径向基神经网络，也就是RBF神经网络结构。径向基神经网络采用高斯函数等径向基函数作为神经元传递函数，能够实现非线性关系的映射，目前已广泛应用于数据预测。径向基函数属于多层前向型神经网络，其结构如图3所示［7～10］。

图3 RBF网络结构

3 基于RBF神经网络的企业库存控制的预测评估

基于RBF神经网络的企业库存控制的预测的步骤与BP网络的基本相同，唯一不同的是网络训练。应用Matlab工具进行网络训练时，仅需人工指定径向基函数分布密度SPREAD，这通常需要进行试运算，根据其拟合函数的平滑度和误差来合理折中选取［11］。

通过对某企业进行调研，对某类商品销售数量的数据进行分析整理，以连续的8个月的数据作为输入，下一月的数据作为输出，分别应用BP网络和RBF网络来预测，样本数据如表1所示，前28组作为训练样本，对网络进行训练；后12组作为测试样本，通过预测值与真实值对比进行误差分析。

为了对比BP网络和RBF网络的预测效果，本文分别基于BP网络和RBF网络进行了参数的训练试运算，最后对某企业某类商品月销量的进行了预测。BP网络隐层取不同神经元数的训练的误差曲线及预测的误差曲线见图4、图5。RBF网络散布函数SPREAD取不同值的预测误差也会不同如图6。BP神经网络和RBF神经网络预测的误差的对比曲线如图 7［12～13］。

表1 某企业某类商品月销量

图4 BP网络训练误差曲线（n=5，7，9，11）

图5 BP网络训练预测误差曲线（n=5，7，9，11）

由图4、图5看出，由于隐含层的神经元层数的不同，BP神经网络的训练误差与预测误差比较相对偏大一些，所以预测结果也会有较大偏差。当隐含层的神经元层数取7时，收敛速度是相对最快，预测误差是相对最小的，所以预测时BP网络隐含层神经元层数将设定为 7［14］。

由图6可看出，RBF神经网络的散布常数SPREAD不同，RBF网络训练和预测误差也会有不同的变化。当散布函数SPREAD取2时，网络的预测误差是相对最小的，所以在预测是RBF网络的散布常数SPREAD设定为2［15］。

图6 RBF网络训练预测误差曲线（SPREAD=0.5，1，2，4）

图7 BP网络和RBF网络训练预测误差对比曲线（n=7，SPREAD=1）

由图7可看出，基于RBF网络的预测误差相对与基于BP网络的预测误差较小，预测结果略为精确。

基于BP网络和RBF网络的某企业某类商品月销量预测结果见表3、表4。

表3 基于BP网络的某企业某类商品月销量预测值

表4 基于RBF网络的某企业某类商品月销量预测值

通过对比算例中BP网络和RBF网络的训练误差可以得知，RBF网络预测精度高于BP网络，预测误差较小，效果令人满意，更适用于某企业某类商品月销量预测［16］。

4 结语

利用神经网络技术对企业库存控制进行预测，方法简单，对数据的样本量要求较少，预测过程比较客观，不存在主观因素。本文介绍了两种用于预测的人工神经网络即BP神经网络和RBF神经网络，在调研数据的基础上，对某企业某类商品的月销量分别利用BP神经网络和RBF神经网络进行仿真，最后对仿真结果进行分析，得出人工神经网络在企业库存控制预测和评价的实际应用中是可以实现的，可以高效、准确地对商品的销量进行预测。尤其是基于RBF神经网络预测模型误差更小，预测结果更加精确。因此，运用神经网络技术能够较好地解决企业库存控制的预测问题，实现企业运营成本的科学筹划。