CN105976049A - 基于混沌神经网络的库存预测模型及其构造方法 - Google Patents

Abstract

一种基于混沌神经网络的库存预测模型及其构造方法，成品库存的备货量在精准配送中是关键的因素，成品库存量充足则精准配送就有了保障，但成品库存量高会给企业带来高风险，一方面原卷加工成成品后就很难再用于加工其他物料成品，一旦用户不使用就很可能变成废品，另一方面成品库存占用较大的库存空间，会使本来就有限的库容变得更加紧张。本发明将工作分成两个阶段来展开，先是学习阶段，通过近三年样本公司全部配送用户的数据作为样本建立模型，利用这些样本对混沌神经网络的连接权系数进行学习和调整，以使网络实现给定的输入输出关系；然后是实施阶段，使用已经训练成型的神经网络获取预期的效果，建立完善运算模型，实现库存量的合理设置。

Description

基于混沌神经网络的库存预测模型及其构造方法

技术领域

本发明引入一种经过改进的Aihara混沌神经网络模型，对配送成品备库进行合理预测，具体地指一种基于混沌神经网络的库存预测模型及其构造方法。

背景技术

成品库存的备货量在精准配送中是关键的一个因素，成品库存量充足则精准配送就有了保障，但是成品库存量高会给企业带来高风险，一方面原卷加工成成品后就很难再用于加工其他物料成品，一旦用户不使用就很可能变成废品，另一方面成品库存占用较大的库存空间，会使本来就有限的库容变得更加紧张。

以往的做法是给成品库存设定一个下限值，这样会导致有的零件成品库存过高，几个月都消耗不完，有的零件的成品库存就过低，随着全球化信息网络和全球化市场形成形成及技术变革的加速，配送中紧急拉动每天都有几笔，这种紧急拉动的频繁出现给生产组织带来了极大的压力，造成了生产的无序化，严重的影响着准时准量将货物配送到用户。市场经济条件下外部环境是瞬息万变的，影响成品库存也有较多的因素，且各个因素有着复杂的内在联系，很难通过简单的公式来建立一个合适的数据模型，所以实际的效果往往很差。

库存需求特征分析主要是从两方面着手，其一是从影响库存需求的影响因素进行分析，发现影响库存需求的因素是多种多样和纷繁复杂的，其二从库存需求量的角度进行分析，发现影响因素与库存需求量之间的关系模糊复杂，库存需求量呈现高度的不规律的非线性特征。通过对整个供应链环节中各项因素的分析，我们找到了影响库存 需求量的8项因素，分别为：用户的要货计划(到零件)、整车厂车辆生产计划、运输距离、节假日、季节、运输车辆年限、不同品种、设备产能等。同时考虑到库存需求量总是呈现出高度不规律的非线性特征，所以传统的预测方法，如线性回归分析、非线性回归分析、时间序列模型等很难在企业中实施。近几年的研究成果表明，神经网络技术已被成功应用于股票预测、农产品价格预测等领域，并取得卓越成效，因此其在预测领域的适用性毋庸置疑。通过将混沌动力学引入神经网络，可以有效克服神经网络容易陷入局部最小的缺点，预测效果也会得到显著提升。

混沌是确定性系统的固有随机产生的外在复杂表现，是一种貌似随机的非随机运动，表现出非常复杂的非线性动力学行为。混沌是复杂的系统，迄今为止混沌一词还没有一个普遍适用的数学定义。混沌运动只出现在非线性动力系统中，它是既普遍又极复杂的现象。时至今日，科学上仍没有能给混沌下一个完全统一的定义，它的定常状态不是通常概念下确定性运动的三种状态：静止、周期运动和准周期运动，而是一种始终局限于有限区域且轨道永不重复的、性态复杂的运动。混沌具有不重复地经历一定范围内的所有状态的遍历性。因此，与常规神经网络不同，混沌神经网络不是按照梯度下降方法进行搜索，而是在混沌吸引子的相空间内按照一定的分形结构进行“自抑制”搜索，从而有效地避免了局部极小问题。

混沌神经网络技术的发展源远流长，相关应用也是多种多样。一些学者提出了多种类型的混沌神经网络模型，其中最具代表性的大致有两种：(1)Aihara是依据动物实验提出的模型：通常可以认为Aihara混沌神经网络模型是将混沌动力引入传统的Hopfield神经网络模型，并作为后者的自然扩展。在Aihara混沌神经网络模型中，每个神经元同时受到外部输入项和网络内部反馈项的作用，并且这种作用同不应项一样随时间指数衰减，同时每个神经元都受到网络中所有神经元的作用，因此神经元是多输入单输出的。网络的混沌特性由Lyapunov 指数谱来度量，Lyapunov指数是吸引子的局部稳定性的度量估计，正Lyapunov指数表示轨道附近的平均指数发散，负Lyapunov指数表示轨道的平均指数收敛于吸引子。如果最大Lyapunov指数至少有一个为正值，则认为网络处于混沌状态。当K，α，ai接近零时，系统从混沌神经网络模型向Hopfield模型转化。该混沌神经网络既有可能逃离具有混沌过渡期的伪状态，又有像Hopfield模型一样联想目标图案的功能。(2)Inoue依据Logistic映象提出的模型：1991年Inoue等提出用耦合的混沌振荡子作为单个神经元，构造混沌神经网络的方法。耦合的混沌振荡子的同步和异步分别对应神经元的激活和抑制两个状态。虽然混沌是由简单的确定性规则产生的，但它包含规则性和不规则性两个方面。耦合的混沌振荡子的同步来自规则性，而不规则性可产生随机搜索能力。

经过调研发现，国内已有许多将混沌神经网络技术应用在预测领域的研究成果，上述研究对混沌神经网络的应用方法大致相同：取得所需预测值的时间序列，对该序列进行相空间重构，寻找混沌特性，然后将包含混沌规律的一系列数据集导入传统神经网络结构(如BP网络，Hopfield网络)，对网络进行训练，最后使用已训练的网络进行预测。然而该方法存在以下几点不足：(1)输入因素单一。时间序列只是考虑到“实践性”影响因素，但是影响库存需求的因素往往是多方面的，比如消费者偏好、价格等因素。(2)当输入数据集并未表现出混沌特性或混沌特性不明显时，该模型和传统神经网络模型一样容易陷入局部最小。(3)由于神经网络模型内部并未引入混沌动力，所以该模型对系统混沌动力学的联想和泛化推广能力较弱，预测效果往往不甚理想。

发明内容

本发明的目的在于，克服上述各种因素中存在的弊端，提供一种基于混沌神经网络的预测模型，具有非线性动力系统的特性和 处理大量输入、输出数据的能力，能够模仿人脑的识别能力，解释成品库存因素数据中的复杂关系，能够非常好的适应配送过程中的复杂动态变化的环境进行自适应的学习，从而构造基于混沌神经网络的库存预测模型，提高计算速度与预测精度。

实现本发明的技术方案是，这种基于混沌神经网络的库存预测模型，

其基本单元为混沌神经元，所述混沌神经元的主要参数包括：神经网络内部各神经元的反馈项h_j[y_j(k)]、来自神经网络外部的输入项I(k)、来自于神经元自身的不应性(神经元被激活后，对自身的记忆延迟影响，即为不应性)影响g_i[x_i(k)]、神经元x_i(k)的阈值θ_i；

所述基于混沌神经网络的库存预测模型中，在第i个混沌神经元在第k+1时刻的动态行为可由以下公式表示：

y_i(k+1)＝f_N(x_i(k+1)) (2.2)

式中，x_i(k+1)为第i个混沌神经元在第k+1时刻的输入；y_i(k+1)为第i个混沌神经元在第k+1时刻的输出；B为外部输入项、反馈输入项和不应项衰减率；为从第j个外部输入节点到第i个混沌神经元的连接权重；F为从外部输入节点到该混沌神经元的权重空间标记；为从第j个反馈输入节点到第i个混沌神经元的连接权重；R为从反馈输入节点到该混沌神经元的权重空间标记；I_j(k)为第j个外部输入节点在k时刻的输入；h_j为反馈函数；f_N为sigmoid函数；g_i[f_N(x_i(k))]为第i个混沌神经元在k时刻自身的不应项；n和m分别为与第i个混沌神经元相连的外部输入节点个数和反馈输入节点个数；θ_i为第i个混沌神经元的阈值。

所述式(2.1)中，当i＝j，即考虑到混沌神经元的自反馈时， 与αg_i[f_N(x_i(k))]相交迭，故在改进模型中可将αg_i[f_N(x_i(k))]简化，令θ_i*(1-B)为0；h_j取自变量的恒等函数，即h_j(k)＝k。

在改进混沌神经网络中第i个混沌神经元在第k+1时刻的动态行为 可描述为：

y_j(k+1)＝f_N(x_i(k+1)) (2.4)

优选地，所述基于混沌神经网络的库存预测模型为全连接网络，有两个权重连接方向：一、隐层和输出层的同层结点的相互连接，包括隐层节点及输出层节点的自反馈；二、输入层与隐层及隐层与输出层的层间节点的前向连接，为了增加网络的动态性能，避免采用对称网络形式，在这里令

最后得到的混沌神经网络模型可用以下公式表示：

对于隐层第j个节点在k时刻的内部状态，可用表述为

对于输出层结点，其在k时刻的内部状态可用S^o(k)表示，输出可用y(k)表示，则有

y(k)＝f_N[S^o(k)] (2.9)。

上述基于混沌神经网络的库存预测模型的构造方法，包括：混沌神经网络模型的建立、网络训练、库存预测误差评价三个步骤；

步骤一：混沌神经网络模型的建立，所述混沌神经网络模型为三层网络拓扑结构，包含输入层，隐含层，和输出层三个层次；所述输入层是指通过对供应链环节中各项因素的分析，将影响企业库存水平的8项因素作为混沌神经网络的输入向量，分别为：用户的要货计划(到零件)、整车厂车辆生产计划、运输距离、节假日、季节、运输车辆年限、不同品种、设备产能等。相应地，确定输入层节点数量为8个；规定参数用下面的变量形式表示(其中k为时间变量)：x₁:用户要货计划；x₂:整车厂车辆生产计划；x₃:运输距离；x₄:节假日；x₅:季节；x₆:运输车辆年限；x₇:零件的品种；x₈:设备产能水平；所述输出层是指将代表预测结果的量作为神经网络的输出，设定输出层节点个数，输 出结果是某零件两周内成品库存量，输出层节点数量为1，其中：S^o(k)：表示输出层节点在k时刻的状态；G：表示零件的预测库存量；所述隐含层中，代表隐含层第j个节点在k时刻的内部状态；

变量定义：

输入向量：X＝(x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈)

隐含层输入向量：Si^H＝(si^H ₁，si^H ₂，so^H ₃。。。，si^H ₁₀)

隐含层输出向量：So^H＝(so^H ₁，so^H ₂，so^H ₃。。。，so^H ₁₀)

输出层输入向量：Si＝(si)

输出层输出向量：So＝(so)

预测库存：G

输入层与隐含层间的连接权重矩阵：W^I

隐含层与输出层间的连接权重矩阵：W^O

隐含层和输出层的自反馈权重矩阵：W^OR

各神经元的阈值：b

最大学习次数：M

步骤二：网络训练，采集零件库存历史数据，按照上一步骤中的网络模型的输入各项参数后，就开始用训练样本来训练网络，经过训练之后，网络充分吸收历史样本中所包含的模糊复杂的规律；

步骤三：误差评价，采用对观测值均值归一化的均方根误差，其公式为

其中N为数据点个数，P_i为预测数据值，O_i为观测数据值，O_m为观测数据的个数，i为数据序号；对观测值均值归一化的均方根误差反映了预测值对观测值的平均偏离程度，取值大于或等于零，预测无误差时等于零，误差允许值为ε＝10^-4，在误差允许的情况下即可认为该模型已经具备实用条件。

所述步骤二中，网络训练又具体包括如下步骤：

第一步：网络初始化

给个连接权值设置一个初值，该初值的取值范围规定为(-1,1)，设定计算最大允许误差ε＝10^-4和最大学习次数M；

第二步：随机选取三年对应的历史数据第k个样本作为输入，其中H(k)为数据中的实际库存，并通过模型计算对应的期望输出，

X(k)＝(x₁(k),x₂(k),x₃(k),x₄(k),x₅(k),x₆(k),x₇(k),x₈(k))

G(k)

第三步：计算隐含层和输出层各神经元的输入和输出

隐含层：

输出层：

y(k)＝f_N[S^O(k)]

第四步：利用网络期望输出和实际的历史数据，使用遗传算法修正各连接权重矩阵的权值：

(1)按输入层至隐含层，隐含层至输出层的顺序，连接神经网络的权值和阈值随机产生n个染色体，形成初始化种群；

(2)计算每个染色体的适应值，适应度值为均方误差函数，误差越小，适应度越高；

(3)选择适应度大的个体遗传给下一代对其进行选择，交叉，变异操作，产生下一代种群；

(4)判断是否达到结束条件，如满足转到(5)，否则返回(2)；

(5)选择最优个体作为神经网络的初始权值和阈值；

第五步：计算预测库存误差；

E＝|G(k)-H(k)|/H(k)

第六步：判断预测误差是否满足要求；当误差满足精确度要求或者训练次数大于M的情况下终止训练过程；否则选取下一样本，返回步骤儿继续神经网络的训练过程。

该模型允许的最大误差ε＝10^-4。在用遗传算法调整各连接权值过程中，适应度函数主要考虑神经网络输出的准确性，f_ness＝1/f₁(t)，f₁(t)为模型期望输出和实际输出之间的均方差；算术交叉运算中，交叉概率为0.90，非均匀交叉参数α取(-0.5,1.5)之间的随机数；非一致变异运算中，变异概率为0.10，λ取为2.5，完成权重优化过程；混沌神经元的衰减率B可通过仿真测试确定，B取0.1。

本发明的优点在于：引入了一种经过改进的混沌神经网络模型。该模型拥有多维输入，且神经网络内部特性具有混沌机制，对负荷初值和混沌轨迹的游动性有较强的敏感性，可将微观空间分散记忆的信息利用混沌加以放大，从而发现数据之间的潜在联系。

引入遗传算法代替传统神经网络中的BP算法来调整网络中各连接的权值，有效避免了陷入局部最小的情况，全局寻优能力较强。

使用混沌神经网络对库存进行预测，相比于普通的神经网络而言，混沌具有不重复地经历一定范围内的所有状态的遍历性。利用这一特点，混沌可以有效的避免在搜索全局最优解的过程中陷入局部最小解，从而更易于获取更高质量全局最优解。

传统混沌神经网络模型的训练方法用BP算法获取不同层间的连接权重；用Hebb算法调整同层结点间的连接权重。我们的改进为：采用遗传算法调整网络的2个方向的权值，改进后的混沌神经网络除具有全局优化性能外，还有易于编程和通用性强的优点。

附图说明

图1是混沌神经元模型示意图；

图2是混沌神经网络预测模型示意图；

图3是模型训练过程示意图；

图4是混沌神经网络三层模型示意图；

具体实施方式

下面结合附图和具体实施例对本发明作进一步的详细说明。

本发明提供一种基于混沌神经网络的预测模型，具有非线性动力系统的特性和处理大量输入、输出数据的能力，能够模仿人脑的识别能力，解释成品库存因素数据中的复杂关系，能够非常好的适应配送过程中的复杂动态变化的环境进行自适应的学习，从而构造基于混沌神经网络的库存预测模型，提高计算速度与预测精度。

这种基于混沌神经网络的库存预测模型，其基本单元为混沌神经元，所述混沌神经元的主要参数包括：神经网络内部各神经元的反馈项h_j[y_i(k)]、来自神经网络外部的输入项I(k)、来自于神经元自身的不应性(神经元被激活后，对自身的记忆延迟影响，即为不应性)影响g_i[x_i(k)]、神经元x_i(k)的阈值θ_i；

所述基于混沌神经网络的库存预测模型中，在第i个混沌神经元在第k+1时刻的动态行为可由以下公式表示：

y_i(k+1)＝f_N(x_i(k+1)) (2.2)

式中，x_i(k+1)为第i个混沌神经元在第k+1时刻的输入；y_i(k+1)为第i个混沌神经元在第k+1时刻的输出；B为外部输入项、反馈输入项和不应项衰减率；为从第j个外部输入节点到第i个混沌神经元的连接权重；F为从外部输入节点到该混沌神经元的权重空间标记；为从第j个反馈输入节点到第i个混沌神经元的连接权重；R为从反馈输入节点到该混沌神经元的权重空间标记；I_j(k)为第j个外部输入节点在k时刻的输入；h_j为反馈函数；f_N为sigmoid函数；g_i[f_N(x_i(k))]为第i个混沌神经元在k时刻自身的不应项；n和m分别为与第i个混沌神 经元相连的外部输入节点个数和反馈输入节点个数；θ_i为第i个混沌神经元的阈值。神经元模型如图1所示。

所述式(2.1)中，当i＝j，即考虑到混沌神经元的自反馈时， 与αg_i[f_N(x_i(k))]相交迭，故在改进模型中可将αg_i[f_N(x_i(k))]简化，令θ_i*(1-B)为0；h_j取自变量的恒等函数，即h_j(k)＝k。

在改进混沌神经网络中第i个混沌神经元在第k+1时刻的动态行为可描述为：

y_j(k+1)＝f_N(x_i(k+1)) (2.4)

本实施例中，输入节点选取为三个，输出节点选取为一个，如图2所示；

所述基于混沌神经网络的库存预测模型为全连接网络，有两个权重连接方向：一、隐层和输出层的同层结点的相互连接，包括隐层节点及输出层节点的自反馈；二、输入层与隐层及隐层与输出层的层间节点的前向连接，为了增加网络的动态性能，避免采用对称网络形式，在这里令W^I和W^O分别表示输入层节点到隐含层节点以及隐含层节点到输出层节点之间的连接权重矩阵。W^OR只表示输出层节点的自反馈权重矩阵，包括隐层节点及输出层节点的自反馈。

图2中的l、m分别表示网络中输入层和隐层节点个数，输出层节点个数为1。ui(k)表示第i个输入节点在k时刻的输入，xj(k)表示隐含层第j个神经元在k时刻的输出，B表示衰减率参数。W1和WO分别表示输入层节点到隐含层节点以及隐含层节点到输出层节点之间的连接权重矩阵。

最后得到的混沌神经网络模型可用以下公式表示：

对于隐层第j个节点在k时刻的内部状态，可用表述为

对于输出层结点，其在k时刻的内部状态可用S^O(k)表示，输出可用y(k)表示，则有

y(k)＝f_N[S^O(k)] (2.9)。

上述基于混沌神经网络的库存预测模型的构造方法，包括：混沌神经网络模型的建立、网络训练、库存预测误差评价三个步骤；

步骤一：混沌神经网络模型的建立，所述混沌神经网络模型为三层网络拓扑结构，包含输入层，隐含层，和输出层三个层次；如图4所示。所述输入层是指通过对供应链环节中各项因素的分析，将影响企业库存水平的8项因素作为混沌神经网络的输入向量，分别为：用户的要货计划(到零件)、整车厂车辆生产计划、运输距离、节假日、季节、运输车辆年限、不同品种、设备产能等。相应地，确定输入层节点数量为8个；规定参数用下面的变量形式表示(其中k为时间变量)：x₁:用户要货计划；x₂:整车厂车辆生产计划；x₃:运输距离；x₄:节假日；x₅:季节；x₆:运输车辆年限；x₇:零件的品种；x₈:设备产能水平；所述输出层是指将代表预测结果的量作为神经网络的输出，设定输出层节点个数，输出结果是某零件两周内成品库存量，输出层节点数量为1，其中：S^O(k)：表示输出层节点在k时刻的状态；G：表示零件的预测库存量；所述隐含层中，隐含层神经元的个数确定是一个比较复杂的问题，到目前为止还没有明确的理论指导，更没有一个确定的数学公式。而隐含层节点数对神经网络的泛化能力、预测水平有很大的影响。如果节点数过少，网络在学习过程可能不收敛，更不可能逼近样本数据；如果节点数过多，那么神经网络就具备记住所有训练数据的特性，甚至包括了一些噪声数据的影响，反而降低了神经网络泛化能力和预测水平。

在实际操作中为了确定神经网络隐含层节点数，主要靠经验积累法和多次实验法。参照其他研究成果，将隐含层节点个数设置为10个是一个合适的数值，能得到较好的预测效果。隐含层第j个节点在 k时刻的内部状态

该模型允许的最大误差ε＝10^-4。在用遗传算法调整各连接权值过程中，适应度函数主要考虑神经网络输出的准确性，f_ness＝1/f₁(t)，f₁(t)为模型期望输出和实际输出之间的均方差；算术交叉运算中，交叉概率为0.90，非均匀交叉参数α取(-0.5,1.5)之间的随机数；非一致变异运算中，变异概率为0.10，λ取为2.5，完成权重优化过程；混沌神经元的衰减率B可通过仿真测试确定，B取0.1。

输入层有8个神经元，隐含层设定10个神经元，输出层设置1个神经元用于输出零件的预测库存。变量定义：

输入向量：X＝(x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈)

隐含层输入向量：Si^H＝(si^H ₁，si^H ₂，so^H ₃。。。，si^H ₁₀)

隐含层输出向量：So^H＝(so^H ₁，so^H ₂，so^H ₃。。。，so^H ₁₀)

输出层输入向量：Si＝(si)

输出层输出向量：So＝(so)

预测库存：G

输入层与隐含层间的连接权重矩阵：W^I

隐含层与输出层间的连接权重矩阵：W^O

隐含层和输出层的自反馈权重矩阵：W^OR

各神经元的阈值：b

最大学习次数：M

步骤二：网络训练，采集零件库存历史数据，按照上一步骤中的网络模型的输入各项参数后，就开始用训练样本来训练网络，经过训练之后，网络充分吸收历史样本中所包含的模糊复杂的规律；

混沌神经网络并不是即插即用系统，在进行库存预测之前需要按照特定的应用环境对神经网络模型进行训练。模型训练过程如图3所示；

步骤三：误差评价，采用对观测值均值归一化的均方根误差，其公式为：

其中N为数据点个数，P_i为预测数据值，O_i为观测数据值，O_m为观测数据的个数，i为数据序号；对观测值均值归一化的均方根误差反映了预测值对观测值的平均偏离程度，取值大于或等于零，预测无误差时等于零，误差允许值为ε＝10^-4，在误差允许的情况下即可认为该模型已经具备实用条件。

上述步骤二中，网络训练又具体包括如下步骤：

第一步：网络初始化

给个连接权值设置一个初值，该初值的取值范围规定为(-1,1)，设定计算最大允许误差ε＝10^-4和最大学习次数M；

第二步：随机选取三年对应的历史数据第k个样本作为输入，其中H(k)为数据中的实际库存，并通过模型计算对应的期望输出，

X(k)＝(x₁(k),x₂(k),x₃(k),x₄(k),x₅(k),x₆(k),x₇(k),x₈(k))

G(k)

第三步：计算隐含层和输出层各神经元的输入和输出

隐含层：

输出层：

y(k)＝f_N[S^O(k)]

第四步：利用网络期望输出和实际的历史数据，使用遗传算法修正各连接权重矩阵的权值：

(6)按输入层至隐含层，隐含层至输出层的顺序，连接神经网络的权值和阈值随机产生n个染色体，形成初始化种群；

(7)计算每个染色体的适应值，适应度值为均方误差函数，误差越小，适应度越高；

(8)选择适应度大的个体遗传给下一代对其进行选择，交叉，变异操作，产生下一代种群；

(9)判断是否达到结束条件，如满足转到(5)，否则返回(2)；

(10)选择最优个体作为神经网络的初始权值和阈值；

第五步：计算预测库存误差；

E＝|G(k)-H(k)|/H(k)

第六步：判断预测误差是否满足要求；当误差满足精确度要求或者训练次数大于M的情况下终止训练过程；否则选取下一样本，返回步骤二继续神经网络的训练过程。

混沌神经网络技术是一种典型的黑箱技术，它具有非线性动力系统的特性和处理大量输入、输出数据的能力，能够模仿人脑的识别能力，解释成品库存因素数据中的复杂关系，能够非常好的适应配送过程中的复杂动态变化的环境进行自适应的学习。通过需求分析，构建模型，训练模型三个步骤，就能从模型中得到较为理想的预测结果。

此外，在进行连接权值计算的过程中使用遗传算法代替BP神经网络的方法，有效避免了取值的局部最小，同时显著提高了收敛速度，采用遗传算法优化混沌神经网络权值计算的方法使模型的计算速度和预测精度显著提高。

Claims (6)

1.一种基于混沌神经网络的库存预测模型，其特征在于：

所述库存预测模型的基本单元为混沌神经元，所述混沌神经元的主要参数包括：神经网络内部各神经元的反馈项h_j[y_j(k)]、来自神经网络外部的输入项I(k)、来自于神经元自身的不应性(神经元被激活后，对自身的记忆延迟影响，即为不应性)影响g_i[x_i(k)]、神经元x_i(k)的阈值θ_i；

所述基于混沌神经网络的库存预测模型中，在第i个混沌神经元在第k+1时刻的动态行为可由以下公式表示：

$\begin{array}{c}{x}_i(k+1)=\\ {\mathrm{Bx}}_i\left(k\right)+{\mathrm{\Σ}}_{j=1}^n{w}_{ij}^F{I}_j\left(k\right)+{\mathrm{\Σ}}_{j=1}^m{w}_{ij}^R{h}_j*\[f_N\left(x_i\right(k\left)\right)\]-{\mathrm{\αg}}_i\[f_N\left(x_i\right(k\left)\right)\]-{\mathrm{\θ}}_i*(1-B)\end{array}---\left(2.1\right)$

y_i(k+1)＝f_N(x_i(k+1)) (2.2)

式中，x_i(k+1)为第i个混沌神经元在第k+1时刻的输入；y_i(k+1)为第i个混沌神经元在第k+1时刻的输出；B为外部输入项、反馈输入项和不应项衰减率；为从第j个外部输入节点到第i个混沌神经元的连接权重；F为从外部输入节点到该混沌神经元的权重空间标记；为从第j个反馈输入节点到第i个混沌神经元的连接权重；R为从反馈输入节点到该混沌神经元的权重空间标记；I_j(k)为第j个外部输入节点在k时刻的输入；h_j为反馈函数；f_N为sigmoid函数；g_i[f_N(x_i(k))]为第i个混沌神经元在k时刻自身的不应项；n和m分别为与第i个混沌神经元相连的外部输入节点个数和反馈输入节点个数；θ_i为第i个混沌神经元的阈值。

2.根据权利要求1所述的基于混沌神经网络的库存预测模型，其特征在于：所述式(2.1)中，当i＝j，即考虑到混沌神经元的自反馈时，与αg_i[f_N(x_i(k))]相交迭，故在改进模型中可将αg_i[f_N(x_i(k))]简化，令θ_i*(1-B)为0；h_j取自变量的恒等函数，即h_j(k)＝k。

在改进混沌神经网络中第i个混沌神经元在第k+1时刻的动态行为可描述为：

$x_i(k+1)={\mathrm{Bx}}_i\left(k\right)+{\mathrm{\Σ}}_{j=1}^n{w}_{ij}^F{I}_j\left(k\right)+{\mathrm{\Σ}}_{j=1}^m{w}_{ij}^R{y}_j\left(k\right)---\left(2.3\right)$

y_j(k+1)＝f_N(x_i(k+1)) (2.4)

$f_N\left(x_i\right(k+1\left)\right)=1/(1+e^{-x_i(k+1)})---\left(2.5\right)$

3.根据权利要求1所述的基于混沌神经网络的库存预测模型，其特征在于：所述基于混沌神经网络的库存预测模型为全连接网络，有两个权重连接方向：一、隐层和输出层的同层结点的相互连接，包括隐层节点及输出层节点的自反馈；二、输入层与隐层及隐层与输出层的层间节点的前向连接，为了增加网络的动态性能，避免采用对称网络形式，在这里令

W^I和W^O分别表示输入层节点到隐含层节点以及隐含层节点到输出层节点之间的连接权重矩阵，W^OR只表示输出层节点的自反馈权重矩阵，包括隐层节点及输出层节点的自反馈；

最后得到的混沌神经网络模型可用以下公式表示：

对于隐层第j个节点在k时刻的内部状态，可用表述为

$S_j^H\left(k\right)={\mathrm{\Σ}}_{i=1}^l{w}_{ij}^I{u}_i\left(k\right)+{\mathrm{\Σ}}_{q=1}^m{w}_{qj}^{IR}{x}_q(k-1)+B*S_j^H(k-1)---\left(2.6\right)$

$x_j\left(k\right)=f_N\left(S_j^H\right(k\left)\right)---\left(2.7\right)$

对于输出层结点，其在k时刻的内部状态可用S^O(k)表示，输出可用y(k)表示，则有

$S^O\left(k\right)={\mathrm{\Σ}}_{j=1}^m{w}_j^O{x}_j\left(k\right)+w^{OR}y(k-1)+B*S^O(k-1)---\left(2.8\right)$

y(k)＝f_N[S^O(k)] (2.9)。

4.一种基于混沌神经网络的库存预测模型的构造方法，包括：混沌神经网络模型的建立、网络训练、库存预测误差评价三个步骤；

步骤一：混沌神经网络模型的建立，所述混沌神经网络模型为三层网络拓扑结构，包含输入层，隐含层，和输出层三个层次；所述输入层是指通过对供应链环节中各项因素的分析，将影响企业库存水平的8项因素作为混沌神经网络的输入向量，分别为：用户的要货计划(到零件)、整车厂车辆生产计划、运输距离、节假日、季节、运输车辆年限、不同品种、设备产能等。相应地，确定输入层节点数量为8个；规定参数用下面的变量形式表示(其中k为时间变量)：x₁:用户要货计划；x₂:整车厂车辆生产计划；x₃:运输距离；x₄:节假日；x₅:季节；x₆:运输车辆年限；x₇:零件的品种；x₈:设备产能水平；所述输出层是指将代表预测结果的量作为神经网络的输出，设定输出层节点个数，输出结果是某零件两周内成品库存量，输出层节点数量为1，其中：S^o(k)：表示输出层节点在k时刻的状态；G：表示零件的预测库存量；所述隐含层中，代表隐含层第j个节点在k时刻的内部状态；

变量定义：

输入向量：X＝(x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈)

隐含层输入向量：Si^H＝(si^H ₁，si^H ₂，so^H ₃...，si^H ₁₀)

隐含层输出向量：So^H＝(so^H ₁，so^H ₂，so^H ₃...，so^H ₁₀)

输出层输入向量：Si＝(si)

输出层输出向量：So＝(so)

预测库存：G

输入层与隐含层间的连接权重矩阵：W^t

隐含层与输出层间的连接权重矩阵：W^O

隐含层和输出层的自反馈权重矩阵：W^OR

各神经元的阈值：b

最大学习次数：M

步骤二：网络训练，采集零件库存历史数据，按照上一步骤中的网络模型的输入各项参数后，就开始用训练样本来训练网络，经过训练之后，网络充分吸收历史样本中所包含的模糊复杂的规律；

步骤三：误差评价，采用对观测值均值归一化的均方根误差，其公式为 $E_{RM}={\left(\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{\[\frac{P_i-O_i}{O_m}\]}^2\right)}^{\frac{1}{2}}$

其中N为数据点个数，P_i为预测数据值，O_i为观测数据值，O_m为观测数据的个数，i为数据序号；对观测值均值归一化的均方根误差反映了预测值对观测值的平均偏离程度，取值大于或等于零，预测无误差时等于零，误差允许值为ε＝10^-4，在误差允许的情况下即可认为该模型已经具备实用条件。

5.根据权利要求4所述的基于混沌神经网络的库存预测模型的构造方法，其特征在于：

所述步骤二中，网络训练又具体包括如下步骤：

第一步：网络初始化

给个连接权值设置一个初值，该初值的取值范围规定为(-1,1)，设定计算最大允许误差ε＝10^-4和最大学习次数M；

第二步：随机选取三年对应的历史数据第k个样本作为输入，其中H(k)为数据中的实际库存，并通过模型计算对应的期望输出，

X(k)＝(x₁(k),x₂(k),x₃(k),x₄(k),x₅(k),x₆(k),x₇(k),x₈(k))

G(k)

第三步：计算隐含层和输出层各神经元的输入和输出

隐含层：

$S_j^H\left(k\right)={\Σ}_{i=1}^l{w}_{ij}^I{u}_i\left(k\right)+{\Σ}_{q=1}^m{w}_{qj}^{IR}{x}_q(k-1)+B*S_j^H(k-1),j=1,2,\mathrm{...10}$

$x_j\left(k\right)=f_N\left(S_j^H\right(k\left)\right),j=1,2,...10$

输出层：

$S^O\left(k\right)={\mathrm{\Σ}}_{j=1}^m{w}_j^O{x}_j\left(k\right)+w^{OR}y(k-1)+B*S^O(k-1)$

y(k)＝f_N[S^O(k)]

第四步：利用网络期望输出和实际的历史数据，使用遗传算法修正各连接权重矩阵的权值：

(1)按输入层至隐含层，隐含层至输出层的顺序，连接神经网络的权值和阈值随机产生n个染色体，形成初始化种群；

(2)计算每个染色体的适应值，适应度值为均方误差函数，误差越小，适应度越高；

(3)选择适应度大的个体遗传给下一代对其进行选择，交叉，变异操作，产生下一代种群；

(4)判断是否达到结束条件，如满足转到(5)，否则返回(2)；

(5)选择最优个体作为神经网络的初始权值和阈值；

第五步：计算预测库存误差；

E＝|G(k)-H(k)|/H(k)

第六步：判断预测误差是否满足要求；当误差满足精确度要求或者训练次数大于M的情况下终止训练过程；否则选取下一样本，返回步骤儿继续神经网络的训练过程。

6.根据权利要求4所述的基于混沌神经网络的库存预测模型的构造方法，其特征在于：该模型允许的最大误差ε＝10^-4。在用遗传算法调整各连接权值过程中，适应度函数主要考虑神经网络输出的准确性，f_ness＝1/f₁(t)，f₁(t)为模型期望输出和实际输出之间的均方差；算术交叉运算中，交叉概率为0.90，非均匀交叉参数α取(-0.5,1.5)之间的随机数；非一致变异运算中，变异概率为0.10，λ取为2.5，完成权重优化过程；混沌神经元的衰减率B可通过仿真测试确定，B取0.1。