CN108053136A - 一种基于神经网络的汽车经销商业绩分析专家系统 - Google Patents

Abstract

本发明公开了利用BP神经网络系统的分布存储、并行处理、自学习和自组织等功能，使得决策规则可由训练数据自行提取，并可根据运行数据在监督学习下自动校准，对决策规则进行智能更新和进化，实现决策规则的进化解决专家系统中的决策规则获取难、无自动推理、人工智能水平低等一系列的问题。

Description

一种基于神经网络的汽车经销商业绩分析专家系统

技术领域

本发明涉及人工智能和专家系统，具体地说，是一种利用神经网络算法对汽车经销商经营业绩进行分类诊断的系统。

背景技术

专家系统(ExpertSystem,缩写ES)也称为基于知识的系统。现在比较通用的定义为,专家系统是一种智能的计算机程序,能够运用知识进行推理,解决只有专家才能解决的复杂问题,即专家系统是一种能够模拟人类专家决策能力的计算机系统。专家系统的基本结构大致分为3个组成部分:知识库、推理机和人机界面,具体结构主要有知识库、数据库、推理机、解释器、知识获取(学习系统)和人机界面组成,其中知识库和推理机是核心部分。①知识库:知识的存储机构,用来存放专家的领域知识。②数据库:反映当前问题求解状态的集合。③知识获取:负责建立、修改和扩充知识库。④推理机:推理机是实施问题求解的核心执行机构,由一组程序组成。⑤解释器:用户对专家系统的行为进行解答。⑥人机交互界面:人机交互界面是专家系统和用户之间进行交互和信息交换的媒介。

而对于汽车经销商业绩分析而言，知识库就是由专家顾问所提供的经销商业绩数据中各类关键业务数据评价和相关范围的决策树，如某项经营数据在某个区间内可以做某个特定评价的决策树；数据库则是经销商业绩数据的有效采样集合；知识获取即是提供给专家输入知识信息(关键业务数据评价及评价条件等)的逻辑功能；推理机即是对数据库数据应用知识库决策树的程序；解释器能根据知识库的决策结果输出相关分类、评价、方案等信息；人机交互界面是以上功能的操作基础。

专家系统擅长解决的是难以建立数学模型而又依赖专家经验知识的问题,并在信息不完整或含有轻度噪声的情况下仍能给出一个合理的结论。适合解决如故障诊断、报警处理、系统恢复、负荷预测、检修计划安排、规划设计等问题。虽然经过多年的发展,但实践表明在汽车经销商业绩分析业务中，专家系统存在以下弱点:①评价决策规则获取的“瓶颈”；②多个领域专家的决策规则之间相互矛盾的处理；③决策规则“窄台阶”；④无自动推理能力，所做评价诊断仅限于已定义的决策树；⑤智能水平较低。以非线性并行分布处理为主流的神经网络理论的发展,为专家系统开辟了新的途径。

本发明针对现有技术的上述不足，利用BP神经网络系统的分布存储、并行处理、自学习和自组织等功能，使得决策规则可由训练数据自行提取，并可根据运行数据在监督学习下自动校准，对决策规则进行智能更新和进化，实现决策规则的进化解决专家系统中的决策规则获取难、无自动推理、人工智能水平低等一系列的问题。

发明内容

本发明针对现有技术的上述不足，利用BP神经网络系统的分布存储、并行处理、自学习和自组织等功能，使得决策规则可由训练数据自行提取，并可根据运行数据在监督学习下自动校准，对决策规则进行智能更新和进化，实现决策规则的进化解决专家系统中的决策规则获取难、无自动推理、人工智能水平低等一系列的问题。

本发明最重要的创新点在于：使用了人类专家的判断结果，但又不仅限于人类专家的规则及推理模型，这就是神经网络专家系统的妙处。

为解决以上技术问题，本发明是通过如下技术方案实现的：

系统核心由三部分组成，一为经销商业绩分析模型处理工具，该工具代替了原有的专家系统数据库，对汽车经销商的库存、销售、车间、售后、财务等业绩分类进行了建模、数据采样、分区以及归一化处理，以便于神经网络使用。

二为神经网络分类工具，该工具采用BP神经网络误差反传算法，其主要思想是把学习过程分为两个阶段:第一阶段(前向传播过程),给出输入信息通过输入层经隐含层逐层处理并计算每个单元的实际输出值；第二阶段(反向过程),若在输出层未能得到期望的输出值,则逐层递归地计算实际输出与期望输出之差值(即误差),以便根据此差值调节权值,具体些说,就是可对每一个权值计算出接收单元的误差值与发送单元的激活值的积。因为这个积和误差对权重的(负)微商成正比(又称梯度下降算法),称做权重误差微商。权重的实际改变可由权重误差微商一个模式一个模式地计算出来,即它们可以在这组模式集上进行累加。神经网络分类工具采用已归一的经销商业务模型数据作为输入，相关评价信息以每个评价内容作为输出点，如输出5种评价，则输出点可为5个，最终输出以超过阈值的输出点为准，叠加评价，可自定义隐含层的数量。

第三为解释器，负责对神经网络输出信息进行解释，解释器保存了评价信息和评价关联的解决方案信息。如设置了五种评价ABCDE，设置置信阈值0.9，最终系统输出0.530.470.920.310.95，则C和E超过阈值0.9，则解释器会输出C和E的评价及相关解决方案。

具体工作流程如下：

训练阶段：

第一步，将已做好评价的经销商业务数据按指定采集项要求分类统计，通过经销商业绩分析模型处理工具接收处理并上传系统，同时上传其评价标识。

第二步，设定训练阈值，使用神经网络分类工具对训练数据集进行深度学习，直到网络响应和目标评价之差达到设定阈值。

应用阶段：

第一步，将需要分析的经销商业务数据按指定采集项要求分类统计，通过经销商业绩分析模型处理工具接收处理并上传系统。

第二步，设置置信阈值，使用神经网络对已上传的数据进行分析，收集各评价输出点的值，值大于置信阈值则代表该评价成立，根据解释器内容输出成立的评价及相关方案。

强化学习阶段：

第一步，选取系统在应用过程中上传的业绩模型，并对其评价进行人工校对与校准，给定评价标识，设定为新的训练数据。

第二步，设定训练阈值，再次使用神经网络分类工具对新的训练数据集进行深度学习，直到网络响应和目标评价之差达到设定阈值。

本发明的优点：

在实现了传统专家系统的功能同时解决了决策规则获取难、决策规则无法跟随市场环境智能进化的弊端，在瞬息万变的市场环境中能给予汽车经销商强有力的数据支持。

具体实施方式

下面详细描述本发明的实施例，所述实施例仅用于解释本发明，而不能理解为对本发明的限制。

实施例

在使用了人类专家的判断结果，但又不仅限于人类专家的规则及推理模型，这就是神经网络专家系统的妙处。

系统核心由三部分组成，一为经销商业绩分析模型处理工具，该工具代替了原有的专家系统数据库，对汽车经销商的库存、销售、车间、售后、财务等业绩分类进行了建模、数据采样、分区以及归一化处理，以便于神经网络使用。

二为神经网络分类工具，该工具采用BP神经网络误差反传算法，其主要思想是把学习过程分为两个阶段:第一阶段(前向传播过程),给出输入信息通过输入层经隐含层逐层处理并计算每个单元的实际输出值；第二阶段(反向过程),若在输出层未能得到期望的输出值,则逐层递归地计算实际输出与期望输出之差值(即误差),以便根据此差值调节权值,具体些说,就是可对每一个权值计算出接收单元的误差值与发送单元的激活值的积。因为这个积和误差对权重的(负)微商成正比(又称梯度下降算法),称做权重误差微商。权重的实际改变可由权重误差微商一个模式一个模式地计算出来,即它们可以在这组模式集上进行累加。神经网络分类工具采用已归一的经销商业务模型数据作为输入，相关评价信息以每个评价内容作为输出点，如输出5种评价，则输出点可为5个，最终输出以超过阈值的输出点为准，叠加评价，可自定义隐含层的数量。

第三为解释器，负责对神经网络输出信息进行解释，解释器保存了评价信息和评价关联的解决方案信息。如设置了五种评价ABCDE，设置置信阈值0.9，最终系统输出0.530.470.920.310.95，则C和E超过阈值0.9，则解释器会输出C和E的评价及相关解决方案。

具体工作流程如下：

训练阶段：

第一步，将已做好评价的经销商业务数据按指定采集项要求分类统计，通过经销商业绩分析模型处理工具接收处理并上传系统，同时上传其评价标识。

第二步，设定训练阈值，使用神经网络分类工具对训练数据集进行深度学习，直到网络响应和目标评价之差达到设定阈值。

应用阶段：

第一步，将需要分析的经销商业务数据按指定采集项要求分类统计，通过经销商业绩分析模型处理工具接收处理并上传系统。

第二步，设置置信阈值，使用神经网络对已上传的数据进行分析，收集各评价输出点的值，值大于置信阈值则代表该评价成立，根据解释器内容输出成立的评价及相关方案。

强化学习阶段：

第一步，选取系统在应用过程中上传的业绩模型，并对其评价进行人工校对与校准，给定评价标识，设定为新的训练数据。

第二步，设定训练阈值，再次使用神经网络分类工具对新的训练数据集进行深度学习，直到网络响应和目标评价之差达到设定阈值。

在应用阶段，需要分析的经销商业务数据按指定采集项要求分类统计，通过经销商业绩分析模型处理工具接收处理并上传系统。然后设置置信阈值，使用神经网络对已上传的数据进行分析，收集各评价输出点的值，值大于置信阈值则代表该评价成立，根据解释器内容输出成立的评价及相关方案。

强化学习阶段，选取系统在应用过程中上传的业绩模型，并对其评价进行人工校对与校准，给定评价标识，设定为新的训练数据。然后设定训练阈值，再次使用神经网络分类工具对新的训练数据集进行深度学习，直到网络响应和目标评价之差达到设定阈值。学习完的系统可继续投入应用阶段。

需要说明的是，以上所述仅为本发明的优选具体的实施例，

若依本发明的构想所作变动，其产生的功能作用，仍未超出说明书所涵盖的精神时，均应在本发明的范围内。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (4)

1.一种基于神经网络的汽车经销商业绩分析专家系统，其特征在于：由三部分组成，一为经销商业绩分析模型处理工具，该工具代替了原有的专家系统数据库，对汽车经销商的库存、销售、车间、售后、财务等业绩分类进行了建模、数据采样、分区以及归一化处理，以便于神经网络使用；二为神经网络分类工具，该工具采用BP神经网络误差反传算法，其主要思想是把学习过程分为两个阶段:第一阶段(前向传播过程),给出输入信息通过输入层经隐含层逐层处理并计算每个单元的实际输出值；第二阶段(反向过程),若在输出层未能得到期望的输出值,则逐层递归地计算实际输出与期望输出之差值(即误差),以便根据此差值调节权值,具体些说,就是可对每一个权值计算出接收单元的误差值与发送单元的激活值的积。因为这个积和误差对权重的(负)微商成正比(又称梯度下降算法),称做权重误差微商。权重的实际改变可由权重误差微商一个模式一个模式地计算出来,即它们可以在这组模式集上进行累加。神经网络分类工具采用已归一的经销商业务模型数据作为输入，相关评价信息以每个评价内容作为输出点，如输出5种评价，则输出点可为5个，最终输出以超过阈值的输出点为准，叠加评价，可自定义隐含层的数量；第三为解释器，负责对神经网络输出信息进行解释，解释器保存了评价信息和评价关联的解决方案信息。如设置了五种评价ABCDE，设置置信阈值0.9，最终系统输出0.530.470.920.310.95，则C和E超过阈值0.9，则解释器会输出C和E的评价及相关解决方案。

2.权利要求1所述的系统，其特征在于，具体工作流程如下：

训练阶段：

第一步，将已做好评价的经销商业务数据按指定采集项要求分类统计，通过经销商业绩分析模型处理工具接收处理并上传系统，同时上传其评价标识。

第二步，设定训练阈值，使用神经网络分类工具对训练数据集进行深度学习，直到网络响应和目标评价之差达到设定阈值。

3.权利要求1所述的系统，其特征在于，具体工作流程如下：

应用阶段：

第一步，将需要分析的经销商业务数据按指定采集项要求分类统计，通过经销商业绩分析模型处理工具接收处理并上传系统。

第二步，设置置信阈值，使用神经网络对已上传的数据进行分析，收集各评价输出点的值，值大于置信阈值则代表该评价成立，根据解释器内容输出成立的评价及相关方案。

4.权利要求1所述的系统，其特征在于，具体工作流程如下：

强化学习阶段：

第一步，选取系统在应用过程中上传的业绩模型，并对其评价进行人工校对与校准，给定评价标识，设定为新的训练数据。

第二步，设定训练阈值，再次使用神经网络分类工具对新的训练数据集进行深度学习，直到网络响应和目标评价之差达到设定阈值。