CN114429298A - 一种基于bp神经网络的pcb订单组批优化方法 - Google Patents

一种基于bp神经网络的pcb订单组批优化方法 Download PDF

Info

Publication number
CN114429298A
CN114429298A CN202210083433.2A CN202210083433A CN114429298A CN 114429298 A CN114429298 A CN 114429298A CN 202210083433 A CN202210083433 A CN 202210083433A CN 114429298 A CN114429298 A CN 114429298A
Authority
CN
China
Prior art keywords
class
neural network
distance
batch
ratio
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210083433.2A
Other languages
English (en)
Inventor
刘恺
丁杏如
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202210083433.2A priority Critical patent/CN114429298A/zh
Publication of CN114429298A publication Critical patent/CN114429298A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

一种基于BP神经网络的PCB订单组批优化方法，包括如下步骤：步骤1：创建距离矩阵；步骤2：通过类平均距离法来评估类间距；步骤3：设置约束条件；步骤4：根据约束条件判断距离最近的两个类是否可以合拼，若满足则合拼；否则判断距离次近的两个类是否可合拼为一个新类；步骤5：计算新类与各当前类之间的距离；步骤6：重复步骤3、4直至所有类合并后都无法满足约束条件或距离最近的两类的类间距超过，得到聚类结果；步骤7：重复步骤1～6，产生多个可行的订单组批方案；步骤8：利用BP神经网络对每个组批方案进行排样结果预测。本发明有效实现对PCB订单进行分组排样，提高原材料的利用率，大大提高企业生产效率，降低原料成本。

Description

一种基于BP神经网络的PCB订单组批优化方法
技术领域
本发明涉及印刷电路板(Printed Circuit Board，PCB)订单组批方法领域，尤其是一种基于BP神经网络的PCB订单组批优化方法。
背景技术
PCB(Printed Circuit Board)是电气和电子设备的基体，在现代电子产品及设备中占据非常重要的地位；客户不断增加的需求使得PCB订单大量增加，企业之间的竞争日益加剧。PCB生产的首要工序就是PCB订单组批及合拼下料，因此精准的确定订单投料成了提高生产效率的关键。在企业生产中，通常采用“订单组批+批量生产+订单分拣”的模式，通过将不同订单分成若干批次来实现其批量化生产，然而订单组批批次的大小决定着材料利用率、上产效率、订单交货期等问题；同时，目前PCB企业的生产模式仍停留在半自动化阶段，各生产阶段仍需耗费大量人力物力，因此解决订单组批问题成为急需研究的课题。
人工神经网络以与人脑相似的方式解决问题，是由传播函数和激活函数组成的网络神经元，随着其不断发展，目前已被应用于各种任务，包括语音识别、医学诊断、计算机视觉、机器学习等。它是大量神经元的集体行为，能表现出复杂非线性动态系统特性，被广泛应用于预测问题。同时，运算速度大大超过传统的序列式运算的数字机。循环神经网络(Recurrent Neural Network，RNN)与普通前馈神经网络相比，虽然结构相似，都具有输入层、输出层、隐藏层，但RNN的反馈连接方式，使得上个时刻的信息能够以一种激励的形式保存。
发明内容
为了克服已有PCB订单组批方法需要大量人力物力且生产效率低下的不足，本发明提供一种有效实现对PCB订单进行分组排样的方法，提高了原材料的利用率，大大提高企业生产效率，降低原料成本。
本发明解决其技术问题所采用的技术方案是：
一种基于BP神经网络的PCB订单组批优化方法，所述方法包括如下步骤：
步骤1：创建距离矩阵；
步骤2：通过类平均距离法来评估类间距；
步骤3：设置约束条件；
步骤4：根据约束条件判断距离最近的两个类是否可以合拼，若满足，则合拼；若不满足，则判断距离次近的两个类是否可合拼为一个新类；
步骤5：计算新类与各当前类之间的距离；
步骤6：重复步骤3、4直至所有类合并后都无法满足约束条件或距离最近的两类的类间距超过T，得到聚类结果；
步骤7：重复步骤1～步骤6，产生多个可行的订单组批方案；
步骤8：利用BP神经网络对每个组批方案进行排样结果预测，过程如下：
8-1.对每个组批方案进行特征提取，归一化后得到预测样本；
8-2.将每个组批方案中的预测样本输入到BP神经网络中进行排样结果预测，并输出预测结果；
8-3.根据预测值选取前25％的组批方案，对其调用排样算法进行真实排样；
8-4.判断已排样的结果是否满足要求，若不满足，返回步骤3，重新设置约束条件，调整组批方案，若满足则输出最优方案的排样结果；
进一步，所述8-1的步骤如下：
8-1-1从原始订单的每个排样方案中获得母板面积与每个小矩形面积的比值组成的数据集合、母板周长与每个小矩形周长的比值组成的数据集合、母板长边与每个小矩形场边的比值组成的数据集合、母板短边与每个小矩形短边的比值组成的数据集合、母板长宽比与每个小矩形长宽比的比值组成的数据集合、每个小矩形数量组成的数据集合；
8-1-2将上述数据集合中的数据从大到小排列后，分别得到集合中所有值的平均值、集合中所有值的中位值、集合中所有值的标准差、集合中前后1/10个数之和的比值、集合中前后1/4个数之和的比值、集合中前后1/2个数之和的比值，生成36个特征值，除此之外，还需母板宽、母板长度、母板利用率、小矩形数量、小矩形种类、旋转后种类、小矩形总面积、向上圆整panel数、加投率、排样间隙长，共10个特征值，故每个排样方案可提取总计46个特征值；
8-1-3通过premnmx函数将特征值进行归一化处理。
再进一步，所述8-2中，BP网络模型设置如下：
输入和输出:输入为归一化后订单数据中提取的特征值，节点数为46个；输出为归一化后各样本预测排样利用率，节点数为1个。隐藏层设置:单一隐藏层，相应节点数设置为93；从企业资源管理数据库中选取累计订单作为学习样本，随机选择样本中70％的样本用以训练相应BP神经网络，剩余30％的样本作为测试样本；设置最大训练次数为2000次，学习率为0.05；其余未设置参数均取默认值；同时，隐含层的激励函数采用tansig函数，输出层激励函数选用purelin函数，训练函数为trainlm函数；通过postmnmx函数将输出的数据反归一化得到预测值。
BP神经网络实现回归问题的原理如下：
BP神经网络中隐藏层和输出层的每一个节点都有一个权重求和函数，同时通过激活函数来确定该节点的输出，所有节点集可视为一个超平面，而隐藏层神经元实质上是将非线性的样本转换为线性样本。BP模型的的训练包括信号的前向传播和误差的反向传播，即通过从输入到输出俩计算实际输出，而通过从输出到输入来对权重和阈值进行修正，不断的进行权重的调整直至神经网络的输出误差减小到可接受范围。
再进一步，所述步骤1中，创建距离矩阵的过程如下：
将初始的N个订单各自形成N个类，利用杰卡德系数来计算每两个订单之间的距离，创建一个N*N维的距离矩阵D：
Figure BDA0003486837100000041
其中d(i,j)为订单i和j之间的距离；且满足d(i,j)＝d(j,i)；
Figure BDA0003486837100000042
J(Cx,Cy)为杰卡德相关系数，Ci和Cj表示订单i和j的属性集合；杰卡德系数越大，表明这两个订单之间的相似性越大。
所述步骤2中，通过类平均距离法来评估类间距的过程如下：
Figure BDA0003486837100000043
其中dij为Q类中的订单i与P类中的订单j之间的距离；nQ和nP分别为Q类和P类中的订单数。
所述步骤3中，设置约束条件：
Figure BDA0003486837100000051
其中，V为类内订单的交货日期偏差；X为类中所含订单数量；T为类间距阈值。
本发明的技术构思为：原始PCB订单通过满足交货期及生产工艺约束的聚类，产生不同批次，对多次聚类产生的多个方案通过BP模型预测其排样利用率，筛选出较优的方案后，通过排样算法对每个方案进行真实排样，最终选取其中的最优方案。
本发明的有益效果主要表现在：成功将BP神经网络算法引入到PCB订单组批优化方法中，运用BP神经网络算法预测组批方案的排样利用率，提高了原材料的利用率，大大提高企业生产效率，降低原料成本，解决了传统人工分组方法的浪费率高、效率低下等问题。本专利对保障PCB生产效率、实现PCB生产企业利润的提高有着极其重要的意义，能够满足PCB产业快速发展的需求。
附图说明
图1是基于BP模型的PCB订单组批优化方法流程图；
图2是建立BP神经网络的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2，一种基于BP神经网络的PCB订单组批优化方法，所述检测方法包括如下步骤：
步骤1：创建距离矩阵，过程如下：
将初始的N个订单各自形成N个类，利用杰卡德系数来计算每两个订单之间的距离，创建一个N*N维的距离矩阵D：
Figure BDA0003486837100000061
其中d(i,j)为订单i和j之间的距离；且满足d(i,j)＝d(j,i)；
Figure BDA0003486837100000062
J(Cx,Cy)为杰卡德相关系数，Ci和Cj表示订单i和j的属性集合；杰卡德系数越大，表明这两个订单之间的相似性越大。
步骤2：通过类平均距离法来评估类间距：
Figure BDA0003486837100000063
其中dij为Q类中的订单i与P类中的订单j之间的距离；nQ和nP分别为Q类和P类中的订单数；
步骤3：设置约束条件：
Figure BDA0003486837100000064
其中，V为类内订单的交货日期偏差；X为类中所含订单数量；T为类间距阈值；
步骤4：根据约束条件判断距离最近的两个类是否可以合拼，若满足，则合拼；若不满足，则判断距离次近的两个类是否可合拼为一个新类；
步骤5：计算新类与各当前类之间的距离；
步骤6：重复步骤3、4直至所有类合并后都无法满足约束条件或距离最近的两类的类间距超过T，得到聚类结果；
步骤7：重复步骤1～步骤6，产生多个可行的订单组批方案；
步骤8：利用BP神经网络对每个组批方案进行排样结果预测，过程如下：
8-1.对每个组批方案进行特征提取，归一化后得到预测样本；步骤如下：
8-1-1从原始订单的每个排样方案中获得母板面积与每个小矩形面积的比值组成的数据集合、母板周长与每个小矩形周长的比值组成的数据集合、母板长边与每个小矩形场边的比值组成的数据集合、母板短边与每个小矩形短边的比值组成的数据集合、母板长宽比与每个小矩形长宽比的比值组成的数据集合、每个小矩形数量组成的数据集合；
8-1-2将上述数据集合中的数据从大到小排列后，分别得到集合中所有值的平均值、集合中所有值的中位值、集合中所有值的标准差、集合中前后1/10个数之和的比值、集合中前后1/4个数之和的比值、集合中前后1/2个数之和的比值，生成36个特征值，除此之外，还需母板宽、母板长度、母板利用率、小矩形数量、小矩形种类、旋转后种类、小矩形总面积、向上圆整panel数、加投率、排样间隙长，共10个特征值，故每个排样方案可提取总计46个特征值；
8-1-3通过premnmx函数将特征值进行归一化处理。
8-2.将每个组批方案中的预测样本输入到BP神经网络中进行排样结果预测，并输出预测结果；
所述BP网络模型设置如下：
输入和输出:输入为归一化后订单数据中提取的特征值，节点数为46个；输出为归一化后各样本预测排样利用率，节点数为1个。隐藏层设置:单一隐藏层，相应节点数设置为93；从企业资源管理数据库中选取近几年来累计订单作为学习样本，随机选择样本中70％的样本用以训练相应BP神经网络，剩余30％的样本作为测试样本；设置最大训练次数为2000次，学习率为0.05；其余未设置参数均取默认值；同时，隐含层的激励函数采用tansig函数，输出层激励函数选用purelin函数，训练函数为trainlm函数。通过postmnmx函数将输出的数据反归一化得到预测值；
BP神经网络实现回归问题的基本原理如下：
BP神经网络中隐藏层和输出层的每一个节点都有一个权重求和函数，同时通过激活函数来确定该节点的输出，所有节点集可视为一个超平面，而隐藏层神经元实质上是将非线性的样本转换为线性样本。BP模型的的训练包括信号的前向传播和误差的反向传播，即通过从输入到输出俩计算实际输出，而通过从输出到输入来对权重和阈值进行修正，不断的进行权重的调整直至神经网络的输出误差减小到可接受范围；
8-3.根据预测值选取前25％的组批方案，对其调用排样算法进行真实排样；
8-4.判断已排样的结果是否满足要求，若不满足，返回步骤3，重新设置约束条件，调整组批方案，若满足则输出最优方案的排样结果；
本实施例中，原始PCB订单通过满足交货期及生产工艺约束的聚类，产生不同批次，对多次聚类产生的多个方案通过BP模型预测其排样利用率，筛选出较优的方案后，通过排样算法对每个方案进行真实排样，最终选取其中的最优方案。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (6)

1.一种基于BP神经网络的PCB订单组批优化方法，其特征在于，所述方法包括如下步骤：
步骤1：创建距离矩阵；
步骤2：通过类平均距离法来评估类间距；
步骤3：设置约束条件；
步骤4：根据约束条件判断距离最近的两个类是否可以合拼，若满足，则合拼；若不满足，则判断距离次近的两个类是否可合拼为一个新类；
步骤5：计算新类与各当前类之间的距离；
步骤6：重复步骤3、4直至所有类合并后都无法满足约束条件或距离最近的两类的类间距超过T，得到聚类结果；
步骤7：重复步骤1～步骤6，产生多个可行的订单组批方案；
步骤8：利用BP神经网络对每个组批方案进行排样结果预测，过程如下：
8-1.对每个组批方案进行特征提取，归一化后得到预测样本；
8-2.将每个组批方案中的预测样本输入到BP神经网络中进行排样结果预测，并输出预测结果；
8-3.根据预测值选取前25％的组批方案，对其调用排样算法进行真实排样；
8-4.判断已排样的结果是否满足要求，若不满足，返回步骤3，重新设置约束条件，调整组批方案，若满足则输出最优方案的排样结果。
2.如权利要求1所述的基于BP神经网络的PCB订单组批优化方法，其特征在于，所述8-1的步骤如下：
8-1-1从原始订单的每个排样方案中获得母板面积与每个小矩形面积的比值组成的数据集合、母板周长与每个小矩形周长的比值组成的数据集合、母板长边与每个小矩形场边的比值组成的数据集合、母板短边与每个小矩形短边的比值组成的数据集合、母板长宽比与每个小矩形长宽比的比值组成的数据集合、每个小矩形数量组成的数据集合；
8-1-2将上述数据集合中的数据从大到小排列后，分别得到集合中所有值的平均值、集合中所有值的中位值、集合中所有值的标准差、集合中前后1/10个数之和的比值、集合中前后1/4个数之和的比值、集合中前后1/2个数之和的比值，生成36个特征值，除此之外，还需母板宽、母板长度、母板利用率、小矩形数量、小矩形种类、旋转后种类、小矩形总面积、向上圆整panel数、加投率、排样间隙长，共10个特征值，故每个排样方案可提取总计46个特征值；
8-1-3通过premnmx函数将特征值进行归一化处理。
3.如权利要求1或2所述的基于BP神经网络的PCB订单组批优化方法，其特征在于，所述8-2中，BP网络模型设置如下：
输入和输出:输入为归一化后订单数据中提取的特征值，节点数为46个；输出为归一化后各样本预测排样利用率，节点数为1个；隐藏层设置:单一隐藏层，相应节点数设置为93；从企业资源管理数据库中选取累计订单作为学习样本，随机选择样本中70％的样本用以训练相应BP神经网络，剩余30％的样本作为测试样本；设置最大训练次数为2000次，学习率为0.05；其余未设置参数均取默认值；同时，隐含层的激励函数采用tansig函数，输出层激励函数选用purelin函数，训练函数为trainlm函数；通过postmnmx函数将输出的数据反归一化得到预测值；
BP神经网络实现回归问题的原理如下：
BP神经网络中隐藏层和输出层的每一个节点都有一个权重求和函数，同时通过激活函数来确定该节点的输出，所有节点集可视为一个超平面，而隐藏层神经元实质上是将非线性的样本转换为线性样本。BP模型的的训练包括信号的前向传播和误差的反向传播，即通过从输入到输出俩计算实际输出，而通过从输出到输入来对权重和阈值进行修正，不断的进行权重的调整直至神经网络的输出误差减小到可接受范围。
4.如权利要求1或2所述的基于BP神经网络的PCB订单组批优化方法，其特征在于，所述步骤1中，创建距离矩阵的过程如下：
将初始的N个订单各自形成N个类，利用杰卡德系数来计算每两个订单之间的距离，创建一个N*N维的距离矩阵D：
Figure FDA0003486837090000021
其中d(i,j)为订单i和j之间的距离；且满足d(i,j)＝d(j,i)；
Figure FDA0003486837090000022
J(Cx,Cy)为杰卡德相关系数，Ci和Cj表示订单i和j的属性集合；杰卡德系数越大，表明这两个订单之间的相似性越大。
5.如权利要求1或2所述的基于BP神经网络的PCB订单组批优化方法，其特征在于，所述步骤2中，通过类平均距离法来评估类间距的过程如下：
Figure FDA0003486837090000031
其中dij为Q类中的订单i与P类中的订单j之间的距离；nQ和nP分别为Q类和P类中的订单数。
6.如权利要求1或2所述的基于BP神经网络的PCB订单组批优化方法，其特征在于，所述步骤3中，设置约束条件：
Figure FDA0003486837090000032
其中，V为类内订单的交货日期偏差；X为类中所含订单数量；T为类间距阈值。
CN202210083433.2A 2022-01-25 2022-01-25 一种基于bp神经网络的pcb订单组批优化方法 Pending CN114429298A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210083433.2A CN114429298A (zh) 2022-01-25 2022-01-25 一种基于bp神经网络的pcb订单组批优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210083433.2A CN114429298A (zh) 2022-01-25 2022-01-25 一种基于bp神经网络的pcb订单组批优化方法

Publications (1)

Publication Number Publication Date
CN114429298A true CN114429298A (zh) 2022-05-03

Family

ID=81313999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210083433.2A Pending CN114429298A (zh) 2022-01-25 2022-01-25 一种基于bp神经网络的pcb订单组批优化方法

Country Status (1)

Country Link
CN (1) CN114429298A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115759634A (zh) * 2022-11-18 2023-03-07 中南大学 一种矩形板材组批排样高效协同方法
CN116882555A (zh) * 2023-06-26 2023-10-13 广东工业大学 一种分拣工位受限的多订单排样优化方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115759634A (zh) * 2022-11-18 2023-03-07 中南大学 一种矩形板材组批排样高效协同方法
CN115759634B (zh) * 2022-11-18 2024-04-26 中南大学 一种矩形板材组批排样高效协同方法
CN116882555A (zh) * 2023-06-26 2023-10-13 广东工业大学 一种分拣工位受限的多订单排样优化方法
CN116882555B (zh) * 2023-06-26 2024-03-12 广东工业大学 一种分拣工位受限的多订单排样优化方法

Similar Documents

Publication Publication Date Title
WO2021155706A1 (zh) 利用不平衡正负样本对业务预测模型训练的方法及装置
CN114429298A (zh) 一种基于bp神经网络的pcb订单组批优化方法
CN109615014A (zh) 一种基于kl散度优化的数据分类系统与方法
CN112069310A (zh) 基于主动学习策略的文本分类方法及系统
CN112685504B (zh) 一种面向生产过程的分布式迁移图学习方法
CN108446214B (zh) 基于dbn的测试用例进化生成方法
WO2023284465A1 (zh) 图像检测方法、装置、计算机可读存储介质及计算机设备
CN110751191A (zh) 一种图像的分类方法及系统
CN112819063B (zh) 一种基于改进的Focal损失函数的图像识别方法
CN113962160A (zh) 基于用户画像的互联网卡用户流失预测方法及系统
Tavallali et al. A systematic training procedure for viola-jones face detector in heterogeneous computing architecture
CN114022202A (zh) 基于深度学习的用户流失预测方法及系统
CN114580517A (zh) 一种图像识别模型的确定方法及装置
CN109460872B (zh) 一种面向移动通信用户流失不平衡数据预测方法
CN111242131A (zh) 一种智能阅卷中图像识别的方法、存储介质及装置
CN112732718B (zh) 面向云边端的智能结构化数据方法、系统和介质
CN117876018A (zh) 潜在客户识别和预测的方法、装置、电子设备及存储介质
CN111768803B (zh) 基于卷积神经网络和多任务学习的通用音频隐写分析方法
CN111680740A (zh) 神经网络的训练方法、装置及用电负荷的判别方法、装置
CN111709479B (zh) 一种图像分类方法和装置
CN109523386A (zh) 一种gmm与lstm结合的投资组合风险预测方法
CN115357220A (zh) 一种面向工业app开发的群智化需求获取方法
CN111639206A (zh) 基于优化特征权重的有效精细图像分类方法
CN110427578B (zh) 一种基于深度机器学习的数字内容投放方法
CN109308565B (zh) 人群绩效等级识别方法、装置、存储介质及计算机设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination