基于GRU-BP神經網絡的零部件采購計劃研究
發(fā)布時間：2021-01-22 15:00
在信息技術、網絡技術、通訊技術、人工智能等先進技術的深度融合下,供應鏈在經濟發(fā)展進程中凸顯反映迅速、精準匹配、協(xié)同高效、服務強大的能力,助力企業(yè)進入降本增效的良性發(fā)展過程。供應鏈的運營過程強調集成管理、各節(jié)點企業(yè)的有機結合,因此有許多具體的問題需要解決,例如在以制造商為核心節(jié)點的供應鏈中,隨著產品零部件生產的標準化及零部件向上游供應商的遷移,要求核心節(jié)點與上游供應商節(jié)點在零部件生產中實現精準匹配,同時也要求與下游銷售訂單緊密結合,作為核心節(jié)點的制造商在其中兼具保障供應和供應鏈管理兩大職能。產品需求量對于制造商合理安排零部件的采購量具有導向作用,若產品的生產量安排不當,經常出現零部件缺貨,零部件庫存積壓,產品交貨日期延遲等現象,則會影響整個供應鏈的運行效率。因此,研究如何有效地預測一定時間內的產品需求,然后進一步導出各類零部件的采購量,對科學合理地安排零部件的采購、保障產品生產、滿足訂單需求具有非常重要的現實意義。本文以一個具有供應鏈特征的制造企業(yè)為背景,該企業(yè)與國外的供應商自動形成了跨國供應鏈特性,對核心企業(yè)與供應商、銷售商之間的協(xié)同有著很高的要求。在產品生產方面,同一系列產品下有多種...
【文章來源】：大連海事大學遼寧省 211工程院校
【文章頁數】：89 頁
【學位級別】：碩士
【部分圖文】：
圖２．３單神經元內部結構??Ｆｉｇ．?２．３?ｉｎｔｅｒｎａｌ?ｓｔｒｕｃｔｕｒｅ?ｏｆ?ｓｉｎｇｌｅ?ｎｅｕｒｏｎ??
?基于ＧＲＵ－ＢＰ神經網絡的零部件采購計劃研究???測效果基礎上，訓練參數更少。??單神經元的內部詳細結構如圖２．３所示。??ｈ，??－＾－－Ｃ?Ｉ?Ｑ—??ｔａｎｈ??￣ｒ?Ｖ??Ｖ?ｙ??Ｘｔ??圖２．３單神經元內部結構??Ｆｉｇ．?２．３?ｉｎｔｅｒｎａｌ?ｓｔｒｕｃｔｕｒｅ?ｏｆ?ｓｉｎｇｌｅ?ｎｅｕｒｏｎ??ｚｔ表示更新門，作用是控制前一時刻的狀態(tài)信息被帶入到當前狀態(tài)中的程??度。ｚｔ值越大，說明前一時刻的狀態(tài)信息被帶入的越多。??ｒｔ表示重置門，作用是控制忽略前一時刻的狀態(tài)信息的程度。值越小，說??明狀態(tài)信息忽略的越多。??現將ＧＲＵ神經網絡中的內部詳細結構逐步分解：??Ｚｔ＝ｃｒ（ｄＵ?（２．１）??更新門模型如圖２．４所示，式（２．１）中，Ｚｔ表示更新門，通過上一個神經??元輸出Ｌ與本次神經元輸入；（：；相加后乘以更新門權重％，再使用ｓｉｇｍｏｉｄ函數??運算。更新門；取值越大，當前神經元保留信息越多，而上一個神經元保留信??息越少。更新門對于長距離學習會比較活躍。??ｚｔ??ｈ１－１??ｐＨ??Ｖ?Ｊ??Ｘｔ????圖２．４更新門模型??Ｆｉｇ．?２．４?ｕｐｄａｔｅ?ｔｈｅ?ｄｏｏｒ?ｍｏｄｅｌ??ｒｔ＝（Ｔ（Ｈ＼］）?（２．２）??－１２－??
大連海事大學碩士學位論文??３．２．２構建總體模型??供應鏈環(huán)境中，產品需求預測對于制造業(yè)安排生產計劃具有導向作用。首先??研究同一系列下的多型號產品之間的相互制約影響，再考慮供應鏈環(huán)境、產品自??身屬性等影響因素，量化后輸入到ＧＲＵ－ＢＰ神經網絡預測模型，預測某型號產??品在下一周期的需求量，對模型分析求解后證明預測結果的可行性。??在ＧＲＵ－ＢＰ神經網絡模型的產品需求預測結果基礎上，針對某型號產品的??預測需求量，．通過產品ＢＯＭ清單，計算所需零部件的需求暈，最終制定零部件??的采購計劃。結合研究內容和工作思路構建的整體模型如圖３．１所示。??
【參考文獻】：
期刊論文
[1]DSI:一種基于動態(tài)分段的時間序列查詢索引[J]. 周騎駿,王鵬,汪衛(wèi). 計算機工程. 2020(02)
[2]基于BP神經網絡的電網物資需求預測研究[J]. 丁紅衛(wèi),王文果,萬良,羅劍. 計算機技術與發(fā)展. 2019(06)
[3]基于多特征融合與雙向RNN的細粒度意見分析[J]. 郝志峰,黃浩,蔡瑞初,溫雯. 計算機工程. 2018(07)
[4]基于BP神經網絡的飛機娛樂系統(tǒng)采購短期預測[J]. 吳培德,郝礦榮. 智能計算機與應用. 2014(02)
[5]基于SVM的短生命周期產品供應鏈雙渠道需求預測模型[J]. 徐琪,劉崢. 系統(tǒng)管理學報. 2014(02)
[6]基于需求預測的短生命周期產品訂貨策略研究[J]. 徐賢浩,陳雯,廖麗平,李路軍. 管理科學學報. 2013(04)
[7]改進的BP神經網絡及其在銷量預測中的應用[J]. 畢建濤,魏紅芹. 山東理工大學學報(自然科學版). 2011(06)
[8]基于供應鏈的采購管理需求分析研究[J]. 陳豐照,陳嘉莉. 中國物流與采購. 2011(04)
[9]采購商與供應商戰(zhàn)略伙伴關系分析[J]. 陳奮. 中國物流與采購. 2010(24)
[10]PCA-SVM在電力負荷預測中的應用研究[J]. 石海波. 計算機仿真. 2010(10)
博士論文
[1]鎳的價格預測與采購模型及其應用研究[D]. 戴相全.東北大學 2015
碩士論文
[1]基于循環(huán)神經網絡的時間序列預測方法研究[D]. 張旭.南京大學 2019
[2]WJ公司原材料采購策略分析[D]. 祝衛(wèi)萍.電子科技大學 2019
[3]基于經濟發(fā)展階段的用電特征及中長期電量預測研究[D]. 焦杰.華北電力大學(北京) 2018
[4]基于GRU神經網絡的時間序列預測研究[D]. 劉洋.成都理工大學 2017
[5]基于改進的BP神經網絡庫存預測模型及其應用研究[D]. 阮翔.南昌航空大學 2016
[6]半導體元器件產品銷售與采購關聯預測模型的設計與實現[D]. 薛文軍.電子科技大學 2015
[7]供應鏈環(huán)境下Y公司采購管理機制優(yōu)化策略研究[D]. 董茜茜.浙江工業(yè)大學 2014
[8]基于灰色—多元回歸模型下的建設用地需求量預測研究[D]. 王科星.云南財經大學 2012
本文編號：2993438
【文章來源】：大連海事大學遼寧省 211工程院校
【文章頁數】：89 頁
【學位級別】：碩士
【部分圖文】：
圖２．３單神經元內部結構??Ｆｉｇ．?２．３?ｉｎｔｅｒｎａｌ?ｓｔｒｕｃｔｕｒｅ?ｏｆ?ｓｉｎｇｌｅ?ｎｅｕｒｏｎ??
?基于ＧＲＵ－ＢＰ神經網絡的零部件采購計劃研究???測效果基礎上，訓練參數更少。??單神經元的內部詳細結構如圖２．３所示。??ｈ，??－＾－－Ｃ?Ｉ?Ｑ—??ｔａｎｈ??￣ｒ?Ｖ??Ｖ?ｙ??Ｘｔ??圖２．３單神經元內部結構??Ｆｉｇ．?２．３?ｉｎｔｅｒｎａｌ?ｓｔｒｕｃｔｕｒｅ?ｏｆ?ｓｉｎｇｌｅ?ｎｅｕｒｏｎ??ｚｔ表示更新門，作用是控制前一時刻的狀態(tài)信息被帶入到當前狀態(tài)中的程??度。ｚｔ值越大，說明前一時刻的狀態(tài)信息被帶入的越多。??ｒｔ表示重置門，作用是控制忽略前一時刻的狀態(tài)信息的程度。值越小，說??明狀態(tài)信息忽略的越多。??現將ＧＲＵ神經網絡中的內部詳細結構逐步分解：??Ｚｔ＝ｃｒ（ｄＵ?（２．１）??更新門模型如圖２．４所示，式（２．１）中，Ｚｔ表示更新門，通過上一個神經??元輸出Ｌ與本次神經元輸入；（：；相加后乘以更新門權重％，再使用ｓｉｇｍｏｉｄ函數??運算。更新門；取值越大，當前神經元保留信息越多，而上一個神經元保留信??息越少。更新門對于長距離學習會比較活躍。??ｚｔ??ｈ１－１??ｐＨ??Ｖ?Ｊ??Ｘｔ????圖２．４更新門模型??Ｆｉｇ．?２．４?ｕｐｄａｔｅ?ｔｈｅ?ｄｏｏｒ?ｍｏｄｅｌ??ｒｔ＝（Ｔ（Ｈ＼］）?（２．２）??－１２－??
大連海事大學碩士學位論文??３．２．２構建總體模型??供應鏈環(huán)境中，產品需求預測對于制造業(yè)安排生產計劃具有導向作用。首先??研究同一系列下的多型號產品之間的相互制約影響，再考慮供應鏈環(huán)境、產品自??身屬性等影響因素，量化后輸入到ＧＲＵ－ＢＰ神經網絡預測模型，預測某型號產??品在下一周期的需求量，對模型分析求解后證明預測結果的可行性。??在ＧＲＵ－ＢＰ神經網絡模型的產品需求預測結果基礎上，針對某型號產品的??預測需求量，．通過產品ＢＯＭ清單，計算所需零部件的需求暈，最終制定零部件??的采購計劃。結合研究內容和工作思路構建的整體模型如圖３．１所示。??
【參考文獻】：
期刊論文
[1]DSI:一種基于動態(tài)分段的時間序列查詢索引[J]. 周騎駿,王鵬,汪衛(wèi). 計算機工程. 2020(02)
[2]基于BP神經網絡的電網物資需求預測研究[J]. 丁紅衛(wèi),王文果,萬良,羅劍. 計算機技術與發(fā)展. 2019(06)
[3]基于多特征融合與雙向RNN的細粒度意見分析[J]. 郝志峰,黃浩,蔡瑞初,溫雯. 計算機工程. 2018(07)
[4]基于BP神經網絡的飛機娛樂系統(tǒng)采購短期預測[J]. 吳培德,郝礦榮. 智能計算機與應用. 2014(02)
[5]基于SVM的短生命周期產品供應鏈雙渠道需求預測模型[J]. 徐琪,劉崢. 系統(tǒng)管理學報. 2014(02)
[6]基于需求預測的短生命周期產品訂貨策略研究[J]. 徐賢浩,陳雯,廖麗平,李路軍. 管理科學學報. 2013(04)
[7]改進的BP神經網絡及其在銷量預測中的應用[J]. 畢建濤,魏紅芹. 山東理工大學學報(自然科學版). 2011(06)
[8]基于供應鏈的采購管理需求分析研究[J]. 陳豐照,陳嘉莉. 中國物流與采購. 2011(04)
[9]采購商與供應商戰(zhàn)略伙伴關系分析[J]. 陳奮. 中國物流與采購. 2010(24)
[10]PCA-SVM在電力負荷預測中的應用研究[J]. 石海波. 計算機仿真. 2010(10)
博士論文
[1]鎳的價格預測與采購模型及其應用研究[D]. 戴相全.東北大學 2015
碩士論文
[1]基于循環(huán)神經網絡的時間序列預測方法研究[D]. 張旭.南京大學 2019
[2]WJ公司原材料采購策略分析[D]. 祝衛(wèi)萍.電子科技大學 2019
[3]基于經濟發(fā)展階段的用電特征及中長期電量預測研究[D]. 焦杰.華北電力大學(北京) 2018
[4]基于GRU神經網絡的時間序列預測研究[D]. 劉洋.成都理工大學 2017
[5]基于改進的BP神經網絡庫存預測模型及其應用研究[D]. 阮翔.南昌航空大學 2016
[6]半導體元器件產品銷售與采購關聯預測模型的設計與實現[D]. 薛文軍.電子科技大學 2015
[7]供應鏈環(huán)境下Y公司采購管理機制優(yōu)化策略研究[D]. 董茜茜.浙江工業(yè)大學 2014
[8]基于灰色—多元回歸模型下的建設用地需求量預測研究[D]. 王科星.云南財經大學 2012
本文編號：2993438
本文鏈接：http://sikaile.net/shoufeilunwen/jjglss/2993438.html
