离散过程神经元网络（共4篇）
离散过程神经元网络 篇1
引言
神经网络是一种模拟生物神经系统的信息处理模型, 它具有高度自主并行处理以及自适应学习等能力, 在模式识别问题上表现出一定的优势。神经元的工作原理实际上是一系列联想、记忆、比较、推理和归纳的过程, 神经网络正是模拟这一生物机理, 解决文献检索智能识别。
1 离散Hopfield神经网络
1.1 神经网络基础
神经网络的基本单元称为“神经元”, 是对生物神经元的简化和模拟。如图1所示, 人工神经元具有多个输入信号, 它们同时输入神经元。神经元的每一个输入都有一个加权系数w, 根据每个输入的权重分配, 神经元对全部的输入信号进行整合, 以确定输入的总效果。得到输入的总效果后, 神经元会对输入进行处理, 主要体现为将总输入和偏置值进行比较以及将比较后的值进行函数的转换, 最后得到人工神经元的输出yi。
因此, [1～3]可以将人上神经元的输入输出对应关系表示为:
其中, yj为人工神经元的输出, xj为人工神经元的输入, wij为输入xi到神经元i的权重, θi为人工神经元i的阀值, f (x) 为神经元的转移函数。
1.2 离散Hopfield网络的基本原理
离散Hopfield网络是二值神经网络, [4]神经元的输出只取1和0这两个值, 它们分别表示神经元处于激活和抑制状态。
Hopfield网络是一种单层网络, 令网络由n个单元组成, n1, n2, ..., nn表示n个神经元, 这些神经元既是输入单元, 也是输出单元, 其转移特性函数为f1, f2…fn, 门限值 (阈值) 为θ1, θ2…θn。对于离散型Hopfield网络, 各节点一般选取同样的转移函数, 且为符号函数,
为了分析方便, 选取各节点的门限值 (即阈值) 全部为0, 即:θ1=θ2=…θn=0 (2.2)
同时, x= (x1, x2…xn) , x∈{-1, +1}为网络的输入;y= (y1, y2…yn) , y∈{-1, +1}n为网络的输出;V (t) = (v1 (t) , v2 (t) , …vn (t) ) , v (t) ∈{-1, +1}n为网络在时刻t的状态, 其中t∈{0, 1, 2…}为离散时间变量:Wij为从ni到nj的连接权值, Hopfield神经网络是对称的, 有
整个网络所有n个节点之间的连接强度用矩阵W表示, 显然W为n*n方阵。
Hopfield网络为一层结构的反馈网络, [3]能处理双极型离散数据 (即输入χ∈{-1, +1}) , 及二进制数据 (χ∈{0, 1}) 。当网络经过训练后, 网络处于等待工作状态, 而对网络给定初始输入X时, 网络就处于特定的初始状态, 由此初始状态开始运行, 可以得到网络输出即网络的下一状态。然后, 这个输出状态通过反馈回送到网络的输入端, 作为网络下一阶段运行的输入信号, 而这个信号可能与初始信号X不同, 由这个新的输入又可得到下一步的输出, 这个输出也可能与上一步输出不同。如此下去, 网络的整个运行过程就是上述反馈过程的重复。如果网络是稳定的, 那么, 随着许多次反馈运行, 网络状态的变化减少, 直到后来不再变化, 达到稳定状态, 此时, 在网络的输出端可得到稳定的输出, 可用以下公式表示为:
其中fj是由 ( (2.1) 定义, 为方便, 一般θj值取0。从某个时刻t之后网络状态不再变迁, [6]即有, 那么, 输出有y=v (t) 。
2 离散型Hopfield在数据检索的运用
离散型Hopfield神经网络解决数据检索智能识别的思想如下:先输入多个标准样本 (32*32) , 然后组建一个Hopfield网络, 该网络由1024 (32*32) 个神经元组成, 通过学习这些标准样本, 网络将所有样本的模式“记忆”下来, 当然, 在记忆的过程中, 各个神经元之间的权值是固定不变的。程序运行时输入加了干扰信号的样本, 网络通过对1024个神经元的目前状态进行迭代计算, “回忆”所输入的样本, 多次迭代以后, 网络逐渐稳定, 最后输出匹配输入模式的标准样本模式。
2.1 如何让计算机学习
下面给出一个单个神经元和单层网络, 把个输入和第i个神经元连接起来的权向量或者它的分量。一般来说, 第j个输入能够是别的神经元的输出或者它能够是外部的输入。
图2中每个神经元模型是与突触输入连接的处理单元和单个输出组成。神经元输入Xi的信号流是单向的, 神经元输出信号流也是如此。图2中的符号表示展现一组权和神经元处理单元或节点, 神经元输出信号由以下关系给出
其中W是权向量, 是输入向量。函数被ÁÂÁÂÁÂÁÂÁ称为激活函数, 它的定义域是神经元模型的一组激活值net, 那么我们用这个函数当做f (net) 变量net被定义成为权和输入量的点积net=WTX。
激活函数的自变量net, 是生物学神经元膜电位的模拟。假设被模拟的神经元有来自实际可变输入x1, x2, …, xn-1的n-1个实际突触连接, 还假设了xn=-1和wn=G。由于对于某些模型, 域值扮演重要角色, 有时往往需要明显地提出域值作为单独神经元模型参数。域值参数作为权重之一, 可以被包括入学习中。这将要求这些输入固定一个, 例如xn, 这里将假设如果固定xn, 它取-1的值, 即域值相当于一个输出始终为-1的单元的连接权重。
2.2 如何还原残缺或者噪声输入样本
还原就是将残缺或噪声样本恢复输入样本本来的面貌, 步骤大致如下:
首先输入残缺或者噪声的样本, 该模型中神经元实际上是一线性阈值单元, x1, x2, …, xn为该自适应线性元在t时刻的外部输入。
然后要将模式向量X的n个元素x1, x2, …, xn分别赋予与之对应的神经元, 作为相应神经元的初始状态, 即ai (0) =Xi, i=1…n。
最后在Hopfield神经网络模型中按其动力学特性sgn函数进行操作, 反复迭代, 直到收敛为止。其数学描述如下:
当整个神经网络稳定后, 神经元的输出就最终给出了匹配输入模式X的标准样本模式, 直接完成了提取记忆信息的操作。
3 讨论
由于离散Hopfield神经网络本身的限制, 使得系统在运行过程当中会有伪状态的出现, 即出现一个样本被破坏以后, 通过迭代收敛成另外一个错误的样本的情况, 如果使用海明神经网络则可以大大减小伪状态出现的机率。
参考文献
[1]郑君里, 杨行峻.人工神经网络.北京:高等教育出版社, 1993
[2]周继成, 周青山, 韩飘扬.人工神经网络-一第六代计算机的实现北京:科学普及出版社
[3]张立明.人工神经网络的模型及其应用上海:复旦大学出版社1993
[4]白其峥.数学建模案例分析, 海洋出版社2000
离散过程神经元网络 篇2
关键词：离散化,LVQ神经网络,连续属性
0前言
随着信息爆炸时代和网络化普及时代的到来, 我们每天都处于被信息包围的的环境, 在这种情形下, 数据挖掘技术发挥了越来越重要的作用, 而离散化是数据挖掘在实际应用过程中一个非常重要的环节。因为在我们所接收到的信息中, 包含了大量的非离散化的数据, 为了更好地利用数据挖掘技术进行数据处理, 必须首先对我们接收道德数据进行离散化处理, 现在离散化处理的算法已经达到了一个比较完善的高度。目前离散化主要利用统计学、布尔理论、聚类技术和熵等[1,2,3,4], 这些方法在数据挖掘过程中也已经发挥了重要的作用, 但这些方法也有缺陷, 最主要就是对离散化对象的敏感性考虑的不到位, 最终可能对影响对数据离散化处理的效率和准确性。
本文在对离散化的各种算法进行分析比较研究之后, 利用LVQ神经网络在对断点分析方面的优势, 提出了一种基于LVQ神经网络的离散化算法。
1 离散化的内涵
国内外众多的研究者进行了各种新的尝试, 从各个角度提出了许多可行有效的离散化办法[5,6,7], 但是目前理想的、适用于不同类别数据, 不同的归纳学习算法的离散化方法还没有见到.因此, 数据离散化的方法及其实现技术仍是一个有意义的研究方向。
2 LVQ神经网络
LVQ神经网络学习的过程实际上就是逐渐调整其权值的过程[3], 它是由芬兰学者Kohonen提出的自组织特征映射神经网络[4,9]演变而成, 其中的向量量化是标量量化的扩展。该网络是一种混合网络, 其网络结构如图1所示, 该模型分为两层, 第一层是竞争层, 第二层是线性层, 主要功能是将竞争层的分类结果传递到用户定义的目标分类上。
LVQ神经网络有i两个网络层, 即竞争层和线性层, 竞争层对输人向量的学习分类与竞争层一致, 我们把竞争层的分类称为子分类, 线性层根据用户的要求将竞争层的分类结果映射到目标分类结果中, 我们把线性层的分类称为目标分类。竞争层和线性层的每一个神经元的输出都对应一个分类 (子分类或目标分类) 结果, 所以竞争层通过学习, 可以得到S类子分类结果, 然后线性层将S类子分类结果再分成T类目标分类结果 (S始终大于T) 。例如假设竞争层的第1, 2, 3个神经元对输入空间的子分类锁对应的线性层的目标分类为第2类, 则竞争层的第1, 2, 3个神经元与线性层的第2个神经元的连接权将全部为1, 而与其他线性层神经元的连接权全部为0, 这样, 当竞争层的第1, 2, 3个神经元中的任意一个神经元在竞争中获胜时, 线性层的第2个神经元将输出1.
3 基于LVQ神经网络的离散化方法
LVQ神经网络学习的过程实际上就是逐渐调整其权值的过程, 由芬兰学者Kohonen教授提出的[9], LVQ神经网络是一个两层网络, 即由输入层和竞争层组成, 输入层接收样本, 竞争层对样本进行分类, 这两层的神经元进行完全相互连接, 竞争层的神经元按二维形式排列成一个节点矩阵, 一般输入层节点数等于能够代表分类问题模式的维数, 输出节点数根据具体问题来决定。
(1) 算法思想
我们首先利用LVQ神经网络的分类功能, 将每一个连续属性分割成若干类, 分割连续属性也就等于找到了一个断点集合, 这样对每个连续属性离散化完毕之后, 我们再次利用LVQ神经网络检测离散化后的属性是否仍然满足决策一致性, 若满足就说明离散化成功, 否则重新寻找断点集合, 直到满足决策一致。
(2) 算法步骤
(1) 判定属性重要性
设K= (U, R) 是一个知识库, P, Q哿R, 我们说知识Q程度k (0≤k≤1) 与知识P相关, 记为P圯k Q, 当且仅当
若k=1, 则称Q与P完全相关, 即P圯Q;若0<k<1, 则称Q与P粗 (或部分) 相关;若k=0, 则称Q独立于P。P圯1Q圳P圯Q
(2) 利用LVQ神经网络对连续属性分类
利用LVQ神经网络对连续属性进行离散处理, 输出层神经元数量等于聚类数目。因此聚类数目的选取是第一步, 如果选取的少, 则很有可能会导致离散效果不准确, 影响我们对学习情况的判断和下一步的处理;否则, 会出现过离散情况, 可能会得到与事实不符的处理情况, 失去离散化处理的意义。极端情况下, 离散处理后决策系统中对象的条件部分互不相同, 各自形成独立的规则, 导致应用中对规则条件匹配判断的复杂性增加。然而在现有的讨论结果中, 网络输出层神经元数目的确定没有一套固定成型和科学的方法。因此这种方法的关键在于确定神经元的数目。
(3) 找到其中一个断点集合, 并对其进行离散化
对得到的聚类数据, 分别用不同的离散数据替代得到的每一类数据, 从而实现了连续属性的离散化, 然后转 (2) , 直到对每一组属性离散化完毕, 就得到了离散化后的属性表。
(4) 判断离散化后的决策系统是否满足决策一致性
得到离散化后的属性表, 再次利用LVQ神经网络进行训练, 利用Matlab仿真函数验证得到的聚类结果是否满足决策一致性。如果满足证明离散化成功, 否则转 (2) 重新对其离散化, 直至满足决策一致性。
利用LVQ神经网络的newc () 函数新建一个的网络, 为了加快学习, 将学习效率设置为0.1, 训练样本为属性A, 经过训练之后为了检验网络的分类能力, 需要对网络进行测试, 我们利用仿真函数sim () 可以看到的聚类结果是:
表明将数据分为三类。由此可见, 网络成功的对训练样本进行了分类, 其中第1、第7为一类, 第2、第6为一类, 第3、第4、第5、第8为一类。每一类用一个离散数据替代, 所以可以得到的离散化结果是:[0 1 22 2 1 0 2]
用同样的方法对属性B进行离散化处理, 得到的离散化结果是:[0 1 2 0 2 2 1 0]
连续属性离散化之后我们需要验证一下离散化的结果是否对属性表的一致性产生了影响, 所以我们再次利用LVQ神经网络来检验, 现在训练样本为P=[0 1 2 2 2 1 0 2;0 1 2 0 2 2 1 0]
经过训练得到的聚类结果是:
我们发现得到的结果和原来的决策属性完全一致, 说明对连续属性的离散化并没有改变属性表的一致性。
4 小结
我们利用LVQ神经网络的自主学习和记忆功能, 找到连续属性的断点结合, 经过LVQ神经网络的训练和学习, 解决了数据挖掘技术中的离散化问题, 并通过Matlab仿真实验验证了离散化后并没有改变原始数据的基本属性, 说明离散化处理对于我们在信息爆炸时代, 而又无法在数据的海洋中无法找到所需要的数据的问题有非常重要的作用和意义。
参考文献
[1]徐泽柱, 王林.基于粗糙集理论和BP神经网络的数据挖掘算法[J].计算机工程与应用, 2004, 31 (03) :169-172.
[2]余卫雄, 姜礼平, 萧星.基于粗糙集和神经网络的联合模式识别系统[J].海军工程大学学报, 2006, 18 (02) :87-90.
[3]蒋丽华, 覃征等.基于粗糙集的LVQ神经网络的稽查选案模型研究[J].计算机应用.2006, 26 (12) :205-207.
[4]谢振华, 商琳, 李宁等.粗糙集在神经网络中应用技术的研究[J].计算机应用研究, 2004, 21 (9) :71-74.
[5]江虹, 伍春, 包玉军等.基于粗糙集的认知无线网络跨层学习[J].电子学报, 2012, 40 (1) :155-161.
[6]赵长雷.数据挖掘中属性离散化方法研究[D].大连:大连理工大学, 2010.
[7]董卓, 朱永利, 胡资斌.基于遗传规划和数据归一化的变压器故障诊断[J].电力科学与工程, 2011, 27 (9) :31-34.
[8]刘小龙, 江虹, 吴丹.基于CACC的连续数据离散化改进算法[J].计算机工程, 2013, 39 (4) :48-51.
离散过程神经元网络 篇3
1 连续网络离散化后的稳定性
连续Hopfield网络模型可描述如下
其中, xi (t) 和yi (t) 分别为神经元的输入和输出状态, ai为自反馈系数, si为阈值, wij为连接权值, ηi为激励增益 (ηi>0) , σi () 为激励函数。该激励函数为连续可微、有界且严格单调递增。因此其逆函数也为连续可微且严格单调递增。令激励函数满足0<σˊi () ≤βi, 其中符号“ˊ”表示求导运算。
令τ为仿真步长, 基于Eular法, 可导出离散模型为:
对应的向量方程形式为:
其中X (k) =[x1 (k) , x2 (k) , …, xn (k) ]T, Y (k) =[y1 (k) , y2 (k) , …, yn (k) ]T, S=[s1, s2, …, sn]T, W= (wij) n×n, I为单位阵。
定义1[5]:考虑离散系统X (k+1) =f (X (k) ) , 称X为系统的m周期点, 如果fm (X) =X且fi (X) ≠X, 1≤i
定义2[5]:考虑离散神经网络 (2) , 称系统以同步方式运行, 若所有神经元的状态是并行同步更新的;称系统以异步迭代方式运行, 若每一时刻只有一个神经元状态发生变化。
再令B=diag{η1/β1, …, ηn/βn};F=diag{f1, …, fn}为正定对角阵, 将文献[5]中的定理进行推广如下:
定理1:考虑离散动态反馈神经网络 (2) , 以同步迭代方式运行的网络必渐近收敛到系统的不动点, 如果满足fiwij=fjwji和以下任一条件:
当0≤aiτ≤1, i=1, …, n时, FW+ABF或τFW+2 (I-τA) BF为正定。
当ai<0, i=1, …, n时, τFW+2BF为正定。
证明:
构造有界能量函数V (Y) 为
令Δyi=yi (k+) 1-yi (k) , 若系统从k到k+1时刻以同步方式运行, 则有
利用xi (k) =ηiσi-1 (yi (k) ) , 可知上式中:
从而
下面分三种情况加以证明:
1) 当0≤aiτ≤1, i=1, ……, n时, 式 (5) 可改写为:
这表明, 当0≤aiτ≤1, i=1, ……, n时, 则ΔV (Y) ≤0仅当FW+ABF正定, ΔV (Y) =0当且仅当ΔY=0。从而, 系统可渐近收敛到不动点。
2) 当0≤aiτ≤1, i=1, ……, n时, 式 (5) 又可改写为
设ξi, θi取值于yi (k+1) 和yi (k) 之间, 且由于σi-1 () 为严格单调增, 因此成立:
由中值定理, 可得
因此, 当0≤aiτ≤1, i=1, …, n时, 则ΔV (Y) ≤0仅当τFW+2 (I-τA) BF正定, ΔV (Y) =0当且仅当ΔY=0。由此, 系统可渐近收敛到不动点。
3) 当ai<0, i=1, …, n时, 由式 (6) 得
因此, 当ai<0, i=1, …, n时, 则ΔV (Y) ≤0仅当τFW+2BF正定, ΔV (Y) =0当且仅当ΔY=0。从而系统可渐近收敛到不动点。
定理2考虑离散动态反馈神经网络 (2) , 则以异步迭代方式运行的网络必渐近收敛到系统的不动点, 如果满足 (FW) T=FW和以下的任一条件:
证明:不失一般性, 设由k到k+1时刻, 仅第l个神经元状态发生变化, 能量函数的选择同于式 (4) , 则
1) 当0≤aiτ≤1, i=1, …, n时
这表明, 当0≤aiτ≤1, i=1, ……, n时, 则ΔV (Y) ≤0仅当aiηi/βi>-wi, i时, ΔV (Y) =0当且仅当ΔY=0。从而, 系统可渐近收敛到不动点。
因此, 当0≤aiτ≤1, i=1, …, n时, 则ΔV (Y) ≤0仅当1 (2-τai) ηi/βiτ>-wi, i时, ΔV (Y) =0当且仅当ΔY=0。由此, 系统可渐近收敛到不动点。
3) 当ai<0, i=1, …, n时
因此, 当ai<0, i=1, …, n时, 则ΔV (Y) ≤0仅当2ηi/βiτ>-wi, j时, ΔV (Y) =0当且仅当ΔY=0。从而系统可渐近收敛到不动点。
定理3考虑离散动态网络 (2) , 若aiτ=1, i=1, …, n和 (FW) T=FW, 则以任何迭代运行的网络所得吸引子只能是不动点或2周期点。∑+=+τ
上式推导中已经利用了中值定理。其中,
定理1-3是对文献[5]的推广, 文献[5]中的结论为F为单位阵时的特例。
鉴于大量文献[2-4]对权值矩阵为广义对称矩阵时网络的稳定性进行讨论, 本文给出给出判断矩阵为广义对称矩阵的充要条件。
定理4:对于n阶非对称矩阵W={wij}, 如果不存在某行 (列) 除对角线上之外所有元素都为零, 则存在正定对角阵F=diag{f1, f2, …, fn}使得FW成为对称矩阵 (即[FW]T=WTF=FW) 的充要条件为
wij与wji同号或者都为零, 即wijwji>0或wij=wji=0;
n (n-1) /2阶矩阵H的秩为n-1, 即rank (H) =n-1;
其中
证明:
1) 充分性
因为FW为对称矩阵, 则
因为f1, f2, …, fn都为正数, 所以wij与wji同号或wij=wji=0才可使 (8) 式成立。令X=[f1, f2, …, fn]T, 将 (8) 写成线性方程的矩阵形式为:
为使 (9) 有非零解, 则rank (H)
2) 必要性
如果rank (H) =n-1, 则方程 (9) 有非零解, 令自由变量为一正数, 因为wijwji>0或wij=wji=0则解X的每一个元素都为正数。所以存在正定对角阵F=diag{f1, f2, …, fn}使得FW成为对称矩阵。
推论1:对于n阶非对称矩阵W={wij}, 如果第l1, l2, …, lh行及列上除对角线之外的所有元素都为零, 则存在正定对角阵F=diag{f1, f2, …, fn}使得FW成为对称矩阵, 即[FW]T=WTF=FW, 的充要条件为
1) wij与wji同号或者都为零, 即wijwji>0或wij=wji=0;
2) n (n-1) /2阶矩阵H的秩为n-h-1, 即rank (H) =n-h-1;
2. 实例
根据定理4, 所以矩阵W为广义对称矩阵, 事实上, 令F=diag{2, 3, 4}便可使FW成为对称矩阵。
令A=diag{1, 1, 1};B=diag{2, 3, 4};则
为正定。当τ=0.5时, 根据定理1, 网络 (2) 以同步迭代运行时必渐近收敛到系统的不动点。事实上, 仿真实验表明该网络确实稳定, 稳定点为 (y1=0.746454, y2=0.700634, y3=0.731059) 。当τ=1.0时, 根据定理3, 网络 (2) 稳定在不动点或2周期点, 仿真结果表明该网络仍然稳定在不定点 (y1=0.746454, y2=0.700634, y3=0.731059) 上。
3 结论
本文讨论了权值矩阵为广义对称矩阵时连续Hopfield网络离散化后的稳定性, 所得结论推广了原有的结果。并进一步讨论了广义对称矩阵的判定和性质。
参考文献
[1]许进, 保铮.反对称离散Hopfield网络的稳定性理论[J].电子学报.1999, 27 (1) :93-97
[2]马润年, 张强, 许进.离散Hopfield神经网络的稳定性研究[J].电子学报.2002, 30 (7) :1089-1091
[3]廖晓昕.动力系统的稳定性理论和应用[M].北京:国防工业出版社.2000.
[4]廖晓昕, 昌莉, 沈轶.离散Hopfield神经网络的稳定性研究[J].自动化学报.1999, 25 (6) :721-727
离散过程神经元网络 篇4
电子商务发展最大的瓶颈是线下快递服务的承受能力,从2008 年至今,快递爆仓的问题一直没有得到解决,特别是近几年双十一后,各快递公司都出现了不同程度的爆仓现象。网购消费者7 ~ 10 天收到快递包裹的现象比较普遍。究其根本原因,除了是对快递公司业务处理能力的挑战外,更多的是对公司快件分拣中心运营质量的考验。而对快递配送中心运营质量进行评价,并找出影响关键影响因素,是快递公司面临的重要问题。
关于运营质量的影响因素较多,有定量指标,也有定性指标,且交叉性、渗透性强,用传统的数学模型进行描述评价,结果准确率低。离散Hopfield神经网络模拟人类大脑机能,能利用大量链接的神经元所构成的复杂网络,借助其计算、存储、动态联想与记忆能力,在影响因素明显度差异较小的前提下,快速准确的对研究对象做出仿真评价,能克服传统评价方法的不足。本文利用离散神经网络模型,通过MATLAB神经网络工具箱对广州某快递公司营运点部运营质量进行了仿真实验,结果表明该评价比较客观,对于配送中心运营质量的评价具有一定的参考意义。
2 快递配送中心运营质量评价指标体系的构建
评价指标的全面性、科学性、客观性对研究结果非常重要。而指标体系的构建主要综合运用文献法和专家法两种方法,根据快递业从业经验丰富的专家对运营质量评价的理解和类似研究问题的文献,从运营人员管理( 分拣作业人数、分拣人员对业务的熟悉程度、分拣人员素质的高低) 、运营设施设备管理( 分拣设备的运转速度、分拣设施布局合理性) 、运营业务流程管理( 分拣业务流程设计、分拣的件量情况、分拣每件所需时间的情况、运单信息判断的准确度、分拣不同规格的件的操作情况) 三个方面构建了评价指标,如表所示。指标之间的相关性和渗透性影响到评价模型的选择和使用,本文所选的三方面的指标运营人员情况、运营设施设备管理及业务流程管理之间存在相关性,人员数量及素质和对业务的熟练程度影响运营,运营设施设备的布局及运作对运营质量也同样有一定影响,业务流程的设计、分拣的数量和每件的属性( 规格、轻重等) 对运营同样有关系,指标之间互相渗透、互相影响。
3 快递配送中心运营质量评价模型的构建及评价
3. 1 Hopfield神经网络的评价算法
Hopfield神经网络学习算法首先由美国约翰 ·霍普菲尔德于1982 年提出。是单层输出为二值的反馈网络,其模拟生物神经网络的记忆原理,由n个神经元链接,每个节点都可处于一种可能的状态( 1 或- 1) ,即当该神经元所受的刺激超过其阈值时,神经元就处于一种状态( 比如1) ,否则神经元就始终处于另一状态( 比如- 1) ,体现神经元处于激活或抑制状态。其计算公式为:
其中xj为外部输入变量。并且有
在该系统动态自反馈网络中,平衡稳定的状态在系统运动中,其能量不断降低,最后处于最小值,体现了离散Hopfield网络的稳定性。
3. 2 快递配送中心运营质量评价
具体思路为: 首先构建的理想等级评价指标,其次对等级评价指标进行编码,再其次对待分类等级评价指标进行编码,创建离散Hopfield神经网络,最后进行结果分析。
利用该模型对营运质量进行评价时,根据快递运营企业经验丰富的专家对理想的几个快递运营点部进行评价,根据评价情况对几个点部进行分类,按照综合运营质量情况从高到低分为三类: A类、B类、C类,其中A类为各项评价综合为优秀的点部,B类为各项评价综合为良好的点部,C类为各项评价综合为合格的点部。将三类对应的评价指标设计为神经网络的平衡点,神经网络利用记忆性进行学习,为典型的分类等级的评价指标进行分类,逐渐趋于Hopfield神经网络记忆储存的平衡点对应的各个分类等级评价指标。当将有待评价分类的评价指标输入时,模型就利用其动态联想记忆能力逐渐趋近某个记忆的平衡点,当状态不改变时,该对应的平衡点就是待评价分类的等级。
3. 2. 1 设计等级评价指标
本文所研究的9 个点部的运营质量评价等级与10 个指标之间的关系如下表3,由快递运营经验丰富的3 名专家对该点部从分拣作业人数、分拣人员对业务的熟悉程度、分拣人员素质的高低、分拣设备的运转速度、分拣设施布局合理性、分拣业务流程设计、分拣的件量情况、分拣每件所需时间的情况、运单信息判断的准确度、分拣不同规格的件的操作情况方面进行打分,后计算平均分数。
离散Hopfield神经网络使用的前提条件是评价指标渗透性强、交叉性强、相关度高,本文对所选定的10 个指进行了相关性检验,检验结果见表2,显示10 个指标之间具有很强的相关性,适合于用该神经网络模型进行评价。
根据评价情况,对这9 个点进行了分类,其中评为A类的有3 个点部、B类的有3 个点部、C类的有3 个点部,该分类与实际情况是相符的,其中评为A类的属于综合运营质量最高的三个点部,分拣的量、从业人数、分拣效率等均属于该公司优秀的点部之一。
将各等级的样本对应的各评价指标的平均值作为各个等级的平衡点评价指标,如表4 所示,其中A类为优秀,所对应的每个指标评分均在90 分以上; B类为良好,指标评价分数在70 分以上; C类为合格,每个指标的评价分数在60 分以上70 分及以下。
3. 2. 2 平衡点等级指标编码
离散型神经网络神经元的输出点如前所述,只有1 和- 1两种,评价指标映射为神经元时需要将其进行编码。当大于或等于某个等级的平衡点对应的指标值时,对应的神经元状态设为“1”,相反为“ - 1”。平衡点评价指标的编码如下图,其中●表示输出状态为“1”,相反用表示输出状态为“- 1”。
根据设计好的平衡点评价指标,利用MATLAB平台,创建离散型Hopfield神经网络,将3 个等级的平衡点对应的指标进行编码为3 个103 的矩阵,作为平衡点,并将数据保存在class. mat数据文件中,class1 为A类,class2 为B类,class3 为C类。
3. 2. 3 待分类的评价指标进行编码
3 个待评价的快递点部营运质量的评价指标,由三位快递运营经验丰富的专家对其评价,取其平均值,见表5。对其进行编码,保存在pre - sim. mat文件中,其中pre - sim1 为第一个待评点的编码,pre - sim2 为第二个待评点的编码,pre -sim3 为第三个待评点的编码,具体见图。
从上图可以看出待评价的三个点部的运营质量的评价指标并不都趋近于平衡点,其中第一个点的评价中有6 个指标趋于A类的平衡点,4 个指标趋于B类的平衡点; 第二个待评价点部有9 个指标趋于B类的平衡点,1 个指标趋于C类的平衡点; 第三个待评价的点部有5 个指标趋于C类的平衡点,有5 个指标小于平衡点所对应的指标值。但是总体可以看出平衡点分别趋近于A类、B类、C类,待评价的点部的运营质量分别对应于A类、B类、C类。
3. 2. 4 仿真分析
待评价的3 个快递点部的对应的编码矩阵,第一个点对应sim_1,第二个点对应sim_2,第三个点对应sim_3,并输入,经过神经网络动态学习后,利用sim函数进行仿真可以得到以下仿真结果。
从以上仿真结果来看,待评价的3 个点部的运营质量评为A类、B类、C类,与仿真之前指标与平衡点的趋近性一致,说明离散Hopfield神经网络可以正确的对该点部的运营质量进行评价。
4 研究结论
对快递分拣中心运营质量的评价在国内研究尚缺乏,本文基于离散Hopfield神经网络,对该对象进行评价,结果证明这种方法可以准确的对运营质量进行评价,而且具有很强的推广意义。研究中该神经网络并不是适用于任何方面,当所研究的对象影响因素评分高低差异非常大的时候,利用该方法不能得到明确的分类。
参考文献
[1]宋涛,唐德善,曲炜.基于离散Hopfield神经网络的项目风险分析模型[J].统计与决策,2005,(3).
[2]史忠植.神经网络[M].北京:高等教育出版社,2009.
[3]王小川,史峰,郁磊,李洋.MATLAB神经网络43个案例分析[M].北京:北京航空航天大学出版社,2013.
[4]常浩.基于LSQ模型的信息网络环境下第三方物流企业服务质量模型构建[J].信息系统共享,2014,(1).
[5]谢中华.MATLAB统计分析与应用40个案例分析[M].北京:北京航空航天大学出版社,2010.