基于k—means聚类算法和BP神经网络的物资消耗预测模型的构建与测试

摘 要：根据后勤保障工作的实践特点，提出了采用数据挖掘与神经网络技术相结合的办法建立数学模型的思路，实现了精确预测的目的。使用k-means聚类算法来产生模糊变量的基本状态的隶属函数，且划分输入数据的模糊空间，利用以往任务的数据来训练神经网络，调制模糊规则隶属的参量，实现规则隶属度和输入属性之间的映射关系。

【关键词】聚类算法 神经网络 精确预测

军需后勤物资保障预算的制定与审核工作在部队执行各类任务时，具有重要的作用。一直以来部队在上述的工作中基本停留在人工低效阶段，严重地的掣肘了部队的快速反应能力。为了解决此问题，需要构建精确的物资消耗预测模型对物资的需求进行精确快速的预测。

1 模型构建

本文构建的基于k-means聚类算法和BP神经网络的物资消耗预测模型。以数据本身特性为基础，结合实验的手段，来选择合适的模糊规则数。具体的步骤是观察类内平方误差和减小的程度来逐渐改变聚类的数目，直到出现合适的结果为止。可以认为由此获得的模糊规则有一定的指导意义，能使得模型保持在一定的精度。

k-means聚类法的目标函数为平方误差和，将K-means聚类方法提取的历史数据对BP神经网络进行训练，获得输入输出属性之间的非线性映射关系。以三层BP网络为依托，那么算法的实施步骤可以分为以下几步：

1） 选取初始权值W。

2） 给全部样本输入相应的样本指标信息 。

a.计算隐节点的输出

其中隐含层节点为Wij，输入节点与隐节点之间的网络权值为 ，xj为输入节点。

b.计算输出节点的输出

其中y为输出节点，θ为阈值，那么设输出值为t。

c.对实际的结果与预期的结果进行比较，计算两者的误差之和

3） 如果误差未达到预设的值，对权值的修正量进行计算

其中是μ标量，e是网络的误差矢量，J为误差对权值微分的jaco-bian矩阵。

4） 除非满足条件：误差或者训练步数或者 值满足要求，否则将重复步骤2）与3）。

反复训练最终得到预测模型输入与输出数据之间的非线性映射关系，并将规则隶属与该映射关系进行合成，得到整个模型的输出结果。

2 实例分析

我们对125条作战演习军需物资需求的历史数据进行预处理后，作为预测模型的训练数据，其中设置了了9个输入属性以及6个输出属性。

采用隐层BP神经网络对隶属度函数参数进行了调制，其中网络具有18条隐层的神经元，6条输出神经元。选取其中的96%来作为学习样本，剩余的4%用于网络测试样本。取其中的一条规则，对2个BP网络来进行训练，将每组中的数据分成测试集与训练集，图2-1和图2-2分别展示了2个网络的误差变化曲线。

表2-1为优化后的BP算法预测值与实际值估算的误差分析，其中的正值表示预测值比实际值大，负值则相反。由此可以得到，优化后的神经网络对于各项需求指标的预测已经比较精确。特别是军队后勤保障物资各项需求量的最大与最小误差绝对值分别是3.46%与1.15%。因此说明了神经网络模型的运用对于作战演习任务的军需物资油料需求的快速估算效果良好。

将上报的预算方案与神经网络的快速预算估算值做对比，判断各个详细项目需求精确度完成审查预算的任务。图2-3展示了对某任务后勤保障方案数据的预算审核。

3 结论

由审核的结果可以看出本预算的需求预测较准确，基于K-means聚类方法和BP神经网络的物资消耗预测模型在实际案例的数据分析中具有重要意义，可以根据该模型结合其他数据挖掘技术构建精确完善的物资需求预测系统。

参考文献

[1] 王建华.信息技术与现代战争.国防工业出版社，2004.1-2.

[2] 邸凯昌.空间数据发掘与知识发现[M]. 武汉大学出版社，2001.

[3] Ralph Kimball.The Data Warehouse Lifecycle Toolkit：Expert Methods for Designing，Developing，and Deploying Data Warehouse.published by John Wiley&Sons，Inc.1998.

[4] （美）Efrem G.Mallach著，李昭智等译. 决策支持与数据仓库系统[M].电子工业出版社，2001.

作者单位

1. 四川大学计算机学院 四川省成都市 610065

2. 后勤信息中心 四川省成都市 610000