黄启来，汲万峰，赵 明

(海军航空工程学院 军事教育训练系，山东 烟台 264001)

实验器材是实验教学保障体系的重要组成部分，高校必须储备一定数量的实验器材。然而，高校的保障经费以及保管仓库的容积都是有限的，所以只能以有限的保障经费、有限的库容，采购有限的器材[1]。如果储备量过大，一方面将增加库存保管费和保管场所维护费用，降低经济效益；另一方面，会降低器材的质量，使器材陈旧、损坏，甚至因发霉、生锈而无法使用。反之，如果器材储备过少，也会造成维修停工，甚至无法完成正常的教学任务。如果由于缺货而需要临时订货，更增加了附加的人力和费用，造成更大的损失。因此，对实验器材的需求进行预测是科学筹划实验器材保障工作的基础[2-3]。利用神经网络技术可以对实验室器材的需求量进行较好的预测。

1 神经网络理论

人工神经网络(artificial neural network，ANN)是由大量简单的、高度互联的处理元素(神经元)所组成的复杂网络计算系统，它是在现代神经科学研究成果的基础上提出的，反映了人脑功能的若干基本特征，是模拟人工智能的一条重要途径。人工神经网络既可以用硬件实现，也可以用软件实现；既可以看作是一种计算模式，也可以看作是一种认知模式[4-5]。

BP网络，即误差回传神经网络(back-propagation neural network)，它是一种无反馈的向前网络。网络中的神经元分层排列，除了有输入层、输出层之外，还至少有一层隐含层，每一层内神经元的输出均传送到下一层(见图1)。这种传送由连接权来达到增强、减弱或抑制这些输出的作用。除了输入层的神经元外，隐含层和输出层神经元的净输入是前一层神经元输出的加权和；每个神经元均由它的输入、活化函数和阈值来决定它的活化程度[6-8]。

BP网络的工作过程分为学习期和工作期2部分。

学习期由输入信息的正向传播和误差的反向传播两个过程组成。在正向传播过程中，输入信息从输入层到隐含层再到输出层进行逐层处理，每一层神经元的状态只影响下一层神经元的状态。如果输出层的输出与给出的样本希望输出不一致，则计算出输出误差，转入误差反向传播过程，将误差沿原来的连接通路返回。通过修改各层神经网络模型的权值，使得误差达到最小。经过大量学习样本训练之后，各层神经元之间的连接权就固定了下来，可以开始工作期。

工作期中只有输入信息的正向传播。正向传播的计算按前述神经元模型工作过程进行。因此，BP网络的计算关键在于学习期中的误差反向传播过程。此过程是通过使一个目标函数最小化来完成的。通常目标函数定义为实际输出与希望输出之间的误差平方和(当然也可以定义为熵或线性误差函数)[9-10]。

图1 BP神经网络示意图

2 实验器材需求影响因素分析及量化

根据对实验室保障情况的分析研究，影响器材需求的主要因素包括：

(1) 器材使用情况：使用时间越长、次数越多，器材发生故障的概率也越大，需求量就增加；

(2) 器材使用人员的技术条件：使用人员的水平高，正规操作次数多，对器材的损耗就小，需求量也会小；使用人员水平较差，非正常操作次数多，对器材的损耗大，需求量就会增大；

(3) 器材综合性能：器材的制造工艺、产品质量等也会对器材的消耗产生重要的影响，器材质量越好，平均故障间隔时间越小，器材的需求量越小；

(4) 器材的采购的难易程度：器材易于采购，采购时间短，则器材的储备量就不用太多；反之，器材采购困难，采购时间长，则储备量就要相对多一些，需求量也就更高一些。

根据此原则，将实验器材需求量L的主要影响因素归纳为6个指标，即：使用时间T、使用次数Y、综合业务素质差的使用人员在全体使用人员中所占的比例U、故障率Q、平均故障间隔时间M和不易采购的程度S。将影响使用实验器材的6个指标作为神经网络的输入参数，将实验器材需求量L作为输出。故基于神经网络的实验器材需求量为

L=f(T,Y,U,Q,M,S)

在上述6个影响因素中，前5个指标均为数值指标，很容易量化；而指标S可以通过查询器材的订货纪录和管理工作人员的经验，将这一指标转化为0～1数值指标，将极容易采购的赋值为1，否则为0[11-12]。

3 实验器材需求预测实例分析

对编号为001的实验器材2002年到2011年需求影响因素的相关数据进行整理，结果见表1。以前9年的数据作为训练样本，以第10年(2011年)的数据作为测试样本，应用神经网络对实验器材进行需求量预测。

表1 编号001实验器材需求影响因素的数据统计

预测曲线与实际数据的拟合程度如图2所示：

图2 神经网络需求量预测结果图

预测结果表明：编号为001的实验器材2011年预测值为12.457个，2011年实际值为13个，平均绝对误差(MAE)为0.533，均方误差(MSE)为0.518 4。

根据以上预测数据的实例，可以得出以下结论：采用神经网络法进行预测所得到的结果误差很小，与实际值非常接近。

4 结束语

利用神经网络方法能够高效、准确地进行实验器材的需求预测，并且方法简单，对数据的样本量要求较少，预测过程比较客观，不存在主观因素干扰，为实验器材的保障工作打下良好的基础。

[1] 李阳倩.浅谈高校实验器材的储备管理[J].成都中医药大学学报：教育科学版，2006(8):78-79.

[2] 徐晓燕.一种基于需求特性分类的备件库存管理方法及其实证研究[J].系统工程理论与实践，2006，7(2)：62-67.

[3] 杨宇航，赵建民，李志忠.备件管理系统仿真研究[J].系统仿真学报，2004，16(5)：981-986.

[4] 朱凯.精通MATLAB神经网络[M].北京：电子工业出版社，2010：236-241.

[5] 刘兴唐，吴晓燕.现代系统建模与仿真技术[M].西安：西北工业大学出版社，2001：40-43.

[6] 郭淳，李祚泳，党嫒.基于免疫进化算法的BP网络模型在径流预测中的应用[J].水资源保护，2009，25(5)：1-4.

[7] 谷晓平，王长耀，王汶，等.应用于水文预报的优化BP神经网络研究[J].生态环境，2004，13(4)：524-527.

[8] 庞博，郭生练，熊立华，等.改进的人工神经网络水文预报模型及应用[J].武汉大学学报：工学版，2007，40(1)：33-36.

[9] 艾时钟，杜荣.基于神经网络的备件库存风险级别预测[J].中国管理科学，2008，16(2)：430-433.

[10] 周英，尹邦德，任铃，等.基于BP神经网络的电网短期负荷预测模型研究[J].电测与仪表，2011(2)：68-71.

[11] 张冬，明新国，赵成雷，等.基于BP神经网络和设备特性的工业设备备件需求预测[J].机械设计与研究，2010，26(1)：72-76.

[12] 胡继钧.学校实验设备和耗材管理智能化研究[J].计算机光盘软件与应用，2012(23):87-88.