基于ANN及CBR的产品需求映射实现方法

响。例如：若网络的某节 点激励输入后 导致 网络输 出 会产 生较大幅值响应 ，则认为该输入节 点对 网络样本
训练 作用较 大，但 是若通过该节点输入不 同激励后 ，
产生 网络输 出幅值变化较小时，则认为该节点输入对
网络训练的重要性低 ，即 Ｂ Ｎ 设计 时要求不 同的特 ＰＮ 征激励输入 能产生不同的响应 输出，网络的节点的连
了一种新的有效实现途径 。 关键词：Ａ ＮＮ；Ｃ Ｒ；需求映射 Ｂ
Ｐ ｏ ｕ ｔ ｑ ｉｅ ｎ ａ ｐ ｎ ｅｈ ｄ Ｂａ ｅ ｎＡＮ ＆ ＣＢＲ ｒ ｄ ｃ Ｒｅ ｕ ｒ ｍｅ ｔ Ｍ ｐ ｉ ｇＭ ｔ ｏ ｓ ｄ ｏ Ｎ
ＬＩ ＡＮＧ ｕ ． ａ Ｃｈ ｎ Ｘｉ
（ ｉ ｎ ｉｈＶ ｌ ｇ ｉ ｕｔ ｒａ ｅ ｏ Ｌ ｄ， ａ ｇ ｈ ｕ ０ Ｃ ｉ ａ Ｓｅ ｓ ｇ ｏｔ ｅ ｒ ｉ Ｂ ｅｋ ｒ ． ｔ． ｎ ｚ ｏ １ １ ， ｈｎ ） ｍｅ Ｈ ａ Ｃ ｃ Ｃ Ｈ ３０ ８
１ 基于神经网络 的Ｃ Ｒ权值学习实现 Ｂ
人工神经网络（ ｔ ｃ ｅｒ ｅ ｒ ａ ｉ ｉ ｎｕａ ｎｔ ｋ简称 Ａ Ｎ） ｒｆ ａ ｉｌ ｌ ｗｏ Ｎ 是用大量神经元 的互连 以及对 各连接权值分布来表示
特定 的领域概念或知识 。在知识获取的过程中， 过 它通 专家提 出范例及相应 的解即通过特 定的学 习算法对样
输入特 征的活跃度是通过不 同的样本经过网络训 练后所 得到网络 响应输 出变化幅度 ，若网络中某 节点
的响应输 出幅度随不 同的激励输入变化越 大时，则认 为该节点的特征活跃度越高 。反之，若网络 中某节 点 的响应输出不随激励输入的变化而变化 时，则认 为该 节点的特 征活跃度 为 ０ 。每一个 隐层节点 的特征活跃 度计算 公式为 ：
ｎ
Ｒ＝ ）ｖ （ ） ｊ∑（ ａ￣’ ・ｒ
ｋ＝ｌ
其 中， ０为每一个样本输入在 正常 网络训练后得到的 Ｐ 响应输出， ｊ Ｐ 为输入样本 中某个节 点特征 ｉ 被移除后，
通过 网络训练后得到的响应 输出，在 Ｂ Ｎ 训练时， ＰＮ
根据隐层 节点的相关度可知，输入节 点 ｘ 的相关 ｉ
根据下述公式进行运算 ：
网络样本训练及特征灵敏度、特征活跃度 、 特征 凸度、 特征相关度计 算方法获取基于 Ｃ Ｒ的产品需求权重 。 Ｂ
根据论 文ｌ中基于 事务特 性表原理的需求信息元形式 ４ 】 化表达 可知 ，用户需求输入属性值 的类型有数值型 、 字符型 、布尔型等。然而对于 Ｂ 网络输入而言 ，由 Ｐ 于不同字符型属性值 的差异难 以用 准确 的公式计算来
度为：
Ｒｉ Ｒｊ ＝ －
输入节点特征的移除可通过将 与该节 点相关 的所有连
接权设置为 ０来实现 。 Ｌ为训练样本集合 ， ｎ为训练样
本数量。
根据上述特征权重计算方法可得 ：Ｂ Ｎ 输 入特 ＰＮ
征权重为：
２ ）特 征活跃度
Ｒ ｓａｃ ｎ ｅ ｅ ｐ ｎ ｅｅｒ ａｄ ｖ ｌ ｍｅｔ研究 开 发 １ １ ｈ Ｄ ｏ ０
ｓ ｎ ｉ ｖｔ ａ ｔ ｉ ｓ ｌ ｎ ｙ， ｅｅ ｎ ｅａ ｄｔｅｔａ ｓｏ ｍｉ ｇｍｅ ｈ ｎｓ ｏ ｅ ｔ ｅ ｎ ｕ ｌｏｂ ｅ ｅ ｃ ｉ ｄ Ｂａ ｅ ｎ ｅ ｓｔ ｉ ｉ ｙ， ｃ ｖ ｔ ａｉ ｃ ｒ ｌｖａ ｃ ｎ ｎ ｆ ｒ ｎ ｃ ａ ｉｍ ｆｆａｕｒ ｓｉ ｐ ｔ ｓ ｅ ｎ ｄ ｓ ｒｂ ． ｓ ｏ ｉ ｙ， ｅ ｈ ｒ ａ ｅ ｄ
ｗｅｇ ｔｓ ｔ ｎ ｌ ｙ ｅ ｄ ｔ ｈｅｐｏ ｒａ ｃ ｒ ｃ ｆｒｓ ｌｓａｆ ｃｅ ｙ ｉｒ ｌｖ ｎ ｏ ｓ ．Ａ ｅ ｍ ｅ ｏ ｆＣＢＲ ｉｈ ｉ ｈ ｅｔ ｇ ａ ｗａ ｓｌａ ｏ ｔ ｏ ｃ ｕ ａ ｙ ｏ ｅ ｕ ｔ ｆｅ ｔｄ ｂ ｒｅ ｅ ａ ｔｎ ｉｅ ｉ ｎ ｗ ｔ ｄ ｏ ｈ ｗｅｇ ｔ ｓ ｔｉｇ ｈ ｓ ｂ ｅ ｕ ｏ ｗａ ｄ ｔ ｏ ｖ ｔｂ ｅ ｎ ＡＮ Ｎ，ｗｈｃ ｅ ｎ ｄ ｈ ｅｅ ａ ｔｗｅｇ ｔｆｏ ｈ ｐ ｃ ｓｏ ｅ ｔ ｒ ｅｔｎ ａ ｅ ｎ ｐ ｔｆ ｒ ｒ ｏ ｓ ｌ ｅｉ ａ ｄ ｏ ｓ ｉｈ ｄ ｆ ｅ ｔ ｅ ｒ ｌｖ ｉ ｈ ｒ ｍ ｔ ｅ ａ ｅ ｔ ｆｆａｕ ｅ ｉ ｎ ｓ
∑（ ）Ｖ（∑ ） （ ａ （ ） ’・ｒ ｇ ）
ｌ ｉ ＝Ｏ
根据上述隐层节点的特征活跃度 计算 公式可知 ， 每一个输 入节 点 ｘ 的特征活跃度 为： ｉ
４ ∑（ ） ） ＝ （ ’・
；Ｉ
通过特 征凸度 以及特征相关度 计算方法来完成 。输入
特征测度维则通过样本特 征输入对 网络输 出节 点幅值 及变 化 幅度 的作用来 表达 输入特 征对 网络 训 练的影
其 中 ｗｊ ｔ表示网络隐层与输 出层单元连接权 ，ｗｉ ｊ网络
输入层与隐层单元连接权 ，ｔ 为隐层 单元序列号 ，Ｊ 为 输 出层单元序列 号， 为输入层单元序列号 ， ｉ 以下类 似。 ３ ）特征凸度 输入特 征的凸度是通过网络样本训练 中节 点连接
权的循环迭代误差水平来表达的。 在网络训练过程 中， 通 过计算 网络 隐层或输 出层节 点连接权的迭代误差 ， 删 除较低 凸度权重 ，循环迭代直至 网络全局误差调整 到合理 的误差范 围。网络节点 的特征 凸度与其相关连
ｉ， ｅ ｒｑｕｒｍ ｅ ｔｍ ａ ｐ ｎ ｒ ｅ ｕ ｅｍ ｏ ｕｅ ｈ ｓｂ ｅ ｕ ｏ ｗａｄ ｏ ｉｎｅ ｔ ａｎ ｗ ｅ ｉｅ ｎ ｐ ｉ ｇ ｐ ｏ ｄ ｒ ｄ ｌ ａ ｎ ｐ ｔ ｒ ｒ ｒｅ ｔｄ ｔ ＣＢＲ ｎ ｅｉ ｅ ｔ ｅｄ ｓｇ ｆ ｃ ｅ ｆ ｏ ａ ｄ ｖ ｒｆｄ ｗｉｈ ｔ ｅ ｉ ｎ ｏ ｉ ｈ ｈ ｙ ｒ ｕｉ ｗｏ ｋ ｅ ｃ ｗｈｃ ｉ ｅ ｅ ｍ ｔ ｄｆ ｒｐ ｏ ｃ ｑ ｉｅ ｎ ｔ ｅｈ ｄ ａ ｌ ｒ ｂ ｎ ｈ， ｉｈｇ ｖ ｓａｎ ｗ ｅ ｏ ｏ ｒ ｕ ｔ ｅ ｕ ｒｍ ｅ ｔ ｐ ｉｇ． ｃ ｈ ｄ ｒ ｍａ ｐ ｎ
计 算 机 系 统 应 用
ｈｔ：ｖ， ． Ｓａ ｒ．ｌ ｔ ／ｏ ｗｃ —． ｇｃ ｐ／ ｖ — ｏ ｒ
２１ 年 第 ２ ０１ Ｏ卷 第 ７期
２ 基 于Ｂ ＮＮ的Ｃ Ｒ 征输 入 转 换 Ｐ Ｂ特
在运用 Ｂ 网络进行产品需求映射实现 中，通过 Ｐ
行检 索 ，系 统 按 照 ｋＮ 方 法 进 行 相似 性 案 例 匹配 即 ．Ｎ
接权 的平方成正比，其计算 公式如下：
＝
∑∑（ ）（ ’・ ） ）
ｊ１ ＝ ＝ ｔｔ
４ ）特 征相关度 根据文献【】 ２可知，输入特征的相关度 与节点 的连
接权的方差相对应 。根据此对应关系可知 ，网络 隐层 的节 点相关度为 ：
来 获取 的。其计算公式 为：
Ｓ ， ＝己 Ｌ ｅ ＝ 一
Ｋ ｅ ｒ ｓ ＡＮＮ ； ｙ ｗｏ ｄ ： ＣＢＲ； ｅ ｕ ｒ ｍｅ ｔ ａ ｐ ｎ ｒ ｑ ｉｅ ｎ ｐ ｉｇ ｍ
在基于实例推理 的产 品需求 映射过程 ，首先在产 品知识库进行实例检索 。当用户输 入产 品需求参数进
行检索 ，系统按照 ｋＮ 方法进行相似性案例匹配即 －Ｎ 根据下述公式进行运算：
接权能根据不 同的特征值输入 作出相应 调整。下面则 通过上述四种特 征权重 计算方法 （ 征灵敏度 、特 征 特 活跃度 、特 征凸度 以及特 征相关度【计算方法 ）获 取 ｌ 】
Ｂ Ｎ 训练后的特征输入权 重集 。 ＰＮ １ ）特征灵敏度 输入特征的灵敏度是通过对 Ｂ Ｐ网络进行训练时 ， 加 入， 移除某输入特 征 ） ｄ对 Ｂ Ｎ 的输 出差异相 比较 ＰＮ
常采用 欧式距离法进行运 算。由于上述 各指标相似度
的加权和作为案例 相似程 度的评判依据 ，因此各指标 的权重分布可 以影响，甚 至可以决定检 索出的最匹配 的案例 。而在实际应用中，指标 的权重往往 由专家凭
① 收稿 时间：００１－７收 到修 改稿时 问：００１－９ ２ １．０２ ； ２ １．２０
＝
式，可 以从输 入特 征的信息维及测度维来描述输入特
征权重对 网络 训练 的影响 ，其中信息维主要通过样本 特 征信 号视 图与样本特征结构视图来表达输入特征对
网络训练 的作用 。通过对输入特 征信号进行测试 ，可
以获 得 不 同输 入特 征值对 网络样 本 训练 结果 的影 响 度 ，该测试方法包括特 征灵敏度 、特征 活跃度 计算方 法。另外，可以通过研究 Ｂ 网络的连接权与阈值变 Ｐ 化来描述输入特 征的结构视 图，例如 ：具有较 高连接 权 的网络输入节点可以被理解为重要输入特 征， Ｐ网 Ｂ 络调 整则是通过删除低连接权的节点来实现 ，其通常
Ａ ｓｒｃ： ｕ ｎ ｅｃｓｄｂ ｅ ａｏ ｉ ｒｃｄ ｒ ｏ ｑ ｉ ｍｅｔ ｐ ｉｇ ｔｅ ａｄ ｍ ｅｓ ｎ ｂｅｔ ｅｅｓ ｆ ｂｔａｔ Ｄ ｒ ｇｔ ａｅ —ａ ｄｒ ｓｎｎ ｐｏｅｕｅ ｆｅ ｕ ｅ ｎ ｐｎ ，ｈ ｎ ｏ ｎ ｓ ａｄｓ ｊｃ ｖｎｓ ｉ ｈ ｓ ｅ ｇ ｒ ｒ ｍａ ｒ ｕ ｉ ｏ
Ｄ（，） ｘｑ ＝
其中， ∞ 为用户需求输入特 征 ｘ 的权 重， ｎ为用户 ｆ ｆ 需求特征集合的维数 ，ｉ ｅｅｃ（ｆ ｆ ｄｆ ｒｎｅ ， ） ｘ ｑ 为用户需求输入 特征与实例 库中实例相应特 征 ｑ 间的差分距离，其通 ｆ
权重获取实现， 在此基础上给 出了基于 Ｃ Ｒ的产品需 Ｂ 求 映射实现过程 ，并 以移动工作台为实例进 行了上述 过程 的模拟应用。
个人偏好设定 ，具有一定的主观性和 随机性 。这种权
重 的获取方法可 能会让多余或无 关的噪音特 征影响最 后 的实例推理结论 。为 了削弱权 重分 布对案 例相似度
的影 响 ， 面 给 出 了应 用 神 经 网络 （ａｋ ｐｏ ａａ ｏ 下 ｂ ｃ ｒｐｇ ｔ ｎ ｉ
ｎ ｕａ ｎｔ ｏｋ简称 Ｂ ＮＮ 作为案例推理检索算法 中 ｅｒ ｅ ｒ ｌ ｗ Ｐ ）
计 算 机 系 统 应 用
ｈｔ： ｗｃｓａ 唱． ｔｌ ｐｌ ｗｗ ． —． Ｃ — ０ ｎ
２１ ０ Ａ ＮＮ及 Ｃ Ｒ 的产品需求映射实现方 Ｂ
梁 春 霞
（ 西门子 （ 杭州）高压开关有限公司 Ｉ ＆ Ｓ部门，杭州 ３ ０ １） Ｔ Ｉ １０ ８
摘 要：针对基于实例推理 的产 品需求映射实现过程 中，指标权重 设定的随机性及主观性导致无关的噪音特征
１ ０ 研究 开发 Ｒｅｅｒｈａ ｄ ｅ ｅｏ ｍｅ ｔ ０ ｓａｃ ｎ ｖ ｌ Ｄ ｐ ｎ
２１ ０ １年 第 ２ 卷 第 ７ 期 Ｏ
ｈｔ：ｗ ． Ｓ ． ｇ ｎ ｔ Ｈ ｗｗｃ － ｏ ． ｐ —ａ ｒｃ
计 算 机 系 统 应 用
本 进行学 习， 通过 网络 内部 自适应算 法 不断修改连 接 权 值分布 达到要求 ， 并把专家 求解实 际 问题 的启 发式 知识和经验通 过网络 的互连及权值分布来体现 。 根据网络输入特 征对 网络样本训练 的不同影响方
影响结论 的准确性等状况 ，提出 了基 于神经 网络的 Ｃ Ｒ权值学习方法 （ Ｂ 即通过特 征灵敏度 、活跃度 、凸度、相 关度进行权值定义 ） ，以及输入特 征的转换机制，在此基础上给出了基于 Ｃ Ｒ 的产 品需求映射过程模型 ，并将 Ｂ 上述模型在移动工作 台需求映射实现 中进行 了应用，系统实现表 明了提 出方法 的有效性 ，为产 品需求映射提供