随着经济的高速发展,基于企业竞争力的研究已成为管理科学的研究前沿,提高顾客满意度和降低库存成本是提高企业竞争力的两个重要手段,因此库存控制已成为提高企业竞争力的关键因素。论文将BP神经网络技术应用于库存需求预测,完成样本数据的准备、BP算法的改进、网络结构的优化后进行网络训练,从而对库存进行建模、预测和分析,以消除企业高库存现象,提高顾客服务水平。首先,指出了传统库存控制存在的问题;阐述了相关技术(包括数据挖掘、人工神经网络和BP人工神经网络)及其在库存控制中的应用;对国内外BP改进算法的研究现状进行了综述。其次,以CQDP医院的库存控制为应用背景,筛选出影响医院17GY头皮式留置针使用量的主要因素,进行了数据收集;采用数据挖掘技术,对获得的原始数据进行了数据预处理,包括数据清理、数据集成和数据变换,从而获得了用于网络训练的样本数据。然后,介绍了传统BP人工神经网络的原理,并针对其不足,提出了同时对网络的权值W和单个神经元的更一般形式的tan-sigmoid转换函数的缩放系数T、位移参数θ进行调整的BP改进算法,使信息分布存储于权值矩阵及转换函数中。最后,构造BP神经网络的初始结构;经反复的初训练后,根据训练集和测试集的均方误差找到了最佳隐层节点数j和对应的学习率L的范围,从而获得了网络的优化结构;进行正式训练后,获得了最终的库存模型;用此最终库存模型进行了需求量的预测,并与两个传统方法(回归方法和经典EOQ模型)的预测结果进行比较;并对库存模型进行灵敏度分析,获得了分析结论。论文采用C++语言编制了BP改进算法的程序,此程序可选择各个网络参数,具有一定的通用性,适用于不同的库存项目,为库存控制提供决策依据。