论文部分内容阅读
摘 要：器材的更新，消耗，采购的信息化程度越来越高，数据量越来越大，对管理人员掌握器材使用，采购，正常替换等规律的要求越来越高，深度学习可以较好的提取数据中存在的各种隐含规律，掌握这些规律对提高器材管理水平有较大提高。本文针对深度学习在器材管理中的应用，进行了初步研究，提出了基于深度信念网络的器材管理规律提取方法，经过实际运用表明，对减少器材损耗，提高器材采购资金能效比有明显帮助。
关键词：深度学习；器材管理；深度信念网络；效率；损耗
1.引言
深度学习是机器学习的延伸和进一步发展，它基于机器学习，从广义上讲是机器学习的一种，但与机器学习有较大不同，深度学习的模型和人脑皮层结构有较大相似，从某种意义上讲，深度学习是智能学习，可对复杂数据进行有效处理[1]。深度学习模型既可以作为特征提取器，也可以用作特征分类器，并且二者可以同时应用，直接得到想要的分类结果。器材有成千上万种，每种器材的性能、数量、有效期、生产厂家这些基本要素帶来了大量的数据，而深度学习应用于大数据挖掘方面，实践中已经取得较好的效果。现在是一个“大数据+深度学习”的时代。本文研究在器材管理中如何运用深度学习，来探寻器材管理中蕴含的内在规律，通过得出的管理规则进行器材管理，来提高器材管理的信息化水平。
2.深度学习的典型模型
深度学习基础是受限玻尔兹曼机（RBM），玻尔兹曼机（ BM）可以认为是一种能量模型。即参数空间中每一种情况均有一个标量形式的能量与之对应。对全连通玻尔兹曼机进行简化，其限制条件是在给定可见层或者隐层中的其中一层后，另一层的单元彼此独立，即为受限玻尔兹曼机。深度学习的典型模型主要有：自动编码器（AE），卷积神经网络（CNN），深度信念网络（DBN）三种[2]。
（1）自动编码器
自编码器的基本原理：将输入的原始信号进行编码，使用编码得到的新信号重建原始信号，求得重建的元信号与原始信号相比重建误差最小。它的优点是可以有效的提取信号中的主要特征，减少信息冗余，提高信息处理效率。模式分类中经常用到的以下方法：K均值聚类、稀疏编码、主成分分析等均可理解为是一个自动编码器。
（2）卷积神经网络
卷积神经网络（CNN）善于提取数据局部特征，模型复杂度较低，权值的数量较少，它组合局部感受野（滑动窗口）、权重共享（减少自由参数数量）、和空间或时间上的子采样这3 种结构去确保平移和变形上的不变性。
（3）深度信念网络
深度信念网络（DBN）主要采用贪婪逐层训练方法。简言之通过预先训练与反向调节来训练整个DBN网络：在预先训练阶段，先逐个训练每一个受限玻尔兹曼机RBM，逐层叠加，并将下一层的RBM 的输出作为上一层RBM 的输入； 在反向调节阶段可以采用BP训练，通过误差函数进行反向调节.
3.基于深度信念网络（DBN）的器材管理方法
器材管理的目的是在最大器材利用率下所用资金最少，耗费管理人员精力最少。从模型分析上来说，这是一个求最优化模型的问题。深度信念网络在求取最优化方面具有一定的优越性。深度信念网络（DBN）的优点：（1）采用并行结构，可同时处理多组数据，计算效率得到较大提升，对处理大数据有优势；（2）可以用较小的模型参数波动得到较高的分类结果，模型稳定性较好[3]。
对器材管理者来说如何制定性价比最高的器材采购方案，最优的器材下发方案，最优的器材存储方案是急需解决的三个问题。
器材采购方案：其制定主要基于器材的价格，储存年限，采购批次，采購量，售后服务等因素，针对每种器材的上述指标进行量化打分，再根据每种器材的侧重点分配量化系数，整合成10种数据输入。将这些数据输入到训练好的深度信念网络（DBN）中得出每种器材的采购点数，根据点数决定采购的器材数量、品种、规格和型号。
器材的下发方案：器材的下发要考虑不同单位的需求，现有库存情况，近期器材补充情况，近期大项工作需求情况，根据不同情况对不同单位，不同器材，具体工作设定不同颜色的标签，通过标签整合，将这些数据输入到训练好的深度信念网络（DBN）中得到具体的下拨方案。
器材储存方案：储存主要包括使用单位库存情况，仓库库存情况，供货单位协议代储情况，运用深度信念网络（DBN）对器材消耗情况进行分析，进而得出，单位库存的数质量，使用单位库存的数质量，供货单位协议代储数质量，使三者处于一个最优化状态，既不影响使用，又可降低库存空间的需求，减少资金占用。
4. 实验结果
本文采用深度信念网络（DBN）对1000种器材采购、运输、库存、消耗使用以及不同品牌的通用器材采购成本进行了实验分析，通过深度信念网络（DBN）的优化，采购效率提高10%，运输时间缩短20%，库存量降低15%，使用消耗准确度提高5%，采购成本降低18%。
5. 未来发展与展望
深度学习方法在器材管理中的应用还处于初步探索之中，但是初步运用表明，其在“大数据+云计算”时代，对提高器材管理的信息化水平具有较大的实用价值和经济价值，用于器材管理的深度学习模型，还较为简单，还有进一步发展的空间，实践应用中对器材数据特征的提取还有待加强，只有深刻的理解器材管理的特征及需求，才能有针对性的建立模型，提高模型的可靠性和有效性。使器材管理水平更上一层楼，使器材管理跟上信息化发展的步伐。
参考文献：
[1] 孙志军，薛磊，许阳明.基于深度学习的边际Fisher分析特征提取算法[J].电子与信息学报，2013，35（4）：805-811.
[2] 孙志军，薛磊，许阳明，等.深度学习研究综述[J].计算机应用研究， 2012， 29（ 8） ： 2806 - 2810.
[3] 胡晓林，朱军.深度学习———机器学习领域的新热点[J].中国计算机学会通讯， 2013，9（ 7） ： 64 - 69.
作者简介：
康克成（1981.04-）河北昌黎人，研究生，硕士，工程师，中国人民解放军92819部队，研究方向：信息与通信工程；
王强（1981.02-）山东胶州人，本科，助理工程师，中国人民解放军92819部队，研究方向：装备管理；
郑飞（1987.10-）山东兖州人，本科，助理工程师，中国人民解放军92819部队，研究方向：装备管理；
刘亮（1981.02-）辽宁北镇人，本科，工程师，中国人民解放军92819部队，研究方向：装备管理；
关键词：深度学习；器材管理；深度信念网络；效率；损耗
1.引言
深度学习是机器学习的延伸和进一步发展，它基于机器学习，从广义上讲是机器学习的一种，但与机器学习有较大不同，深度学习的模型和人脑皮层结构有较大相似，从某种意义上讲，深度学习是智能学习，可对复杂数据进行有效处理[1]。深度学习模型既可以作为特征提取器，也可以用作特征分类器，并且二者可以同时应用，直接得到想要的分类结果。器材有成千上万种，每种器材的性能、数量、有效期、生产厂家这些基本要素帶来了大量的数据，而深度学习应用于大数据挖掘方面，实践中已经取得较好的效果。现在是一个“大数据+深度学习”的时代。本文研究在器材管理中如何运用深度学习，来探寻器材管理中蕴含的内在规律，通过得出的管理规则进行器材管理，来提高器材管理的信息化水平。
2.深度学习的典型模型
深度学习基础是受限玻尔兹曼机（RBM），玻尔兹曼机（ BM）可以认为是一种能量模型。即参数空间中每一种情况均有一个标量形式的能量与之对应。对全连通玻尔兹曼机进行简化，其限制条件是在给定可见层或者隐层中的其中一层后，另一层的单元彼此独立，即为受限玻尔兹曼机。深度学习的典型模型主要有：自动编码器（AE），卷积神经网络（CNN），深度信念网络（DBN）三种[2]。
（1）自动编码器
自编码器的基本原理：将输入的原始信号进行编码，使用编码得到的新信号重建原始信号，求得重建的元信号与原始信号相比重建误差最小。它的优点是可以有效的提取信号中的主要特征，减少信息冗余，提高信息处理效率。模式分类中经常用到的以下方法：K均值聚类、稀疏编码、主成分分析等均可理解为是一个自动编码器。
（2）卷积神经网络
卷积神经网络（CNN）善于提取数据局部特征，模型复杂度较低，权值的数量较少，它组合局部感受野（滑动窗口）、权重共享（减少自由参数数量）、和空间或时间上的子采样这3 种结构去确保平移和变形上的不变性。
（3）深度信念网络
深度信念网络（DBN）主要采用贪婪逐层训练方法。简言之通过预先训练与反向调节来训练整个DBN网络：在预先训练阶段，先逐个训练每一个受限玻尔兹曼机RBM，逐层叠加，并将下一层的RBM 的输出作为上一层RBM 的输入； 在反向调节阶段可以采用BP训练，通过误差函数进行反向调节.
3.基于深度信念网络（DBN）的器材管理方法
器材管理的目的是在最大器材利用率下所用资金最少，耗费管理人员精力最少。从模型分析上来说，这是一个求最优化模型的问题。深度信念网络在求取最优化方面具有一定的优越性。深度信念网络（DBN）的优点：（1）采用并行结构，可同时处理多组数据，计算效率得到较大提升，对处理大数据有优势；（2）可以用较小的模型参数波动得到较高的分类结果，模型稳定性较好[3]。
对器材管理者来说如何制定性价比最高的器材采购方案，最优的器材下发方案，最优的器材存储方案是急需解决的三个问题。
器材采购方案：其制定主要基于器材的价格，储存年限，采购批次，采購量，售后服务等因素，针对每种器材的上述指标进行量化打分，再根据每种器材的侧重点分配量化系数，整合成10种数据输入。将这些数据输入到训练好的深度信念网络（DBN）中得出每种器材的采购点数，根据点数决定采购的器材数量、品种、规格和型号。
器材的下发方案：器材的下发要考虑不同单位的需求，现有库存情况，近期器材补充情况，近期大项工作需求情况，根据不同情况对不同单位，不同器材，具体工作设定不同颜色的标签，通过标签整合，将这些数据输入到训练好的深度信念网络（DBN）中得到具体的下拨方案。
器材储存方案：储存主要包括使用单位库存情况，仓库库存情况，供货单位协议代储情况，运用深度信念网络（DBN）对器材消耗情况进行分析，进而得出，单位库存的数质量，使用单位库存的数质量，供货单位协议代储数质量，使三者处于一个最优化状态，既不影响使用，又可降低库存空间的需求，减少资金占用。
4. 实验结果
本文采用深度信念网络（DBN）对1000种器材采购、运输、库存、消耗使用以及不同品牌的通用器材采购成本进行了实验分析，通过深度信念网络（DBN）的优化，采购效率提高10%，运输时间缩短20%，库存量降低15%，使用消耗准确度提高5%，采购成本降低18%。
5. 未来发展与展望
深度学习方法在器材管理中的应用还处于初步探索之中，但是初步运用表明，其在“大数据+云计算”时代，对提高器材管理的信息化水平具有较大的实用价值和经济价值，用于器材管理的深度学习模型，还较为简单，还有进一步发展的空间，实践应用中对器材数据特征的提取还有待加强，只有深刻的理解器材管理的特征及需求，才能有针对性的建立模型，提高模型的可靠性和有效性。使器材管理水平更上一层楼，使器材管理跟上信息化发展的步伐。
参考文献：
[1] 孙志军，薛磊，许阳明.基于深度学习的边际Fisher分析特征提取算法[J].电子与信息学报，2013，35（4）：805-811.
[2] 孙志军，薛磊，许阳明，等.深度学习研究综述[J].计算机应用研究， 2012， 29（ 8） ： 2806 - 2810.
[3] 胡晓林，朱军.深度学习———机器学习领域的新热点[J].中国计算机学会通讯， 2013，9（ 7） ： 64 - 69.
作者简介：
康克成（1981.04-）河北昌黎人，研究生，硕士，工程师，中国人民解放军92819部队，研究方向：信息与通信工程；
王强（1981.02-）山东胶州人，本科，助理工程师，中国人民解放军92819部队，研究方向：装备管理；
郑飞（1987.10-）山东兖州人，本科，助理工程师，中国人民解放军92819部队，研究方向：装备管理；
刘亮（1981.02-）辽宁北镇人，本科，工程师，中国人民解放军92819部队，研究方向：装备管理；