Нейросетевой XYZ анализ многономенклатурных грузов

Схема обучения нейросети

Для управления запасами многономенклатурных грузов используются различные методы классификации, в том числе, сегментирование на ABC-XYZ классы. При достаточно крупных запасах такая классификация становится трудоемкой задачей. С целью автоматизации процедуры анализа и дальнейшего распределения на классы запасов смешанных групп предлагается использовать нейро-классификатор. В данной работе рассмотрен только блок XYZ-анализа, входящий в состав нейро-классификатора (рис. 1).

Рис. 1. Структура двухфакторного нейро-классификатора

Каждый блок является автономным рабочим самостоятельным приложением, содержащим нейросеть (рис. 1).

Построение нейро-классификатора с обучением выполняется на основе определения базовых весовых коэффициентов синаптических связей между искусственными нейронами многослойной нейронной сети. Для настройки коэффициентов в режиме обучения используются результаты экспериментального исследования, полученные в работе [1].

Упрощенная схема алгоритмов обучения каждого блока представлена рисунком 2. По заданной обучающей выборке нейронная сеть вычисляет необходимые веса синаптических связей.

Рис. 2. Упрощенный алгоритм процесса обучения нейронной сети

В работе [1] были получены соотношения, устанавливающие весовые коэффициенты смешанных групп ABC-XYZ (табл. 1), которые можно использовать в качестве начальных значений весовых коэффициентов блока ABC-XYZ при настройке адаптивной нейросети без учителя (рис. 2).

Исходные входные данные обучающей выборки заносятся в графу «Вход» (табл. 2) (95 входов – X,Y,Z).

Таблица 1

Экспериментальная классификация смешанных групп

Таблица 2

Входные и выходные данные нейросети XYZ анализа

Входные и выходные данные нейросети (табл. 2) представляют два набора входных данных (данные для массивов x и x_test, представленных поквартально) и два набора выходных (данные для массивов y и y_test), связанных попарно между собой, где:

• данные для массива x (вход) представлены голубым цветом. Эти данные являются примером для обучения искусственной нейросети.
• данные для массива y (выход) представлены оранжевым цветом. Эти данные являются ответами для вычислений искусственной нейросети на примере массива x (вход).
• данные для массива x_test (вход) представлены зеленым цветом. Эти данные необходимы для получения искомых ответов, после обучения искусственной нейросети на массивах x (вход) и y (выход).
• данные для массива y_test (выход) представлены розовым цветом. Эти данные необходимы для сравнения корректности работы сети. Массив y_test предварительно рассчитывается, как и все предыдущие массивы.

Рассмотрим этапы работы сети:

а) обучение (сравниваются массивы x (вход) и y (выход))

б) сохранение архитектуры и весов сети

в) тестирование (применяем массив x_test (вход))

г) вычисление ответа на основе данных, содержащихся в массиве x_test (вход) и вывод его на экран

д) сравнение вычисления результатов сети и массива y_test

Распределение групп товаров в таблице 2 «Данные для массива y_test (выход)» зависит от коэффициента вариации.

Что позволяет полученные результаты расчетов распределять по группам A, B и C соответственно.

В соответствии с классификацией XYZ результаты расчетов нейросети имеют следующее распределение по группам:

Например, третий номер номенклатурной позиции (рис. 1) – это элемент матрицы, содержащий значение равное 21,174 входит в группу Y, согласно приведенной выше сегментации. Значение 21,7248 является точным расчетным значением, необходимым для понимания точности работы сети при ее создании. Таким образом, первую, четвертую, седьмую, девятую строки необходимо отнести к группе X. В группу Y: нулевая, пятая, восьмая. В свою очередь в группу Z вошли все остальные строки.

ЗАКЛЮЧЕНИЕ

Использование нейросетевых технологий создает разнообразные возможности для решения сложных, плохо формализуемых задач. В данном случае рассмотрено практическое применение к XYZ анализу, где входными данными выступают объем продаж в тысячах единиц, а выходными данными – коэффициент вариации в процентах. Данный коэффициент является основой для разделения на группы X,Y,Z.