论文部分内容阅读
该文将神经网络应用于雅芳销量预测系统中,利用神经网络的自学习、自适应和泛化插值的功能,通过对以往营销行为的有监督学习,使神经网络模拟复杂的非线性市场行为,从而得到较为精确的预测结果.雅芳销量预测系统选用了单隐层的BP网络,通过不同算法的比较,选定了适合中小型网络的Levenberg-Marquardt算法,隐层神经元数通过多次尝试确定.在训练样本点的获取方面,主要的难点在于产品的原始数据较少,针对这种情况,提出了样本构造的方法,从而扩展了样本空间.在神经网络的训练中,网络训练的最佳步数,通常是选择测试样本集的测试误差的最小点所对应的步数.根据该系统的特征,该文提出了实时检验测试样本集的网络输出值与期望值之间的平均相对误差的方法来确定网络停止训练的步数.