مدل شبکه عصبی جهت پیش بینی تقاضا درزنجیره تامین - یک مطالعه مروری

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 670

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

RIEEM01_069

تاریخ نمایه سازی: 7 آبان 1393

چکیده مقاله:

حداکثر هماهنگی درزنجیره های تامین امری ایده ال برای اکثر شرکت ها میباشد و برای دستیابی به آن تلاش می کنند مدیریت موجودی به دلیل نقش تاثیرگذاردرزنجیره های تامین نیازمند پیش بینی دقیق تقاضا جهت برنامه ریزی موجودی می باشد درمیان تکنیکها و روشهای پیش بینی شبکه های عصبی راه حلی مناسب درمحدوده ای دقیق عرضه مینمایند این شبکه ها عموما دارای سه لایه شامل لایه ورودی لایه پنهان و لایه خروجی م یباشد و قادر به مدلسازی هرسری زمانی بدون درنظر گرفتن فرمهای تابع قیاسی و درجه های سری های غیرخطی می باشند شبکه های عصبی به دلیل کاربردهای متنوع دربسیاری ازابعادمسائل مربوط به مدیریت مانند پیش بینی اصولی طبقه بهندی و مدلسازی بسیارمحبوب بوده و دارای طرفداران زیادی می باشد و میتوان ازآن جهت ارتقا هماهنگی استفاده کرد دراین مطالعه به معرفی شبکه های عصبی پرداخته و برتری شبکه های عصبی دردستیابی به پیش بینی های دقیق نسبت به سیستم های سنتی و آماری را بیان می کنیم

نویسندگان

بهنام حامدی

دانشجوی کارشناسی ارشدمهندسی صنایع دانشگاه پیام نورواحدبین الملل عسلویه

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • جعفرنژاد، احمد (1391)، مدیریت تولید و عملیات نوین، چاپ سوم، ...
  • How effective are neural networks at forecasting and prediction? A ...
  • Aizenberg Igor, Moraga Claudio. "Multilayer feedforward neural network based _ ...
  • D iac onescuEugen. "The use of NARX neural networks to ...
  • DonalsonR. Glen, Kamstra Mark. "Forecast forecasting. _ 996; 15(1), 49-61. ...
  • Dong Xiaoni, Wen Guangrui. _ An improved neural networks prediction ...
  • Edward Wang.C, Chen J.C, Wee H.M, Wang K.J, Lin Y.S. ...
  • E fendigilTugba, OnutSemith, KabramanCeng iz _ _ decision support system ...
  • Feliks Jerzy, LenortRadim, Besta Petr. _ Model of multilayer artificial ...
  • Garcia Infane J.C, Model Juarez J.J, Sanchez Garcia J.C. _ ...
  • Guarnieri Stefano, Piazza Francesco, Uncini Aurelio. "Multilayer feedforward networks with ...
  • Gumus AlevTaskin, Guneri Ali Fuat, KelesSelcan. _ Supply chain network ...
  • Hong L, Ping W. "Bullwhip effect analysis in supply chain ...
  • tutorial on training recurrent neural networks, covering BPPT, RTRL, EKF ...
  • demand forecast model using a combination of surrogate data analysis ...
  • Leon Raul, Escring Elena, Fernandez M Angeles , Munoz Jesus ...
  • Martens James, SutskeverHya. "Learning recurrent neural networks with Hessian-Free optimization." ...
  • Mitrea C.A, Lee C.K.M, Wu.Z. _ A comparison between neural ...
  • Reese Martin G. "Application of a time-delay neural network to ...
  • Sarimveis.H et al. "Dynamic modeling and control of supply chain ...
  • Solis A.O, Gutierrez R.S, Mukhopadhyay S. "Lumpy demand forecasting using ...
  • نمایش کامل مراجع