[發明專利]一種基于模糊神經網絡的廢舊手機定價方法

在審

• 申請號: 201910814910.6
• 申請日: 2019-08-30
• 公開（公告）號: CN110544124A
• 公開（公告）日: 2019-12-06
• 發明（設計）人: 韓紅桂;鄶曉丹;張璐
• 申請（專利權）人: 北京工業大學
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q10/00;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 11203 北京思海天達知識產權代理有限公司
• 代理人: 劉萍<國際申請>=<國際公布>=<進入國

1.一種基于模糊神經網絡的廢舊手機定價方法，其特征在于，包括以下步驟：

(1)對廢舊手機回收交易案例進行預處理，確定交易樣本數據矩陣；

①將交易案例中的定性描述變量轉化為可用于廢舊手機定價模型學習和訓練的數據型變量，轉化過程如下：

W_a＝[w_a1,w_a2,...,w_aN]； (1)

其中，W_a為影響廢舊手機回收價值的第a個特征變量，N為第a個特征變量中包含的狀態總個數，w_aτ，τ＝1,2,…,N，表示第a個特征變量中的第τ種狀態；當輸入的語言描述詞與第a個特征變量中的第τ種狀態相同時，則W_a的w_aτ狀態位值為1，其他狀態位值為0；

②對交易數據中的異常數據進行剔除，具體過程如下：

D(i)＝x(i)-χ,i＝1,2,...,Δ； (3)

其中，s為標準偏差，Δ為廢舊手機回收交易樣本總數，x(i)為第i組交易樣本數據，χ為均值，D(i)為第i組交易樣本數據的偏差；若|D(i)|≥3s，則認為第i組廢舊手機回收交易樣本數據是異常數據，應予以剔除；

③進行數據歸一化/反歸一化，計算公式如下：

x′_j＝(x_j-x_j,min)/(x_j,max-x_j,min)； (4)

x_j＝x_j,min+x′_j(x_j-x_j,min)； (5)

其中，x為輸入變量，x_j'是第j維變量歸一化后的值，j＝1,2,...,l，l是與廢舊手機回收價值相關的影響因素個數，包括品牌、機型、存儲容量、購買渠道、版本/型號、顏色、邊框背板、屏幕狀態、照相功能、WIFI、藍牙、開機功能、通話功能、屏幕性能、使用時間、iCloud是否注銷、拆修情況、以及國內保修情況，共18個變量，x_j,min是第j維變量中的最小值，x_j,max是第j維變量中的最大值；

(2)確定影響廢舊手機回收價值的關鍵特征變量

①將原始交易樣本數據進行標準化轉換，計算公式如下：

其中，廢舊手機回收交易樣本數據矩陣為X＝(x_ij)_n×l，n為剔除異常數據后的樣本總個數，i＝1,2,...,n，z_ij表示轉換后的第i組廢舊手機回收交易樣本數據中的第j項價值影響因素，x_ij表示原始的第i組廢舊手機回收交易樣本數據中的第j項價值影響因素，表示第j項廢舊手機價值影響因素的算術平均值，s_j表示第j項廢舊手機價值影響因素的標準差；

②根據標準化陣Z，求得與其對應的協方差矩陣R，計算公式如下：

Z＝(z_ij)_n×l； (7)

R＝(r_jd)_l×l； (8)

其中，r_jd為廢舊手機價值影響因素j、d之間的相關系數，d＝1,2,...,l；

③求解特征方程|λI-R|＝0，得到各特征值λ_s；

其中，s＝1,2,...,l，I是與協方差矩陣R相對應的單位矩陣；

④計算與特征值λ_s相對應的特征向量e_s；

⑤計算各個影響因素對廢舊手機回收價值的貢獻率α_j和累計貢獻率G(m)，計算公式如下：

累計貢獻率G(m)大于85％的前m個變量即為影響廢舊手機回收價值的關鍵特征變量；

(3)建立基于模糊神經網絡的廢舊手機定價模型

廢舊手機定價模型的拓撲結構共四層：輸入層、RBF層、規則層和輸出層；輸入是選取的關鍵特征變量，輸出是廢舊手機價值，確定其m-P-P-1的初始連接方式，即輸入關鍵特征變量的個數為m，RBF層神經元數為P，規則層神經元數為P，其中P是正整數，在[1,10]之間取值，輸出層神經元數為1；廢舊手機定價模型的中心c、寬度σ和權值w的初始值設定在(0，1)之間；廢舊手機定價模型的輸入向量為x＝[x₁,x₂,…,x_m]^T，x＝[x₁,x₂,…,x_m]^T是[x₁,x₂,…,x_m]的轉置，輸出為g；基于模糊神經網絡的廢舊手機定價方法的計算方式依次為：

①輸入層：該層由m個神經元組成，每個神經元的輸出為：

x_k(t)＝u_k(t)； (12)

其中，k＝1,2,...,m，x_k(t)為第t次迭代時第k個神經元的輸入，u_k(t)為第t次迭代時第k個神經元的輸出；

②RBF層：該層由P個神經元組成，每個神經元的輸出為：

其中，f_b(t)為第t次迭代時第b個神經元的輸出值；P是該層神經元的數量，b＝1,2,…,P；u_kb(t)為第t次迭代時第b個神經元屬于第k個模糊集合的隸屬度函數；c_kb(t)為第t次迭代時第b個神經元的第k個隸屬度函數的中心；σ_kb(t)為第t次迭代時第b個神經元的第k個隸屬度函數的寬度；

③規則層：該層由P個神經元組成，每個神經元的輸出為：

其中，v_b(t)為第t次迭代時第b個神經元的輸出值；

④輸出層：該層輸出為：

其中，g(t)為第t次迭代時廢舊手機定價模型的輸出，w_b(t)為第t次迭代時第b個神經元的規則層與輸出層之間的權值；

(4)調整模型參數

運用自適應二階參數學習算法對廢舊手機定價模型進行自適應調整，該算法的更新規則如下式所示：

Θ(t+1)＝Θ(t)+(Ψ(t)+λ(t)×I)^-1×Ω(t)； (16)

其中，Θ(t+1)是第t+1次迭代時需要調整的全部參數，包含：輸出權值w、中心c和寬度σ，Ψ(t)是第t次迭代時的擬海瑟矩陣，Ω(t)是第t次迭代時的梯度向量，I是單位陣，λ(t)為第t次迭代時的自適應學習率，λ(t)的計算公式如下：

λ(t)＝(τ^min(t)+λ(t-1))/(τ^max(t)+1)×λ(t-1)； (17)

其中，τ^max(t)和τ^min(t)分別為第t次迭代時的擬海瑟矩陣Ψ(t)的最大最小特征值，擬海瑟矩陣Ψ(t)及梯度向量Ω(t)的計算公式為：

其中，Q為廢舊手機定價模型的訓練樣本個數，q為樣本序號，q＝1,2,…,Q，j_q(t)為第q組樣本在第t次迭代時的雅可比矩陣，e_q(t)為第q組樣本在第t次迭代時的誤差，g_q(t)為第q組樣本在第t次迭代時對應的廢舊手機價值實際輸出，為第q組樣本在第t次迭代時對應的廢舊手機價值期望輸出，j_q(t)的計算公式為：

雅可比矩陣j_q(t)的元素為：

(5)廢舊手機定價

將測試樣本數據作為訓練后的廢舊手機定價模型的輸入，模型的輸出即為廢舊手機的回收價值。