[发明专利]一种基于模糊神经网络的废旧手机定价方法

摘要

本发明提出一种基于模糊神经网络的废旧手机定价方法，属于电子产品回收领域。针对废旧手机回收过程中难以精准定价的问题，本发明提出了一种基于模糊神经网络的废旧手机定价方法。本发明设计了一种基于主成分分析的特征提取方法，获得了影响废旧手机回收价值的关键特征变量；建立了基于模糊神经网络的废旧手机定价模型，实现了回收价值与关键特征变量之间的非线性关系描述。结果表明，本发明在实际回收交易过程中能够实现对废旧手机的准确定价，其定价结果的准确性可以满足废旧手机高效回收的需求。

主权项

1.一种基于模糊神经网络的废旧手机定价方法，其特征在于，包括以下步骤：/n(1)对废旧手机回收交易案例进行预处理，确定交易样本数据矩阵；/n①将交易案例中的定性描述变量转化为可用于废旧手机定价模型学习和训练的数据型变量，转化过程如下：/nW_a＝[w_a1,w_a2,...,w_aN]； (1)/n其中，W_a为影响废旧手机回收价值的第a个特征变量，N为第a个特征变量中包含的状态总个数，w_aτ，τ＝1,2,…,N，表示第a个特征变量中的第τ种状态；当输入的语言描述词与第a个特征变量中的第τ种状态相同时，则W_a的w_aτ状态位值为1，其他状态位值为0；/n②对交易数据中的异常数据进行剔除，具体过程如下：/n /nD(i)＝x(i)-χ,i＝1,2,...,Δ； (3)/n其中，s为标准偏差，Δ为废旧手机回收交易样本总数，x(i)为第i组交易样本数据，χ为均值，D(i)为第i组交易样本数据的偏差；若|D(i)|≥3s，则认为第i组废旧手机回收交易样本数据是异常数据，应予以剔除；/n③进行数据归一化/反归一化，计算公式如下：/nx′_j＝(x_j-x_j,min)/(x_j,max-x_j,min)； (4)/nx_j＝x_j,min+x′_j(x_j-x_j,min)； (5)/n其中，x为输入变量，x_j'是第j维变量归一化后的值，j＝1,2,...,l，l是与废旧手机回收价值相关的影响因素个数，包括品牌、机型、存储容量、购买渠道、版本/型号、颜色、边框背板、屏幕状态、照相功能、WIFI、蓝牙、开机功能、通话功能、屏幕性能、使用时间、iCloud是否注销、拆修情况、以及国内保修情况，共18个变量，x_j,min是第j维变量中的最小值，x_j,max是第j维变量中的最大值；/n(2)确定影响废旧手机回收价值的关键特征变量/n①将原始交易样本数据进行标准化转换，计算公式如下：/n /n其中，废旧手机回收交易样本数据矩阵为X＝(x_ij)_n×l，n为剔除异常数据后的样本总个数，i＝1,2,...,n，z_ij表示转换后的第i组废旧手机回收交易样本数据中的第j项价值影响因素，x_ij表示原始的第i组废旧手机回收交易样本数据中的第j项价值影响因素，表示第j项废旧手机价值影响因素的算术平均值，s_j表示第j项废旧手机价值影响因素的标准差；/n②根据标准化阵Z，求得与其对应的协方差矩阵R，计算公式如下：/nZ＝(z_ij)_n×l； (7)/nR＝(r_jd)_l×l； (8)/n /n其中，r_jd为废旧手机价值影响因素j、d之间的相关系数，d＝1,2,...,l；/n③求解特征方程|λI-R|＝0，得到各特征值λ_s；/n其中，s＝1,2,...,l，I是与协方差矩阵R相对应的单位矩阵；/n④计算与特征值λ_s相对应的特征向量e_s；/n⑤计算各个影响因素对废旧手机回收价值的贡献率α_j和累计贡献率G(m)，计算公式如下：/n /n /n累计贡献率G(m)大于85％的前m个变量即为影响废旧手机回收价值的关键特征变量；/n(3)建立基于模糊神经网络的废旧手机定价模型/n废旧手机定价模型的拓扑结构共四层：输入层、RBF层、规则层和输出层；输入是选取的关键特征变量，输出是废旧手机价值，确定其m-P-P-1的初始连接方式，即输入关键特征变量的个数为m，RBF层神经元数为P，规则层神经元数为P，其中P是正整数，在[1,10]之间取值，输出层神经元数为1；废旧手机定价模型的中心c、宽度σ和权值w的初始值设定在(0，1)之间；废旧手机定价模型的输入向量为x＝[x₁,x₂,…,x_m]^T，x＝[x₁,x₂,…,x_m]^T是[x₁,x₂,…,x_m]的转置，输出为g；基于模糊神经网络的废旧手机定价方法的计算方式依次为：/n①输入层：该层由m个神经元组成，每个神经元的输出为：/nx_k(t)＝u_k(t)； (12)/n其中，k＝1,2,...,m，x_k(t)为第t次迭代时第k个神经元的输入，u_k(t)为第t次迭代时第k个神经元的输出；/n②RBF层：该层由P个神经元组成，每个神经元的输出为：/n /n其中，f_b(t)为第t次迭代时第b个神经元的输出值；P是该层神经元的数量，b＝1,2,…,P；u_kb(t)为第t次迭代时第b个神经元属于第k个模糊集合的隶属度函数；c_kb(t)为第t次迭代时第b个神经元的第k个隶属度函数的中心；σ_kb(t)为第t次迭代时第b个神经元的第k个隶属度函数的宽度；/n③规则层：该层由P个神经元组成，每个神经元的输出为：/n /n其中，v_b(t)为第t次迭代时第b个神经元的输出值；/n④输出层：该层输出为：/n /n其中，g(t)为第t次迭代时废旧手机定价模型的输出，w_b(t)为第t次迭代时第b个神经元的规则层与输出层之间的权值；/n(4)调整模型参数/n运用自适应二阶参数学习算法对废旧手机定价模型进行自适应调整，该算法的更新规则如下式所示：/nΘ(t+1)＝Θ(t)+(Ψ(t)+λ(t)×I)^-1×Ω(t)； (16)/n其中，Θ(t+1)是第t+1次迭代时需要调整的全部参数，包含：输出权值w、中心c和宽度σ，Ψ(t)是第t次迭代时的拟海瑟矩阵，Ω(t)是第t次迭代时的梯度向量，I是单位阵，λ(t)为第t次迭代时的自适应学习率，λ(t)的计算公式如下：/nλ(t)＝(τ^min(t)+λ(t-1))/(τ^max(t)+1)×λ(t-1)； (17)/n其中，τ^max(t)和τ^min(t)分别为第t次迭代时的拟海瑟矩阵Ψ(t)的最大最小特征值，拟海瑟矩阵Ψ(t)及梯度向量Ω(t)的计算公式为：/n /n /n /n其中，Q为废旧手机定价模型的训练样本个数，q为样本序号，q＝1,2,…,Q，j_q(t)为第q组样本在第t次迭代时的雅可比矩阵，e_q(t)为第q组样本在第t次迭代时的误差，g_q(t)为第q组样本在第t次迭代时对应的废旧手机价值实际输出，为第q组样本在第t次迭代时对应的废旧手机价值期望输出，j_q(t)的计算公式为：/n /n雅可比矩阵j_q(t)的元素为：/n /n /n /n(5)废旧手机定价/n将测试样本数据作为训练后的废旧手机定价模型的输入，模型的输出即为废旧手机的回收价值。/n