买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京理工大学申请的专利一种基于PSO训练的分位数神经网络的备件预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119338062B 。

龙图腾网通过国家知识产权局官网在2025-10-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411448513.9，技术领域涉及：G06F17/00；该发明授权一种基于PSO训练的分位数神经网络的备件预测方法是由吴楚格;付兴昌;曹嘉豪;吴狄;王烁;林翔;苏骏野;夏元清设计研发完成，并于2024-10-17向国家知识产权局提交的专利申请。

本一种基于PSO训练的分位数神经网络的备件预测方法在说明书摘要公布了：本发明公开了一种基于PSO训练的分位数神经网络的备件预测方法，结合分位数回归神经网络QRNN与循环神经网络RNN构建了备件需求预测模型，通过分位数回归分析能够更全面地捕捉备件需求的条件分布特征，进而提供对需求波动的深刻洞察，同时，RNN的引入使得模型能够有效处理时间序列数据中的时序依赖性，从而在预测过程中考虑到过去需求对当前需求的影响，有效提高了备件管理的效率，降低了库存成本，提升了客户服务的质量和满意度，为制造和服务行业带来了重要的经济效益和竞争优势，因此具有广泛的应用前景，能够在各类电子产品及其售后服务中发挥重要作用。

本发明授权一种基于PSO训练的分位数神经网络的备件预测方法在权利要求书中公布了：1.一种基于PSO训练的分位数神经网络的备件预测方法，其特征在于，包括以下步骤： 步骤1、收集电子产品备件在一段时间内留存于市场上的产品数量，并对收集到的产品数量进行预处理，构建电子产品输入样本集； 步骤2、基于分位数回归神经网络和循环神经网络构建备件需求预测模型，备件需求预测模型采用以下公式表示： 其中，为条件分位数τ下时刻t的网络输出的归一化值，再经过反归一化后得到即为备件需求数量的预测值；xit为第i个输入神经元的输入值，和分别为第i个输入神经元和第j个隐藏层神经元之间的连接权重和偏差，gjt为第j个隐藏层神经元的值，为隐藏层在连续时间步之间的连接权重，为第j个隐藏层神经元与输出神经元之间的连接权重，bo为隐藏层和输出层之间的偏差，l为隐藏层神经元的总数量，m为输入神经元的总数量； 网路损失函数为： 其中，E为分位数回归误差，ξt为真实值，T为初始时刻，T为终止时刻，ρ为绝对值函数； 步骤3、采用电子产品输入样本集完成备件需求预测模型的训练； 步骤4、收集待预测电子产品备件在过去一段时间内留存于市场上的产品数量，由归一化后的该产品数量集合作为待预测数据，将待预测数据输入训练得到的备件需求预测模型得到待预测电子产品备件的需求数量； 所述步骤3中采用电子产品输入样本集完成备件需求预测模型的训练的方式为：通过将每个粒子历次迭代中的最优位置取平均得到历史最优位置的平均值，以该历史最优位置的平均值作为粒子位置更新的参考改进粒子群优化算法建立平均最优位置策略，采用平均最优位置策略基于电子产品输入样本集完成备件需求预测模型的训练； 所述步骤3中采用电子产品输入样本集完成备件需求预测模型的训练的过程包括： 步骤3.1、为每个粒子初始化其位置及速度，位置表示网络的权重和偏差，每个粒子代表一组可能的网络参数组合； 步骤3.2、对每个粒子，使用当前的权重和偏差训练备件需求预测模型，适应度函数使用分位数回归损失函数定义，计算每个粒子的适应度值； 步骤3.3、根据粒子的适应度，更新其平均最优位置和全局最优位置； 步骤3.4、利用改进的粒子群优化算法更新每个粒子的速度和位置，新的位置表示网络的权重和偏差更新后的值； 步骤3.5、重复执行步骤3.2至步骤3.4，直到达到预设的迭代次数或满足停止条件； 步骤3.6、输出全局最优位置，即最佳的网络权重和偏差。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。