工序工时由该工序的工艺参数决定,有了工时后乘以固定因子就是计件工资。一般参考本地小时工资以及同类小时工资并考虑作业的风险等因素给出固定因子

采用的VS2010 , Matlab2015a 64,  开发端是win7 64 , 部署端是win2012 R2 Datacenter 64

Matlab部分

下面是样本数据:

注意样本数据要尽可能全面,比方这里会交换L与R后做为另一组样本数据一起交给系统训练

打钩的数据会抽取来训练,WTime是目标,所以5个输入1个输出。

训练代码

clc
clear
excel=xlsread('frmZJ_KB_SalaryParamAdmin2011140841.xls');
% 训练集——个样本
P_Train=excel(:,[4 5 11 7 8])'; %注意运算时需要转置矩阵
T_Train=excel(:,9)';
% 测试集——个样本
rndSample=randperm(size(excel,1),500); %随机选择100个作为样本
P_Test=P_Train(:,rndSample);
T_Test=T_Train(:,rndSample);
%% III. 数据归一化
[p_train, ps_input] = mapminmax(P_Train,0,1);
p_test = mapminmax('apply',P_Test,ps_input);
save('ps_input.mat','ps_input');
[t_train, ps_output] = mapminmax(T_Train,0,1);
save('ps_output.mat','ps_output')
N = size(P_Test,2);
%% IV. BP神经网络创建、训练及仿真测试
%%
% 1. 创建网络
net = newff(p_train,t_train,60); %%
% 2. 设置训练参数
net.trainParam.epochs = 10000;
net.trainParam.goal = 1e-5;
net.trainParam.lr = 0.01; %%
% 3. 训练网络
net = train(net,p_train,t_train);
save('ZJPrediction.mat','net');
%%
% 4. 仿真测试
t_sim = sim(net,p_test); %%
% 5. 数据反归一化
T_sim = mapminmax('reverse',t_sim,ps_output); %% V. 性能评价
%%
% 1. 相对误差error
error = abs(T_sim - T_Test)./T_Test; %%
% 2. 决定系数R^2
R2 = (N * sum(T_sim .* T_Test) - sum(T_sim) * sum(T_Test))^2 / ((N * sum((T_sim).^2) - (sum(T_sim))^2) * (N * sum((T_Test).^2) - (sum(T_Test))^2)); %%
% 3. 结果对比
result = [T_Test' T_sim' error'] %% VI. 绘图
figure
plot(1:N,T_Test,'b:*',1:N,T_sim,'r-o')
legend('真实值','预测值')
xlabel('预测样本')
ylabel('输出值')
string = {'测试集预测结果对比';['R^2=' num2str(R2)]};
title(string)

训练好的模型要保存起来,还有归一化参数,下面3个打钩的文件要发布到生产环境中

下面是需要封成dll的函数,里面采用了绝对路径,因为封装成Windows Service后matlab的工作目录会在C盘下的临时目录

function r=PredictionZJWTime(d)
load('D:\MatlabServer\ps_input.mat','ps_input');
load('D:\MatlabServer\ps_output.mat','ps_output');
load('D:\MatlabServer\ZJPrediction.mat','net');
P_Test=d';
p_test = mapminmax('apply',P_Test,ps_input);
%%
% 4. 仿真测试
t_sim = sim(net,p_test); %%
% 5. 数据反归一化
T_sim = mapminmax('reverse',t_sim,ps_output);
r=[d T_sim' T_sim'*0.0062];
end

下面在matlab环境下测试所封装的函数

clc
clear
excel=xlsread('frmZJ_KB_SalaryParamAdmin2011120839.xls');
% 训练集——个样本
P_Train=excel(:,[4 5 11 7 8])'; %注意运算时需要转置矩阵
T_Train=excel(:,9)';
% 测试集——个样本
rndSample=randperm(size(excel,1),100); %随机选择100个作为样本
P_Test=P_Train(:,rndSample);
T_Test=T_Train(:,rndSample); T_Sim=PredictionZJWTime(P_Test');
T_Sim(:,6) - T_Test'

生成dll库文件

生成的dll文件一般有2个文件。ZJSim与ZJSimNative,后面带Native是本地类库,调用参数有点区别--Class Name可自己修改

另外还要copy  MWArry.dll文件 一般安装在 C:\Program Files\MATLAB\MATLAB Production Server\R2015a\toolbox\dotnetbuilder\bin\win64\v2.0\MWArray.dll

C#部分

分装成windows服务,并对外以WCF HttpBinding的方式发布, 本来想直接挂在IIS下,但是一直没调试成功

服务类

    [ServiceBehavior(IncludeExceptionDetailInFaults = true, InstanceContextMode = InstanceContextMode.PerCall, ConcurrencyMode = ConcurrencyMode.Multiple, MaxItemsInObjectGraph = 2147483647, IgnoreExtensionDataObject = true, UseSynchronizationContext = false)]
public class HDMatlabServiceImp : IHDMatlabService
{ public List<ZJPredictionInfo> PredictionForZJ(List<ZJPredictionInfo> inData)
{
var inMatrix=new double[inData.Count,5];
for (int row=0;row<inData.Count;row++)
{
var it=inData[row];
inMatrix[row, 0] = it.L;
inMatrix[row, 1] = it.R;
inMatrix[row, 2] = it.D;
inMatrix[row, 3] = it.I;
inMatrix[row, 4] = it.S;
//inMatrix[row, 5] = it.WTime;
//inMatrix[row, 6] = it.SalaryPerUnit;
} var srv = new ZJWTimeSimulater(); var outMatrix = (double[,])srv.PredictionZJWTime(inMatrix);
for (int i = 0; i < inData.Count; i++)
{
inData[i].SimWTime = outMatrix[i, 5];
inData[i].SimSalaryPerUnit = outMatrix[i, 6];
}
return inData;
}
}
}

托管类,对应binging的配置方在app.config中貌似没反映,所以就整到代码里,

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.ServiceModel;
using System.Configuration;
using HD.Matlab.IService; namespace HD.Matlab.Service
{
public class HDMatlabServiceHost
{
public static readonly HDMatlabServiceHost Instance = new HDMatlabServiceHost();
private HDMatlabServiceHost() { } private ServiceHost _Host; public void Start(params string[] args)
{
if (_Host == null || _Host.State == CommunicationState.Faulted || _Host.State == CommunicationState.Closed)
{
_Host = new ServiceHost(typeof(HDMatlabServiceImp));
//_Host.AddServiceEndpoint(typeof(IHDMatlabService), new NetTcpBinding(SecurityMode.None),
// ConfigurationManager.AppSettings["HDMatlabServiceURL"]
// );
var httpBing = new BasicHttpBinding(BasicHttpSecurityMode.None);
httpBing.CloseTimeout = new TimeSpan(10, 10, 10);
httpBing.MaxReceivedMessageSize = 2147483647;
httpBing.MaxBufferSize = 2147483647;
httpBing.MaxBufferPoolSize = 99999999;
httpBing.ReaderQuotas.MaxArrayLength = 99999999;
httpBing.OpenTimeout = new TimeSpan(10, 10, 10);
httpBing.SendTimeout = new TimeSpan(10, 10, 10);
httpBing.ReceiveTimeout = new TimeSpan(10, 10, 10);
httpBing.AllowCookies = true; _Host.AddServiceEndpoint(typeof(IHDMatlabService), httpBing,
ConfigurationManager.AppSettings["HDMatlabServiceURL_Http"]
); } _Host.Open();
Console.WriteLine("设备控制服务启动成功");
} public void Stop()
{
if (_Host != null) _Host.Close();
Console.WriteLine("设备控制服务关闭");
}
}
}

Windows服务

using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Diagnostics;
using System.Linq;
using System.ServiceProcess;
using System.Text;
using HD.Matlab.Service; namespace HD.Matlab.WinSrv
{
public partial class MatlabService : ServiceBase
{
public MatlabService()
{
InitializeComponent();
} protected override void OnStart(string[] args)
{
HDMatlabServiceHost.Instance.Start();
} protected override void OnStop()
{
HDMatlabServiceHost.Instance.Stop();
}
}
}

另外需要注意的是Win服务编译时需要选择AnyCpu ,使用x86时发现报错

最后对一部数据进行测试发现拟合效果还可以,多数差异在1%以内

上面代码基本就是全部了,需要完整项目留邮箱

C# + Matlab 实现计件工时基于三层BP神经网络的拟合--真实项目的更多相关文章

  1. 三层BP神经网络的python实现

    这是一个非常漂亮的三层反向传播神经网络的python实现,下一步我准备试着将其修改为多层BP神经网络. 下面是运行演示函数的截图,你会发现预测的结果很惊人! 提示:运行演示函数的时候,可以尝试改变隐藏 ...

  2. 简单三层BP神经网络学习算法的推导

    博客园不支持数学公式orz,我也很绝望啊!

  3. BP神经网络分类应用

    DNA序列分类  作为研究DNA序列结构的尝试,提出以下对序列集合进行分类的问题:有20个已知类别的人工制造序列,其中序列标号1-10为A类,11-20为B类.请从中提取特征,构造分类方法,并用这些已 ...

  4. BP神经网络基本原理

    2.1 BP神经网络基本原理 BP网络模型处理信息的基本原理是:输入信号Xi通过中间节点(隐层点)作用于输出节点,经过非线形变换,产生输出信号Yk,网络训练的每一个样本包含输入向量X和期望输出量t,网 ...

  5. BP神经网络的基本原理

    2.1 BP神经网络基本原理 BP网络模型处理信息的基本原理是:输入信号Xi通过中间节点(隐层点)作用于输出节点.经过非线形变换,产生输出信号Yk,网络训练的每一个样本包含输入向量X和期望输出量t,网 ...

  6. 机器学习:从编程的角度理解BP神经网络

    1.简介(只是简单介绍下理论内容帮助理解下面的代码,如果自己写代码实现此理论不够) 1) BP神经网络是一种多层网络算法,其核心是反向传播误差,即: 使用梯度下降法(或其他算法),通过反向传播来不断调 ...

  7. 机器学习:python使用BP神经网络示例

    1.简介(只是简单介绍下理论内容帮助理解下面的代码,如果自己写代码实现此理论不够) 1) BP神经网络是一种多层网络算法,其核心是反向传播误差,即: 使用梯度下降法(或其他算法),通过反向传播来不断调 ...

  8. BP神经网络公式推导及实现(MNIST)

    BP神经网络的基础介绍见:http://blog.csdn.net/fengbingchun/article/details/50274471,这里主要以公式推导为主. BP神经网络又称为误差反向传播 ...

  9. NO.2:自学tensorflow之路------BP神经网络编程

    引言 在上一篇博客中,介绍了各种Python的第三方库的安装,本周将要使用Tensorflow完成第一个神经网络,BP神经网络的编写.由于之前已经介绍过了BP神经网络的内部结构,本文将直接介绍Tens ...

随机推荐

  1. 【手摸手,带你搭建前后端分离商城系统】02 VUE-CLI 脚手架生成基本项目,axios配置请求、解决跨域问题

    [手摸手,带你搭建前后端分离商城系统]02 VUE-CLI 脚手架生成基本项目,axios配置请求.解决跨域问题. 回顾一下上一节我们学习到的内容.已经将一个 usm_admin 后台用户 表的基本增 ...

  2. MeteoInfoLab脚本示例:利用比湿、温度计算相对湿度

    利用比湿和温度计算相对湿度的函数是qair2rh(qair, temp, press=1013.25),三个参数分别是比湿.温度和气压,气压有一个缺省值1013.25,因此计算地面相对湿度的时候也可以 ...

  3. 使用notepad++的nppexec插件格式化json和压缩json内容

    1.遇到问题 因为平时需要查看json内容,有时候修改后需要压缩json,虽然已经有网页可以实现,但每次打开网页也很麻烦啊.虽然notpad++也有NPPJSONViewer这个插件,但是目前只有格式 ...

  4. 基于python实现顺序存储的队列代码

    """ 队列-顺序存储 seqqueue.py 代码实现 """ # 自定义异常类 class QueueError(Exception): ...

  5. 50种编程语言,一句 “Hello, World”!展现编程语言七十年发展!

    mod confinment { use std::os::raw::{c_char}; extern "C" { pub fn puts(txt: *const c_char); ...

  6. docker系统化学习图文+视频教程

    1.背景 博客对应的视频课程: 9.9元在线学习:https://study.163.com/course/courseMain.htm?share=2&shareId=40000000033 ...

  7. mysql锁 转

    参考文章:https://blog.csdn.net/puhaiyang/article/details/72284702 一.mysql锁的结构图 如上图所示,针对mysql的innodb存储引擎, ...

  8. python正则找到字符串里面的数字

    totalNumbers = re.findall(r'\d+',str)

  9. xpath取末尾

    from lxml import etree html = ''' <!DOCTYPE html> <html lang="en"> <head> ...

  10. Flink on Yarn三部曲之二:部署和设置

    欢迎访问我的GitHub https://github.com/zq2599/blog_demos 内容:所有原创文章分类汇总及配套源码,涉及Java.Docker.Kubernetes.DevOPS ...