基于SSA优化神经网络的企业质量指标预测研究

由于目前生产过程中的监控体系不完整，生产方法落后，一直按照出现问题之后再解决问题的处理方案，且目前产品现代化生产过程中充满了不确定性和复杂性，因此这种生产管理方式不能够及时检测出生产过程中存在的质量问题。采用麻雀搜索算法对传统BP神经网络进行权值和阈值全局优化，提升对于卷烟制造中制丝环节的预测精准度，并将模型与传统BP神经网络通过损失函数进行对比，并引入KNN模型、SVM模型、Logistic回归分类模型和QDA二次判别分析模型进行对比，通过对上述五种模型的评估指数进行对比，证明了bp神经网络分类效果的优越性，而麻雀搜索算法优化BP神经网络在烟草生产过程中对质量管理预测具有高效性和准确性。

我国的烟草行业已经连续13 年位于创收第一的产业，其产量和销售额巨大，2019 年我国烟草方面工商的税收利润值达到了12056 亿元，较往年同比增长了4.3%，而上缴的金额达到了11770 亿元，烟草行业对于我国的经济上的发展做出了巨大的贡献，而烟草业作为一个特殊的行业，是我国政府进行垂直管理的行业，虽然担任着我国重要的税收来源，但因其生产原料及产品性质的独特性意味着对于该行业需要进行更加全面的管理和监督。而我国众多的烟草品牌需要为了保证品牌的稳步发展，不断提升企业的竞争力，改进目前的生产管理，如：烟草的储存、生产供应链管理、生产质量管理等。随着互联网技术的发展使烟草企业对于制造过程有了更多的改进措施，例如根据相关的环境、工业数据进行数据挖掘从而对生产过程中进行更加全面、易理解的分析，并且可以反向反馈烟草企业需要的信息，为企业的管理改进提供一定的依据[1] [2]。黄夸克根据烟草的培养环境预测分析出了对于烟草原材料的储存条件设计，将BP 神经网络用于对于烟草数据的挖掘中[3]。

对于在烟草生产过程中的相关数据进行数据挖掘，分析出其中所包含的信息，而其中比较常见的数据挖掘方法有遗传算法、神经网络算法和模糊算法等，对于烟草企业的质量管理也存在对数据的处理不完善、缺乏反馈和未能根据不同企业进行具体管理等问题[4] [5]。

唐宇等基于目前支持向量机的难以获得最优参数的问题引入改进麻雀算法进行优化，并将优化前后的支持向量机进行对比，明确了改进麻雀算法对异常点检测的有效性[6]。贾凯烨研究了有关目前麻雀搜索算法容易陷入局部最优的问题引入Hammeraley 低差异序列以使结果更易收敛[7]。

钱敏对于麻雀算法基于反向策略进行了优化， 提出了改进的麻雀搜索算法(ISSA)， 并且根据对比发现ISSA 收敛更好， 算法更稳定[8]。

刘湲使用麻雀搜索算法优化BP 神经网络来对短期风的功率进行预测，输入有关风速、风向、温度等作为训练集，并通过沿海电场的具体数据进行仿真测试，以验证算法的准确度[9]。有较多的学者对烟草行业的质量管理进行了研究，但对于烟草的加工环节进行分析较少，且BP 神经网络很容易出现过拟合，容易陷入局部最优的问题。