技术摘要：
本发明提出了一种基于模糊迁移学习的废旧手机智能定价方法，针对废旧手机交易数据量不足的情况下，难以获得精确定价模型的问题。本发明采用主成分分析算法提取特征变量并通过建立基于模糊神经网络的定价模型，利用回收过程的知识和交易数据完成定价模型的参数调整，实  全部
背景技术：
废旧手机中不仅蕴藏着丰富的可利用资源，而且也含有大量有害的物质，如处置 不当便会对人类的身体健康构成巨大威胁，随着国家对环境保护的日益重视和人们环保意 识的逐渐提高，废旧手机回收受到了越来越多的关注。废旧手机的价值是影响手机回收的 主要因素，为促进手机回收，对手机进行精准定价显得尤为重要。然而，由于废旧手机回收 市场交易信息的保密性，导致有效的交易样本数据过少，难以获得准确的定价模型。在废旧 手机交易数据量不足的情况下，利用有限的数据和现有的知识对废旧手机进行精准定价， 具有显著的经济和社会效益。因此，本发明的研究成果具有广阔的应用前景。 基于数学模型的定价方法在解决小样本问题上具有很大的优势，但由于废旧手机 回收数据量较大，采用该类方法会大幅增加计算复杂度，降低识别速度，无法实现对废旧手 机的快速精准定价。为解决复杂性问题，基于数据驱动的定价方法在废旧手机回收过程得 到了应用，该类方法中定价模型的训练需要大量数据，然而由于手机回收交易信息的保密 性，使得数据的获取比较困难，难以获得准确的定价模型，不能满足对废旧手机进行精准定 价的需求。近年来，为了在样本数据较少的情况下实现废旧手机定价，一些学者提出了基于 知识的定价方法，但知识的获取是一个复杂过程，且知识和数据的有效融合也存在一定的 困难。因此，如何在数据不足的情况下实现对废旧手机的准确定价，已成为电子产品回收领 域研究的重要课题，具有重要的现实意义。 本发明设计了一种基于模糊迁移学习的废旧手机智能定价方法，该方法利用主成 分分析算法提取特征变量，建立基于模糊神经网络的定价模型，采用历史回收知识和当前 交易数据训练模型以提高定价模型的泛化性能，使得定价结果趋于稳定和准确，为跨机型 手机回收定价提供了一种有效的方法，满足了在现有数据不足的情况下，实现跨机型废旧 手机精准定价的需求。
技术实现要素：
本发明获得了一种基于模糊迁移学习的废旧手机智能定价方法，该方法采用主成 分分析算法提取特征变量并通过建立基于模糊神经网络的定价模型，利用回收过程的知识 和交易数据完成定价模型的参数调整，实现跨机型废旧手机的精准定价，解决了传统模糊 神经网络在数据不足的情况下泛化能力较差的问题，具有较好的学习效率和预测精度。 本发明采用了如下的技术方案及实现步骤： 4 CN 111612175 A 说　明　书 2/7 页 1.一种基于模糊迁移学习的废旧手机智能定价方法，其特征在于，包括以下步骤： (1)特征变量选取 对原始交易样本数据进行分析，获得影响手机回收价值的因素有：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、密码锁是否注销、拆修情况、以及保修情况，共18个过程变 量；采用主成分分析方法对数据信息进行统计分析，进行特征变量提取： ①通过历史交易数据建立输入变量矩阵Mm×n，其中m是样本数，其个数需大于1085， n＝18是过程变量个数； ②求解Mm×n的协方差矩阵C: ③根据特征方程|λI-C|＝0计算协方差矩阵C的特征值λs(1≤s≤n)，I是与协方差 矩阵C对应的单位矩阵，按从大到小的顺序排列为λ1≥λ2≥…≥λn，与特征值对应的特征向 量为P1，P2，…，Pn； ④求解k个主成分的累计贡献率G(k)，计算公式如下： 当G(k)>85％时，确定品牌、机型、存储容量、版本/型号、屏幕性能、密码锁是否注 销、拆修情况为影响废旧手机回收价值的7个关键特征变量； (2)基于模糊迁移学习的智能定价模型设计 1)基于模糊神经网络的定价模型设计 定价模型的拓扑结构共四层：输入层、径向基层、规则层和输出层；输入变量为手 机的品牌、机型、存储容量、版本/型号、屏幕性能、密码锁是否注销、拆修情况，输出变量为 废旧手机价值，确定其7-P-P-1的初始连接方式，即输入特征变量的个数为7，径向基层神经 元数为P，规则层神经元数为P，其中P是正整数，在[1,15]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(t)＝[x1(t) ,x2(t) ,… ,x7(t)]T，[x1(t) ,x T2(t) ,… ,x7(t)] 是[x1(t) ,x2 (t) ,…,x7(t)]的转置，输出为y，定价模型中各层的数学描述如下： ①输入层：该层由7个神经元组成，每个神经元的输出为： ui(t)＝xi(t)   (3) 其中，ui(t)为第t次迭代时第i个神经元的输出，i＝1,2,...,7；xi(t)为第t次迭代 时第i个神经元的输入； ②径向基层：该层由12个神经元组成，第一层的输出是径向基层的输入，该层输出 可以表示为： 5 CN 111612175 A 说　明　书 3/7 页 其中， 为第t次迭代时第j个神经元的输出值，j＝1,2,…,12；uij(t)为第t次迭 代时第j个神经元属于第i个模糊集合的隶属度函数；cij(t)为第t次迭代时第j个神经元的 第i个隶属度函数的中心；σij(t)为第t次迭代时第j个神经元的第i个隶属度函数的宽度； ③规则层：该层由12个神经元组成，每个神经元的输出为： 其中，vj(t)为第t次迭代时第j个神经元的输出值，P是该层神经元的数量，P＝12； ④输出层：采用加权因子法，该层输出表示为： 其中，y(t)为第t次迭代时参考模型的输出，wj(t)为第t次迭代时第j个神经元的 规则层与输出层之间的权值； 2)基于迁移学习的定价模型参数调整 设计定价模型参数调整的目标函数为： 其中，m是训练样本数，其个数需大于1085，q为样本序号，q＝1,2,…,m，yd(t)为废 旧手机的实际定价，wj’(t)为参考场景中第j个神经元的规则层与输出层之间的权值，初始 值设定在(0,1)之间，γ(t)为平衡参数，初始值设定在(0,1)之间； 定价模型参数调整过程中宽度σij(t) ,中心cij(t) ,权重wj(t)和平衡参数γ(t)的 参数更新规则如下： 式中，η为学习率，初始值设定在(0,1)之间，当迭代1000次以上时训练结束，且 6 CN 111612175 A 说　明　书 4/7 页 (3)跨机型废旧手机定价 跨机型废旧手机定价主要实现步骤如下： ①利用历史机型交易数据训练参考模型，得到模型参数wj’(t)作为知识； ②通过知识项 构建公式(7)所示的目标函数，把知识迁移 至基于模糊迁移学习的智能定价模型中； ③根据公式(8)～(15)对知识进行在线优化，提高定价模型精度； ④利用定价模型，以选取的7个特征变量作为输入，手机回收价格作为输出，实现 跨机型废旧手机的精确定价。 本发明的创造性主要体现在： (1)本发明针对在数据不足的情况下难以训练获得精准定价模型的问题，提出了 一种基于模糊迁移学习的废旧手机智能定价方法，建立基于模糊神经网络的定价模型，通 过构建模型参数调整的目标函数，将历史回收过程中的知识引入优化标准中，为知识的迁 移学习提供基础，弥补当前交易数据不足的缺陷； (2)本发明依据新的优化标准函数，采用梯度下降算法对知识进行在线优化，提高 定价模型精度，为手机回收定价提供了一种有效的方法，满足了在现有数据不足的情况下， 实现跨机型废旧手机精准定价的需求。 附图说明 图1是本发明废旧手机智能定价方法的定价效果图 图2是本发明废旧手机智能定价方法的定价误差图