1、“.....因为它能够识别非线性关系，这在实现销售预测上尤为重要。在这次研究中，用到了具有反向传播功能正向传播神经网络。图表为它个简单结构体系。在我们模型中，神经网络构架由具有十个神经原输出层，个神经原隐藏层和个神经原输出层来实施。用到了不少于十个月分组化销售数据，其中前行用作训练集，接下来行用于测试集，最后行用于生产集。分数贡献法基于模糊逻辑学分数贡献法用来实施神经网络模型。表格给出了模型值，和年月实际日销售和预测日销售之间相关系数。图表给出了实际销售值和预测销售值。温特斯三参数模型基于模糊逻辑学温特斯三参数模型可以用来实现神经网络模型。表格给出了模型和值，以及实际日销售和预测日销售之间相关系数。图表给出了实际变量颜色和尺寸模糊推论规章由数据库制定，在此基础上，言语输出变量价值也就确定了。模糊推论由两个部分组成集合体规则条件部分。构成规则部分......”。

2、“.....这可以通过处理基值来完成，新结果要在平衡所有结果后找出来。模糊逻辑模型应用于分组数据模型，销售价值计算每个尺寸类组合。这整段时间总销售额是通过总结所有分组项目销售额来计算。趋向于系列尺寸颜色组合点。为了计算日常销售，要用到两种不同方法分数贡献法根据观察，每个工作日分数贡献对于整个周销售来说是恒定不变。表格和图形描述了个工作日对于周销售分数贡献，从预测周销售能预测日常销售。利用以上数据，我们可以按照如下过程来估算日常销售日常销售分数总销售表格给出了模型值和年月实际日销售与预测日销售之间相关系数。图表体现了年月实际销售与预测销售。温特斯三参数光滑模型温特斯光滑模型提出这里时期末系列平滑非季节性标准时期内平滑走向预测长度范围时段光滑季节性指数即，实际级数值等于个平滑标准值加上个趋势估计再乘以个季节指数......”。

3、“.....用来估计这些光滑值等式有这里时间末实际需求值光滑常量季节性调整后时间末光滑值用于计算趋势光滑常量时段前光滑季节指数季节周期长度如个月光滑常量，用来计算周期内季节指数时段末光滑季节指数预测范围长度等式是用来计算级数总体值，等式中是调整后趋势，用来延长时段末销售。在等式中是用来进行预测。等式通过使和不同光滑值变光滑来估算趋势。这样就估算了级数周期到周期变化趋势。等式阐述了光滑季节指数计算。这个季节性因素用来估算下个周期预测，它常常用于个或者多个向前季节循环预测值。，和这三个值是根据标准挑选出来用作最小化均方误差。利用个根据五个月销售数据建立预测模型，完成了年月每日销售比例。见图表，它体现了年实际销售值与预测销售值。神经网络模型个神经网络，个信息自动处理中心，有着像人脑样操作处理能力。神经网络可以成功作为个预测工具，因为它能够识别非线性关系，这在实现销售预测上尤为重要。在这次研究中......”。

4、“.....图表为它个简单结构体系。在我们模型中，神经网络构架由具有十个神经原输出层，个神经原隐藏层和个神经原输出层来实施。用到了不少于十个月分组化销售数据，其中前行用作训练集，接下来行用于测试集，最后行用于生产集。分数贡献法基于模糊逻辑学分数贡献法用来实施神经网络模型。表格给出了模型值，和年月实际日销售和预测日销售之间相关系数。图表给出了实际销售值和预测销售值。温特斯三参数模型基于模糊逻辑学温特斯三参数模型可以用来实现神经网络模型。表格给出了模型和值，以及实际日销售和预测日销售之间相关系数。图表给出了实际日销售和预测日销售之间相关系数。图表给出了实际销售值和预测销售值。单变量预测模型预测模型以单变量分析为基础，且运用到传统统计学模型和非传统例如人工神经网络微计算模型。在所有模型中，人工神经网络是效果最好，它本质上是非线性。然而......”。

5、“.....因为它们是用个单变量时段建立。图表和体现了用单变量分析完成几种模型实际销售和预测销售。模型比较总结经过我们结果证明，多变量模糊逻辑模型能够成为个有效销售预测工具。从中获得相关系数，比用神经网络模型获得相关系数要好得多。在神经网络模型下获得贫乏相关系数可以归结为销售数据杂乱。模糊模型效果最好归功于它能识别输入数据间非线性关系能力。然而，这个相关系数用于短期预测效果较好，不适合于长期预测。无论如何，与那些基于单变量分析模型相比，多元模糊逻辑模型是执行力最优。这也证明了多变量分析比单变量分析更好。要建立个更加综合模型，可以通过考虑其他因素来完成，如天气，折扣，营销策略等，这将成为我们提交这篇论文后延伸工作。译文短中期预测系统现代纺织物流应用摘要为了降低他们库存量和限制库存中断，纺织公司需要个特质而且精确销售预测系统。尤其是，纺织分配牵涉到不同交付期预测中期年和短期平均为周......”。

6、“.....适用于纺织市场需求。第个模型允许通过模糊技术量化解释变量影响来获得中期预测。第二个模型，基于神经模糊方法，通过加载真实销售来调整中期预测模型，再执行短期预测。为确保预测精确度，我们将自己经典模型与位重要成品经销商手下种真实商品销售系列进行了比较。引言为了建立生产和处理产品时需要所有运筹程序，纺织品经营者们必须使用预测系统。供应链效率最优化依赖于已销售产品预测准确性。纺织工业销售预测是非常复杂。确实，个大范围纺织项目参照存在大约每年，他们历史销售数据往往是很缺乏个周期，年以周算并且会被很多既不能严格控制也不能鉴定因素扰乱。这些因素可能取决于物料项目颜色，价格，经销商店员，推销，客户时尚或者外在因素天气，节假日。这些数据并不总是有用，而且对销售有不同影响。不同阶段纺织项目发展持续意味着预测需求，直到所有原材料都安排好那年。生产经理也需要物品数量来制造......”。

7、“.....根据当地制成品重新进货来看，这对于在预期使用期限内纺织品预测也是必不可少。因此纺织工业涉及到中期年和短期周预测。些预测模型已经被熟练运用于不同应用程序中。包括复原模型，时间序列模型，神经网络或者模糊系统。般来说，这些模型提供是不同结果。事实上，它们性能本质上取决于各自应用领域预测目标用户体验和预测范围。当使用不完善被解释变量严重扰乱历史数据时，传统模型通常是不适合。为了处理好这些被纺织品问题影响约束条件两个不同范围为数众多参考被大量解释变量扰乱简化历史数据，用于这篇论文方法是以下建立在模糊推论系统和神经网络基础上微计算方法。模型，以模型为基础，能自动执行中期预测这将会在章节中提到。这个模型利用模糊推论系统功能来处理非线性关系和量化解释变量影响。章节描述了短期自动预测模型，它运用是神经网络学术和适应能力以及解释模糊推理系统设施......”。

8、“.....在此基础上，言语输出变量价值也就确定了。模糊推论由两个部分组成集合体规则条件部分。构成规则部分。去模糊化把由前阶段获得输出变量销售语言值转换成个真实输出值。这可以通过处理基值来完成，新结果要在平衡所有结果后找出来。模糊逻辑模型应用于分组数据模型，销售价值计算每个尺寸类组合。这整段时间总销售额是通过总结所有分组项目销售额来计算。趋向于系列尺寸颜色组合点。为了计算日常销售，要用到两种不同方法分数贡献法根据观察，每个工作日分数贡献对于整个周销售来说是恒定不变。表格和图形描述了个工作日对于周销售分数贡献，从预测周销售能预测日常销售。利用以上数据，我们可以按照如下过程来估算日常销售日常销售分数总销售表格给出了模型值和年月实际日销售与预测日销售之间相关系数。图表体现了年月实际销售与预测销售。温特斯三参数光外文翻译基于数据挖掘服装销售预测原文出处......”。

9、“.....类似人造神经网络和模糊逻辑模型些简单计算方法。摘要销售预测是服装供应链锁管理中主要部分，并且对于收益性来说非常重要。服装管理者需要个精细预测工具，像尺寸价格颜色气候数据价格变动营销策略等外因和时间这样内因都必须被考虑进去。尽管用贯气象学统计预报工具来建立模型是很常见，但是它们本质上反应出来仅仅只是历史数据和个线性趋势。非常规人工智能工具例如模糊逻辑和人工神经网络，可以有效地将销售模型外因和内因考虑进去，并且允许从任意非线性近似函数得出直接推导。在这个研究中，预测模型是建立在单变量分析和多变量分析基础上。建立在多元模糊逻辑分析学上模型比那些建立在其他基础上模型要好得多。模型效力是通过比较拟合优度统计资料中个来测试，也包含不同形态服装实际销售和预测销售比较。五个月销售数据当做原始数据用于我们模型，然后做出个年个月份销售预测......”。