开题报告内容：（包括拟研究或解决的问题、采用的研究手段及文献综述，不少于2000字）
一．选题背景与意义
医药企业传统的药品采购方式是依靠采购订单来安排进货，比较盲目，具有不确定性，不能够积极应对和快速反应药品的临床需求。由于缺少对销量的有效预测，只能被动地按照订单需求来采购，导致库存成本高，平均周转时间长。倘若借助销量预测，则可以摆脱这种被动的局面。
销量预测，就是根据市场过去的销量信息，运用已知的知识经验和科学方法，对市场销量未来的发展趋势进行预先估计和推测。[10]它可以帮助企业制定科学的生产计划，或是规划药品采购资金，减少库存上的浪费，起到减少风险，降低盲目性的作用。
二．拟解决的问题
70年代，销售预测已经开始应用计算机来实现，将传统方法与计算机信息处理相结合，采用定量方法，如移动平均法、指数平滑法、趋势外推法等，以趋势及其变化为重点，依靠历史数据，建立线性或非线性函数完成预测。但是影响销售量的因素很多，如产品质量，顾客结构，季节性及同类企业竞争情况等，这其中西成药还会由于受招标政策、省市医保目录变更、市场因素及其他人为因素的影响。 这些因素对销售量的影响是十分复杂的，有些问题涉及的算法或规则是不可知的，很难用以往线性或非线性函数来准确描述，获得精确的结果。本课题拟通过研究BP神经网络算法，与医药销售中的销量预测相结合，降低销量预测的误差，为医药企业销售提供指导。
- 研究内容
1.BP神经网络
BP神经网络是指基于BP算法的多层前馈神经网络，其结构由输入层、隐含层、输出层构成，其学习过程由信号与误差这两个正反传播过程组成，进行N次迭代学习。BP神经网络正向传播时，输入样本依次经过输入层、各隐含层（信息处理）与传输层，如果实际输出不符合期望输出，则进入反向调节传播过程，将输出误差以各种形式通过隐含层向输出层逐层反转，并将误差分摊给各层的所有单元以获取误差信号，进而获得各单元权值的修正依据，使得误差信号最小，这种双向传播、各层权值调整的过程是周而复始的过程，也是网络学习训练的过程，此循环过程将一直进行到网络输出误差减少到可以接受的程度或者进行到预定的学习次数为止。
BP神经网络具有很好的非线性映射能力与自学习能力，这是因为BP算法是全局学习算法，具有非常强的泛化能力，而且只要拥有足够多的隐含层与隐含节点，它就可以逼近任意的非线性映射关系。对于受多种因素影响的药品历史销售数据，BP神经网络具有预测未来销售趋势的非连续性变化的巨大潜力，其良好的非线性品质，灵活有效的学习方式、完全分布式的存贮结构，易于实现非线性映射，可以把药品的正常需求、季节需求、周期需求和异常需求因素及其相互影响以权值的形式固化，实现对药品销售数量的较为准确的预测。
- BP神经网络的MATLAB实现
- 生成一个BP网络
- 初始化权重
- 数据的预处理和后处理
- BP神经网络的训练
本课题拟使用国药控股南通有限公司2015-2017年的销售数据作为训练阶段的学习数据，将2018年的销售数据作为对照检验数据。
