本发明公开一种根据监控画面预测销售额的日用杂品销售系统，包括主控模块和分别与所述主控模块连接的监控装置、图像处理模块、分类模块、评估模块、数据存储模块、数据显示模块和数据通信接口，其中所述主控模块为日用杂品销售管理中心；所述数据存储模块为日用杂品销售信息存储硬件或者云存储模块，所述数据显示模块为显示日用杂品销售数据信息的可视化硬件，所述数据通信接口为兼容远程数据信息无线信息通信的接口。本发明能够自动化提取销售监控画面，对不同日用杂品按照一定的数据属性进行分类，进而对销售额进行预测。
1.一种根据监控画面预测销售额的日用杂品销售系统，其特征在于：包括主控模块和分别与所述主控模块连接的监控装置、图像处理模块、分类模块、评估模块、数据存储模块、数据显示模块和数据通信接口，其中所述主控模块为日用杂品销售管理中心；所述数据存储模块为日用杂品销售信息存储硬件或者云存储模块，所述数据显示模块为显示日用杂品销售数据信息的可视化硬件，所述数据通信接口为兼容远程数据信息无线信息通信的接口；
所述监控装置包括处理器模块和分别与所述处理器模块连接的图像采集模块、A/D转换模块、数据获取总线、图像采集驱动模块和处理器加速器，其中所述图像采集模块的输出端与所述A/D转换模块的输入端连接，其中所述处理器模块为基于FPGA处理器的处理模块和ARM处理器的处理模块，FPGA处理器为基于EP4CE10F17C8芯片的处理模块，所述ARM处理器为基于CortexM3的STM32F103VE型号ARM处理器，并且所述FPGA处理器与ARM处理器通信连接；处理器加速器为基于图像采集的矢量化加速运算层次结构实现日用杂品销售图像采集的加速；
所述图像处理模块包括图像分割单元、目标图像提取单元、目标图像识别单元和特征匹配目标计算单元，其中所述图像分割单元的输出端与目标图像提取单元的输入端连接，所述目标图像提取单元的输出端与目标图像识别单元的输入端连接，所述目标图像识别单元的输出端与所述特征匹配目标计算单元的输入端连接；
所述评估模块包括基于GA‑BP神经网络模型的评估模块；
通过构建矢量化加速运算层次结构，将日用杂品数据信息融入矢量化加速运算层次结构，通过扫描字符数量，将输入的字符进行快速扫描，以最为原始的地址访问输入到矢量加速结构中，进而通过不同层次求解，将图像采集结果与图像计算进行匹配，进而提高图像采集模块的速度加速；
所述特征匹配目标计算单元是采用利用目标的局部模板在当前帧进行匹配获取目标候选区域，利用改进的距离加权彩色直方图计算候选区域与局部模板的相似度，结合直方图的相似度和卡尔曼预测确定目标的位置。
2.根据权利要求1所述的一种根据监控画面预测销售额的日用杂品销售系统，其特征在于：所述目标图像提取单元为基于图像归一化后的字符进行信息提取的模块。
3.根据权利要求1所述的一种根据监控画面预测销售额的日用杂品销售系统，其特征在于：所述目标图像识别单元为基于SPCA563B芯片的图像识别单元。
4.根据权利要求1所述的一种根据监控画面预测销售额的日用杂品销售系统，其特征在于：所述图像处理模块对日用杂品销售信息提取的方法是：步骤1、通过图像分割单元将图像中具有不同类型的日用杂货数据信息按照不同的属性进行区域划分；
步骤2、通过目标图像提取单元对监控画面中的不同日用杂货数据信息进行信息提取；
步骤3、通过目标图像识别单元对目标图像提取单元提取的数据信息进行目标识别；
步骤4、通过特征匹配目标计算单元对目标图像识别单元识别出的数据信息进行匹配；
在本步骤中，通过SAD运算子模块将16*16窗生成的子模块生成的目标模板与候选目标内的像素点按公式进行匹配运算；在进行匹配时首先选取模板图像，然后在图像区域中的所有的未知物体进行SAD运算，扫描整幅图像寻找SAD值最小的点，将SAD最小值的点所在的领域作为所寻找的目标物体；其中所述C5.0决策树模型实现分类的方法为：日用杂品数据信息集合为 ，销售额预测信息记作为 ，则:
在公式(1)中， 为日用杂品在进行销售额评估时， 在进行数据接收时，数据发送端子在发出预测数据 的同时，并同时接收到数据 时的概率数，其中表示日用杂品数据信息的个数， 表示销售额预测信息的个数，该数据通过概率表示为： （2）
通过计算数据发送端子和数据接收端子之间的数据信息，进而获取日用杂品被评估的数据集信息情况；
其中所述GA‑BP神经网络模型实现销售额度数据信息评估的方法包括以下步骤：（1）设置BP网络结构模型，所述BP网络结构模型包括输入层、隐含层和输出层，每个不同的层次之间的神经元都采用了全连接的形式，BP网络对数据信号处理的整体过程如下：日用杂货销售额数据信息预测所需要的相关数据信息通过输入层进入BP网络中，在BP网络内部由隐含层对输入的相关数据信息进行处理计算，最终输出的数据值会与预设值进行对比；
（2）BP网络结构模型计算，BP网络输出的数据与预设的数据值之间的误差E(n)满足：（3）
式（3）中， 和 分别代表经BP网络处理后的输出值与预设的数据值；
(3)误差诊断，当输出的误差的值大于用户事先预设的阈值，系统就会将最终输出的值按照输出层、隐含层、输入层的顺序进行反向传播，此时需要更新阈值，BP网络会依据误差由公式将权值更新，更新公式为：（4）
式（4）中， 是输入层到隐含层的数据权值， 是隐含层到输出层的数据权值；
隐层 个点时隐含层参数的权重， 表示在隐层n个点的情况下的隐含层参数，融入GA模型以提高诊断精度，根据BP网络输出值与预设值的误差来确定适应函数，适应函数SE的公式为：（5）
在公式（5）中，表示训练日用杂货数据信息样本的总体数量，表示训练日用杂货数据信息样本的总体数量中的某一项样本数量，p代表输出层拥有的节点数量， 代表日用杂货数据信息样本个体在训练样本下的输出值， 代表日用杂货数据信息样本预测销售额真实输出值；表示训练日用杂货数据信息样本时的日用杂货数据信息个数，j表示在数据训练样本为 时的BP网络数据信息输出值；
（5）迭代计算，设置迭代次数为100次；并不断地循环计算；
一种根据监控画面预测销售额的日用杂品销售系统
技术领域
[0001] 本发明涉及图像数据处理领域，且更确切地涉及一种根据监控画面进行预测销售额的日用杂品销售系统。
背景技术
[0002] 图像数据处理是利用图像数据去噪、图形分割、图像数据增强等手段根据需求对图像数据进行处理的技术。图像数据处理技术基本可以分成两大类：模拟图像处理（Analog Image Processing）和数字图像处理（Digital Image Processing）。近年来，图像处理技术日趋成熟，逐步被多种行业广泛应用，日用杂品通常包括炊事用具、炉灶用其、夏底品、清洁卫生用品、日用陶瓷器皿、土纸、鞭炮及竹、木、棕、藤、荆、柳、草制品等。这些物品在销售时种类繁多，一些用品不分时间季节，是常年销售的商品，一些用品是生活用品，还有一些用品是根据用户需求进行，由于这些数据信息参差不齐，在预测销售额时很容易出现预测结果不准确、预测精度低下等问题。
发明内容
[0003] 针对上述技术的不足，本发明公开一种根据监控画面预测销售额的日用杂品销售系统，能够自动化提取销售监控画面，对不同日用杂品按照一定的数据属性进行分类，进而对销售额进行预测。
[0004] 为了实现上述技术效果，本发明采用以下技术方案：
[0005] 一种根据监控画面预测销售额的日用杂品销售系统，包括主控模块和分别与所述主控模块连接的监控装置、图像处理模块、分类模块、评估模块、数据存储模块、数据显示模块和数据通信接口，其中所述主控模块为日用杂品销售管理中心；所述数据存储模块为日用杂品销售信息存储硬件或者云存储模块，所述数据显示模块为显示日用杂品销售数据信息的可视化硬件，所述数据通信接口为兼容远程数据信息无线信息通信的接口；
[0006] 所述监控装置包括处理器模块和分别与所述处理器模块连接的图像采集模块、A/D转换模块、数据获取总线、图像采集驱动模块和处理器加速器，其中所述图像采集模块的输出端与所述A/D转换模块的输入端连接，其中所述处理器模块为基于FPGA处理器的处理模块和ARM处理器的处理模块，FPGA处理器为基于EP4CE10F17C8芯片的处理模块，所述ARM处理器为基于CortexM3的STM32F103VE型号ARM处理器，并且所述FPGA处理器与ARM处理器通信连接；处理器加速器为基于图像采集的矢量化加速运算层次结构实现日用杂品销售图像采集的加速；
[0007] 所述图像处理模块包括图像分割单元、目标图像提取单元、目标图像识别单元和特征匹配目标计算单元，其中所述图像分割单元的输出端与目标图像提取单元的输入端连接，所述目标图像提取单元的输出端与目标图像识别单元的输入端连接，所述目标图像识别单元的输出端与所述特征匹配目标计算单元的输入端连接；
[0008] 所述分类模块包括基于C5.0决策树模型的分类器；
[0009] 所述评估模块包括基于GA‑BP神经网络模型的评估模块；
[0010] 在上述实施例中，所述处理器加速器实现数据处理加速的方法是：
[0011] 通过构建矢量化加速运算层次结构，将日用杂品融入矢量化加速运算层次结构，通过扫描字符数量，将输入的字符进行快速扫描，以最为原始的地址访问输入到矢量加速结构中，进而通过不同层次求解，将图像采集结果与图像计算进行匹配，进而提高图像采集模块的速度加速。
[0012] 在本发明中，目标图像提取单元为基于图像归一化后的字符进行信息提取的模块。
[0013] 在本发明中，目标图像识别单元为基于SPCA563B芯片的图像识别单元。
[0014] 在本发明中，特征匹配目标计算单元是采用利用目标的局部模板在当前帧进行匹配获取目标候选区域，利用改进的距离加权彩色直方图计算候选区域与局部模板的相似度，结合直方图的相似度和卡尔曼预测确定目标的位置。
[0015] 在上述实施例中，所述图像处理模块对日用杂品销售信息提取的方法是：
[0016] 步骤1、通过图像分割单元将图像中具有不同类型的日用杂货数据信息按照不同的属性进行区域划分；
[0017] 步骤2、通过目标图像提取单元对监控画面中的不同日用杂货数据信息进行信息提取；
[0018] 步骤3、通过目标图像识别单元对目标图像提取单元提取的数据信息进行目标识别；
[0019] 步骤4、通过特征匹配目标计算单元对目标图像识别单元识别出的数据信息进行匹配；在本步骤中，通过SAD运算子模块将16*16窗生成的子模块生成的目标模板与候选目标内的像素点按公式进行匹配运算；在进行匹配时首先选取模板图像，然后在图像区域中的所有的未知物体进行SAD运算，扫描整幅图像寻找SAD值最小的点，将SAD最小值的点所在的领域作为所寻找的目标物体。
[0020] 在上述实施例中，所述C5.0决策树模型实现分类的方法为：
[0021] 日用杂品数据信息集合为 ，销售额预测信息记作为 ，则：
[0022] (1)
[0023] 在公式(1)中， 为日用杂品在进行销售额评估时， 在进行数据接收时，数据发送端子在发出预测数据 的同时，并同时接收到数据 时的概率数，其中m表示日用杂品数据信息的个数，n表示销售额预测信息的个数，该数据通过概率表示为：
[0024] （2）
[0025] 通过计算数据发送端子和数据接收端子之间的数据信息，被评估的数据集信息情况。
[0026] 在上述实施例中，所述GA‑BP神经网络模型实现销售额度数据信息评估的方法包括以下步骤：
[0027] （1）设置BP网络结构模型，所述BP网络结构模型包括输入层、隐含层和输出层，每个不同的层次之间的神经元都采用了全连接的形式，BP网络对数据信号处理的整体过程如下：日用杂货销售额数据信息预测所需要的相关数据信息通过输入层进入BP网络中，在BP网络内部由隐含层对输入的相关数据信息进行处理计算，最终输出的数据值会与预设值进行对比；
[0028] （2）BP网络结构模型计算，BP网络输出的数据与预设的数据值之间的误差E(n)满足：
[0029] （3）
[0030] 式（3）中， 和 分别代表经BP网络处理后的输出值与预设的数据值；
[0031] (3)误差诊断，当输出的误差的值大于用户事先预设的阈值，系统就会将最终输出的值按照输出层、隐含层、输入层的顺序进行反向传播，此时需要更新阈值，BP网络会依据误差由公式将权值更新，更新公式为：
[0032] （4）
[0033] 式（4）中， 是输入层到隐含层的数据权值， 是隐含层到输出层的数据权值；表示在隐层 个点的情况下的隐含层参数， 表示在隐层
个点时隐含层参数的权重， 表示在隐层 个点的情况下的隐含层参数，融入GA模型以提高诊断精度，根据BP网络输出值与预设值的误差来确定适应函数，适应函数SE的公式为：
[0034] （5）
[0035] 式（5）中，表示训练日用杂货数据信息样本的总体数量，表示训练日用杂货数据信息样本的总体数量中的某一项样本数量， 代表输出层拥有的节点数量， 代表日用杂货数据信息样本个体在训练样本下的输出值， 代表日用杂货数据信息样本预测销售额真实输出值； 表示训练样本时的日用杂货数据信息个数，表示在数据训练样本为时的BP网络数据信息输出值；
[0036] 表示适应函数SE的影响因子，通过公式（6）表示：
[0037] （6）
[0038] 式（6）中，SE表示适应函数；
[0039] 式（5）迭代计算，设置迭代次数为100次；并不断地循环计算；
[0040] 式（6）日用杂品销售额评估输出。
[0041] 本发明公开一种根据监控画面预测销售额的日用杂品销售系统，包括主控模块和分别与所述主控模块连接的监控装置、图像处理模块、分类模块、评估模块、数据存储模块、数据显示模块和数据通信接口，能够自动化提取销售监控画面，对不同日用杂品按照一定的数据属性进行分类，进而对销售额进行预测，提高日用杂货的数据分类能力。
附图说明
[0042] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：
[0043] 图1为本发明的总体架构示意图；
[0044] 图2为本发明中监控装置原理结构示意图；
[0045] 图3为本发明中处理器加速器工作原理示意图
[0046] 图4为本发明中图像处理模块的结构示意图；
[0047] 图5为本发明中图像处理模块工作方法示意图；
[0048] 图6为本发明中评估模块工作结构示意图。
具体实施方式
[0049] 以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
[0050] 如图1‑图6所示，一种根据监控画面预测销售额的日用杂品销售系统，包括主控模块和分别与所述主控模块连接的监控装置、图像处理模块、分类模块、评估模块、数据存储模块、数据显示模块和数据通信接口，其中所述主控模块为日用杂品销售管理中心；所述数据存储模块为日用杂品销售信息存储硬件或者云存储模块，所述数据显示模块为显示日用杂品销售数据信息的可视化硬件，所述数据通信接口为兼容远程数据信息无线信息通信的接口；
[0051] 所述监控装置包括处理器模块和分别与所述处理器模块连接的图像采集模块、A/D转换模块、数据获取总线、图像采集驱动模块和处理器加速器，其中所述图像采集模块的输出端与所述A/D转换模块的输入端连接，其中所述处理器模块为基于FPGA处理器的处理模块和ARM处理器的处理模块，FPGA处理器为基于EP4CE10F17C8芯片的处理模块，所述ARM处理器为基于CortexM3的STM32F103VE型号ARM处理器，并且所述FPGA处理器与ARM处理器通信连接；处理器加速器为基于图像采集的矢量化加速运算层次结构实现日用杂品销售图像采集的加速；
[0052] 所述图像处理模块包括图像分割单元、目标图像提取单元、目标图像识别单元和特征匹配目标计算单元，其中所述图像分割单元的输出端与目标图像提取单元的输入端连接，所述目标图像提取单元的输出端与目标图像识别单元的输入端连接，所述目标图像识别单元的输出端与所述特征匹配目标计算单元的输入端连接；
[0053] 所述分类模块包括基于C5.0决策树模型的分类器；
[0054] 所述评估模块包括基于GA‑BP神经网络模型的评估模块；
[0055] 在上述实施例中，所述处理器加速器实现数据处理加速的方法是：
[0056] 通过构建矢量化加速运算层次结构，将日用杂品融入矢量化加速运算层次结构，通过扫描字符数量，将输入的字符进行快速扫描，以最为原始的地址访问输入到矢量加速结构中，进而通过不同层次求解，将图像采集结果与图像计算进行匹配，进而提高图像采集模块的速度加速。
[0057] 在具体实施例中，通过构建设立矢量加速匹配架构，对系统提取的具有采集监控销售额画面特征数据进行匹配。将画面监控端与所要匹配的采集图像连接，通过参考最佳安全匹配进行划分层次，即炊事用具、炉灶用品、土纸和草制品等不同的数据信息通过字符提取，将采集的图像信息，按不同层次通过求解分析出图像过程，进而进行矢量加速匹配，提高采集效率，在另一种实施例中，通过使用超高速FPGA处理器的处理模块和ARM处理器的处理模块的方式实现提高图像信息采集能力。
[0058] 在上述实施例中，系统采用FPGA+ARM的系统构架，能够实现图像数据信息的快速处理，其中系统的前端即FPGA之上的系统主要完成外部芯片驱动以及数据流的采集和缓存功能，FPGA提供CCD、AD芯片正常工作所需的驱动时序。线阵CCD在FPGA的驱动脉冲控制下进行自扫描，每个像素点将进行光电转换将光信号转换为电信号，并通过移位寄存器输出，线阵CCD的输出信号包含暗电流信号、直流分量信号以及各类噪声信号，为了取得良好的信噪比需要在CCD输出的后端接一级信号调理放大电路并配合AD芯片，AD芯片在FPGA产生的采样时钟的控制下将CCD的模拟信号转成相应的数字信号，并通过FPGA进行采集。ARM与FPGA数据的交互主要通过ARM总线接口控制器完成，ARM通过对对应地址的读写操作完成采集系统的配置以及数据的采集工作。ARM微处理器采用意法半导体的STM32f103系列芯片，其内核基于CortexM3，具有72 MHz的主频，存储容量包括512 kbit的Flash以及64 kbit的RAM，外设方面包括UART、SPI、USB等常用通信接口，可以方便的实现外部各类通信方式，同时该系列芯片具有静态存储器控制器（FSMC）可外接片外存储器芯片，在本系统中，通过将FPGA连接至该控制器，实现ARM与FPGA的数据交互。
[0059] 在上述实施例中，图像分割单元可将图像中具有不同类型的图像单元（比如，字符、日用杂货数据信息等）等不同的区域分开来，该单元能够对不连续性和相似性的特性进行分割。不连续性是基于监控画面的不连续变化而进行图像的边缘分割。相似性的特性分割可以根据事先定制的准则将图像分割为相似的区域，比如门图像处理、字符处理、区域分离和聚合等，在监控画面检测中，对系统的实时性的要求较高，要求分割处理的速度尽量快一些。
[0060] 在本发明中，目标图像提取单元为基于图像归一化后的字符进行信息提取的模块。
[0061] 目标图像提取单元能够对视频序列中检测新到的目标及运动区域，然后对新检测的目标进行特征提取，预测的目标在下一刻可能运动的位置，确定目标在下一刻的搜索范围，在预测搜索范围内，用前一时刻的特征信息进行匹配搜索，寻找最佳匹配位置，当在预测范围内未找到目标时需要进行例外处理。本发明利用匹配的目标图像，重新修正被跟踪目标的特征数据，如此反复，就可以跟踪到这个目标的运动轨迹。该单元能够找到具有比较好的有效性的特征，再运动合理的特征匹配算法，跟踪的实时性可以得到保证。
[0062] 在本发明中，目标图像识别单元为基于SPCA563B芯片的图像识别单元。
[0063] 在上述实施例中，能够对目标图像提取单元提取的图像进行识别，对图像进行处理、分析，该单元具有图片识别与处理能力，其提供320*240的8位CMOS图像传感器接口，具有自动白平衡和获得参数控制功能，具有图像颜色校正和图像Gamma校正功能，同时也具有良好的减少噪声的滤波器。
[0064] 在本发明中，特征匹配目标计算单元是采用利用目标的局部模板在当前帧进行匹配获取目标候选区域，利用改进的距离加权彩色直方图计算候选区域与局部模板的相似度，结合直方图的相似度和卡尔曼预测确定目标的位置。
[0065] 在具体实施例中，在进行特征匹配时，首选要判断目标的运动状态，比如，新的行车目标的出现、旧的行车目标的消失、目标匹配、目标分裂以及目标之间的相互遮挡，在该实施例中，利用目标的运动特征建立数据关联矩阵判断目标的运动状态，然后对各状态分别进行针对性的处理。
[0066] 在上述实施例中，所述图像处理模块对日用杂品销售信息提取的方法是：
[0067] 步骤1、通过图像分割单元将图像中具有不同类型的日用杂货数据信息按照不同的属性进行区域划分；
[0068] 步骤2、通过目标图像提取单元对监控画面中的不同日用杂货数据信息进行信息提取；
[0069] 步骤3、通过目标图像识别单元对目标图像提取单元提取的数据信息进行目标识别；
[0070] 步骤4、通过特征匹配目标计算单元对目标图像识别单元识别出的数据信息进行匹配；在本步骤中，通过SAD运算子模块将16*16窗生成的子模块生成的目标模板与候选目标内的像素点按公式进行匹配运算；在进行匹配时首先选取模板图像，然后在图像区域中的所有的未知物体进行SAD运算，扫描整幅图像寻找SAD值最小的点，将SAD最小值的点所在的领域作为所寻找的目标物体。
[0071] 在具体实施例中，将电路分成四级，在每一级设置寄存器组用于存放中间数据，以减少逻辑运算的延时，以提高系统运行速度，也提供了匹配跟踪的准确度，使得系统的图像处理单元有更快的处理速度和更高的实时性。
[0072] 在上述实施例中，所述C5.0决策树模型实现分类的方法为：
[0073] 日用杂品数据信息集合为 ，销售额预测信息记作为 ，则：
[0074] (1)
[0075] 在公式(1)中， 为日用杂品在进行销售额评估时， 在进行数据接收时，数据发送端子在发出预测数据 的同时，并同时接收到数据 时的概率数，其中m表示日用杂品数据信息的个数，n表示销售额预测信息的个数，该数据通过概率表示为：
[0076] （2）
[0077] 通过计算数据发送端子和数据接收端子之间的数据信息，被评估的数据集信息情况。
[0078] 为了提高模型的计算精度，在应用C5.0决策树分类模型C5.0决策树分类模型时，对决策树进行减枝，假设C5.0决策树分类模型中的存在 个节点，一共有 个日用杂品评估数据样本， 表示在进行数据传递过程中的错误估计数，则误差率为：
[0079] (3)
[0080] 在公式（3）存在的情况下，决策树节点 在置信度为 情况下的准确度误差表示为：
[0081] （4）
[0082] 在公式（4）中，构建出的C5.0决策树分类模型中的每个节点存在的准确误差 具有的上限为：
[0083] （5）
[0084] 在所有的日用杂品评估输出的评估数据进行误差计算后，为了提高数据计算的精度，还需要对不同的叶子节点进行二次加权计算，则存在以下关系式：
[0085] （6）
[0086] 其中 ，则 为C5.0决策树分类模型中第 个节点在所有C5.0决策树分类模型中节点的占比， 表示C5.0决策树分类模型中根节点的误差估计值，当分节点的加权误差估计值大于根节点时，则表示在修剪C5.0决策树分类模型时，达到了最佳值。
通过这种方法实现诸如炊事用具、炉灶用其、夏底品、清洁卫生用品、日用陶瓷器皿、土纸、鞭炮及竹、木、棕、藤、荆、柳、草制品等不同数据的输出。
[0087] 在上述实施例中，所述GA‑BP神经网络模型实现销售额度数据信息评估的方法包括以下步骤：
[0088] （1）设置BP网络结构模型，所述BP网络结构模型包括输入层、隐含层和输出层，每个不同的层次之间的神经元都采用了全连接的形式，BP网络对数据信号处理的整体过程如下：日用杂货销售额数据信息预测所需要的相关数据信息通过输入层进入BP网络中，在BP网络内部由隐含层对输入的相关数据信息进行处理计算，最终输出的数据值会与预设值进行对比；
[0089] （2）BP网络结构模型计算，BP网络输出的数据与预设的数据值之间的误差E(n)满足：
[0090] （7）
[0091] 式（7）中， 和 分别代表经BP网络处理后的输出值与预设的数据值；
[0092] (3)误差诊断，当输出的误差的值大于用户事先预设的阈值，系统就会将最终输出的值按照输出层、隐含层、输入层的顺序进行反向传播，此时需要更新阈值，BP网络会依据误差由公式将权值更新，更新公式为：
[0093] （8）
[0094] 式（8）中， 是输入层到隐含层的数据权值， 是隐含层到输出层的数据权值； 表示在隐层 个点的情况下的隐含层参数， 表示在隐层个点时隐含层参数的权重， 表示在隐层 个点的情况下的隐含层参数，融入
GA模型以提高诊断精度，根据BP网络输出值与预设值的误差来确定适应函数，适应函数SE的公式为：
[0095] （9）
[0096] 式（9）中，表示训练日用杂货数据信息样本的总体数量，表示训练日用杂货数据信息样本的总体数量中的某一项样本数量， 代表输出层拥有的节点数量， 代表日用杂货数据信息样本个体在训练样本下的输出值， 代表日用杂货数据信息样本预测销售额真实输出值；表示训练样本时的日用杂货数据信息个数，表示在数据训练样本为时的BP网络数据信息输出值；
[0097] 表示适应函数SE的影响因子，通过公式（10）表示：
[0098] （10）
[0099] 式（10）中，SE表示适应函数；
[0100] 式（9）迭代计算，设置迭代次数为100次；并不断地循环计算；
[0101] 在每一次的迭代过程中，通过适应度函数最终计算得到的值的大小，对集群当中的样本个体进行排序，并通过交叉和变异的操作生成新的日用杂品销售额数据种群；遗传算法（Genetic Algorithm，GA）对BP网络进行优化。
[0102] 式（10）日用杂品销售额评估输出。
[0103] 虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。
