卫星与雷达位置数据自适应关联

卫星与雷达间的数据关联能够实现海上预警探测过程中由大范围预警向精细跟踪过渡转换,但传统关联模型关联速度慢且难以适应舰船编队目标的非刚性变换、虚警漏报等情形。对此,提出一种卫星与雷达位置数据自适应关联模型。首先,采用多层神经网络提取卫星数据和雷达数据的整体差异参数。然后,将参数通过位移变换估计网络实现两类信源目标的匹配,解决不同信源间的时间间隔和定位误差导致的空间位置差异。最后,对匹配后的目标进行关联判决。仿真实验结果表明,该模型关联速度快,精度高,能够实时处理大规模多源数据关联任务。同时在应对非刚性变换、定位误差、虚警漏报等场景下有较好的鲁棒性。     

未知环境中FastSLAM算法的数据关联问题

讨论FastSLAM算法(FastSLAM-对SLAM进行因式分解的一种快速算法)在未知环境中的数据关联问题.在标准的FastSLAM算法中,通常假设数据关联是已知的.然而现实情况中,数据关联往往是未知的.采用一种基于单个粒子的最大似然数据关联和环境否定信息相结合的方法来解决未知环境中的数据关联问题.仿真结果表明,新的数据关联方法提高了移动机器人在未知环境中自身定位和地图创建的精度.     

基于多层Hopfield神经网络的配电网网络规划

分析了配电网网络结构规划模型,在此基础上提出用Hopfield神经网络进行网络结构规划.针对城市电网辐射状运行的特点,提出多层Hopfield神经网络模型、对应的能量函数以及参数选择规律.多层Hopfield神经网络的每一层对应于一个负荷点的供电线路,能量函数的建立同时考虑到各层的状态.提出一种新的基于多层Hopfield神经网络的配电网网络结构的规划算法,该算法通过使能量函数降到最低值,可以求得配电网网络规划问题的最优或近似最优解.新算法无需对线路编码、无需对数据进行归一化处理,更加易于编程实现.实例计算表明该方法可行、有效.     

基于灰色关联分析的神经网络模型

在BP神经网络算法的基础上,针对在多变量复杂系统建模过程中BP网络输入变量无法自动寻优的问题,将其与灰色关联分析方法结合,建立基于灰色关联分析的神经网络优化算法(GM-BPANN).并且使用中国粮食产量预测的数据,与逐步回归方法和灰色GM(1, N )模型方法进行了比较检验.结果表明,新模型通过灰色关联度的计算,可以全面、广泛地对大量的输入变量进行处理,而不必经过专门的主观筛选,从而增强了BP网络的适应能力, 同时能够得到较好的预测精度和稳定性.     

基于CNFN 的液固挤压复合材料MIMO 系统建模与仿真

针对液固挤压复合材料多输入/多输出系统的复杂非线性建模问题,提出了一种基于模糊神经网络的建模方法.在对该系统进行描述与分析的基础上,采用正交实验数据和有限元模拟数据组成样本集,利用改进的补偿模糊神经网络(CNFN)学习算法,建立了液固挤压复合材料MIMO系统的CNFN辨识模型.仿真结果表明,可以实现对双输出变量较为准确的预测,并能展现工艺参数之间的交互作用和变化规律.按所建模型的预测参数进行实验,取得良好效果,说明建模方法的可行性和有效性.     

基于神经网络的无源多传感器属性数据关联

采用引入动量项、自适应调整步长，Levenberg-Marquardt优化方法对基本的BP神经网络进行改进，以提高学习速度，改进的BP神经网络学习算法用于对无源多传感器获得的雷达辐射源参数进行属性数据关联，能够自适应地调整阈值，即根据训练数据调整关联的门限值，与确定门限的属性关联算法相比，有着很高的关联正确率。     

诺西肽分批发酵过程混合建模

提出了基于过程机理和神经网络修正的混合建模方法.利用差分进化算法对诺西肽分批发酵过程机理模型的参数进行辨识,用神经网络建模方法对机理模型进行修正.模型的训练与验证数据都取自实际的实验过程-诺西肽分批发酵.验证结果表明,混合模型比单纯的机理模型具有更高的精度.     

基于模糊Chebyshev基函数神经网络的快速学习算法

将模糊控制与神经网络相结合，用神经网络来实现模糊推理，提出了一种以Chebyshev基函数为隶属函数的模糊神经网络。由于无需调整隶属函数的参数，因此该模糊神经网络模型算法的计算量大大减小，仿真结果表明了该模型算法的有效性和快速性。     

一种多神经网络混合模型的学习算法研究

针对混合智能模型的多神经网络结构特征，提出一种模型参数的在线辨识算法。该算法在起始阶段利用混沌优化算法寻找初始点，随后采用BFS法完成参数寻优过程。对处于扰动状态下的预分馏塔的仿真结果表明，该算法可以有效地解决一类多神经网络模型的在线参数辩识问题。     

根据粗糙集理论进行BP网络设计的研究

提出了一种根据粗糙集理论进行ＢＰ网络设计的方法,它结合了粗糙集理论的强大的定性分析能力和ＢＰ网络的准确的逼近能力,得到一种可理解性好、计算简单、收敛速度快的神经网络模型．这种神经网络的学习算法的要点是：应用粗糙集的理论和方法,从给定学习样本数据中发现一组规则,并根据这些规则去建立网络模型中相应的隐层节点;然后用ＢＰ算法迭代求出网络的参数,从而完成网络的设计.     

The 12th International Conference on Service Systems and Service Management ICSSSM'15

正~~     

THE 8~(th) INTERNATIONAL CONGRESS ON INDUSTRIAL AND APPLIED MATHEMATICS

正August 10-14,2015Beijing,ChinaThe International Congress on Industrial and Applied Mathematics(ICIAM)is the premier international congress in the field of applied mathematics held every four years under the auspices of the International Council for Industrial and Applied Mathematics.From August 10 to 14,2015,mathematicians,scientists     

2014 List of Referees

正~~     

《Journal of Systems Science and Systems Engineering》Contents of Volume 23,2014

正~~     

TSINGHUA UNIVERSITY,Beijing, China

正AF:Any Field The School of Economics and Management at Tsinghua University(Tsinghua SEM)invites applications for faculty positions at all levels(Assistant Professor,Associate Professor and Full Professor)in any fields of business administration and management.Tsinghua SEM is the only school     

Enterprise resource planning implementation decision & optimization models

To study the uncertain optimization problems on implementation schedule, time-cost trade-off and quality in enterprise resource planning (ERP) implementation, combined with program evaluation and review technique (PERT), some optimization models are proposed, which include the implementation schedule model, the timecost trade-off model, the quality model, and the implementation time-cost-quality synthetic optimization model. A PERT-embedded genetic algorithm (GA) based on stochastic simulation technique is introduced to the optimization models solution. Finally, an example is presented to show that the models and algorithm are reasonable and effective, which can offer a reliable quantitative decision method for ERP implementation.     

Call for Papers The 12th International Conference on Service Systems and Service Management ICSSSM'15

正June 22-24,2015Guangzhou,China http://iec.cnsba.com/index.htmlCo-Sponsored by:ffiEE SMC(pending)South China University of Technology The Chinese University of Hong Kong Tsinghua UniversityHosted bv:School of Business Administration,South China University of Technology,China Conference Co-Chairs: