基于作业成本法的参数成本估算模型与方法研究

指出了目前参数成本估算对生产耗用资源市场价格的波动考虑不充分、所用历史成本数据缺乏真实性与可比性、对成本形成原因不能识别和反馈控制等缺陷.依据作业成本法“产品消耗作业,作业消耗资源”的思想,建立了从产品属性确认开始,经过作业动因、资源动因、再到作业成本、产品成本的参数成本估算模型.给出了运用主成分分析对产品主要特性指标降维的方法,运用径向基函数神经网络构建了作业估算关系(AER),并进行了案例分析.     

用神经网络组合预测法估算反舰导弹研制费用

运用BP神经网络组合预测法对反舰导弹研制费用进行估算。首先利用回归分析法建立三元线性回归模型对导弹研制费用进行估算,然后利用3层前馈型BP神经网络对导弹研制费用进行估算,最后利用人工神经网络中的BP网络对所得结果进行组合预测。计算实例表明,使用该组合预测方法所得的预测结果比单使用神经网络或回归分析方法所得结果的总体误差要小,因而该方法是可行而有效的。     

电子商务中面向产品线的动态定价方法研究

研究电子商务零售中产品线动态定价决策的优化问题.决策的实时性需求和计算复杂性是该问题的难点.对此,首先提出市场需求状态模型和需求状态的估算方法,在此基础上,进一步提出产品线动态定价的优化模型,最后,提出一种基于自组织神经网络的Q学习算法来求解产品线动态定价的优化问题.模拟实验结果表明,用该算法求解产品线动态定价问题具有较高的效率和效用.     

基于RBF神经网络的磁屏蔽性能计算方法

针对磁屏蔽性能理论计算存在的不足,提出了基于径向基函数(radial basis function, RBF)神经网络的磁屏蔽性能理论计算方法。首先,采用控制变量法对影响磁屏蔽性能的独立参数进行分离并建模;然后,利用RBF神经网络对非独立参数进行建模;最后,将训练好的RBF神经网络模块与分离出来的独立参数模型进行结合,得到磁屏蔽装置的磁屏蔽性能计算模型。通过对矩形磁屏蔽装置的磁屏蔽性能进行仿真计算,结果表明,提出的基于RBF神经网络的磁屏蔽性能理论计算方法与有限元数值法的最大相对误差为10.3%,95%的拟合结果与数值计算结果的相对误差在8%以内,与传统解析法相比,该方法更加接近数值法的求解精度,更适用于工程估算。     

住宅市场需求的组合预测

将组合预测方法引入住宅市场需求预测，以实例具体介绍了组合预测的应用过程，实例中采用了神经网络、灰色模型等预测方法的组合体系，对当前环境下的住宅市场需求预测进行了有益的探索。     

改进的标准模糊神经网络的工程造价快速估算

在对影响建筑工程造价因素分析和标准模糊神经网络结构分析的基础上,通过增加输入层与模糊层之间的权值v,加入规则的重要度γ,对标准模糊神经网络进行了改进,并建立基于改进的标准模糊神经网络的工程造价快速估算模型。将基于这种结构的模糊神经网络的工程造价快速估算模型应用于建筑工程的投标报价中,从仿真结果可以看出该网络模型学习时间较短,学习速率较快,精度较高。     

用神经网络组合预测法估算反舰导弹研制费用

运用BP神经网络组合预测法对反舰导弹研制费用进行估算。首先分别利用神经网络和回归分析方法对导弹研制费用进行估算 ,然后利用BP网络对所得结果进行组合预测。计算实例表明 ,使用BP神经网络组合预测方法所得的预测结果比单一使用神经网络或回归分析方法所得结果总体误差要小 ,因而该方法是可行的、有效的。     

基于人工神经网络模型的船舶油污损失估算

将人工神经网络理论引入了船舶油污损失赔偿额的估算中，通过从历史船舶溢油事故案例库中选取了十组样本数，以污染损失赔偿额与影响因子集作为训练样本，建立了船舶溢油事故污染损失额估算的人工神经网络模型，并对人工神经网络模型进行仿真训练学习，并将训练好的神经网络应用于对相关案例的估算．研究结果表明应用人工神经网络方法进行溢油损失估算结果客观、可靠，为船舶油污索赔和环境保护提供了有力的理论依据。     

神经网络在产品结构模型模糊综合评判中的应用

应用神经网络、模糊综合评判和AHP的集成方法,通过对东风汽车系列产品结构的指标体系的评价,得到了产品结构现状模型.用PPM法得到了12个主要产品所在的位置,分析了产品结构不合理的原因,并提出了产品发展的对策.应用集成方法计算所得结果与汽车行业当年的经济状态相同,有一定的实用价值.     

有一定物理基础的核素浓度预测神经网络模型

为解决突发核电事故后使用机理模型预测放射性液态流出物迁移扩散,需长时间迭代计算的不足,提出了一种新型混合神经网络模型,该模型耦合了描述液态流出物在受纳水体中迁移扩散的组分输运方程和神经网络模型,采用并行多种群混合进化粒子群算法计算神经网络权值与阈值.论文以湖北咸宁大畈核电站受纳水体富水水库为研究对象,对事故工况下长半衰期核素迁移扩散进行模拟预测,研究结果表明有一定物理基础的神经网络模型是一种有效、可行的预测模型,预测结果与机理模型的模拟输出拟合度较好,新模型较传统的黑箱神经网络模型以及基于单调型先验知识的神经网络模型具有更强的泛化性能改善能力.     

基于灰色系统与神经网络的航材消耗广义加权函数平均组合预测模型研究

建立了航材消耗的灰色系统预测模型与神经网络预测模型，同时给出了一种新的具有广泛代表性的组合预测模型－－广义加权函数平均组合预测模型及其加权系数的参数估计方法，并利用此方法建立了基于灰色系统与神经网络的航材消耗广义加权函数平均组合预测模型，最后以实例说明了其预测效果。     

基于灰色RBF神经网络的炼钢煤气消耗预测

煤气消耗预测是钢铁企业中能源管理重要组成部分之一,以炼钢过程煤气消耗为研究对象,将灰色理论与径向基函数（RBF）神经网络进行组合,建立了基于灰色RBF神经网络的炼钢煤气消耗预测模型,利用灰色理论累加求和特性对样本数据进行预处理,减小了数据的随机性,增强了数据变化的规律;利用RBF神经网络逼近这种数据变化的规律,通过预测误差,动态调整RBF神经网络的结构,使得预测误差在允许的范围内。通过仿真表明,提出的模型预测精度较BP神经网络预测精度高,均方差为2．02％,     

汽油机动力性的前馈神经网络模型

如何优化汽油机的动力性 ,是研究者致力追求的目标。利用多层前馈神经网络的反向传播算法特性 ,建立了汽油机动力性与点火正时、空燃比、发动机转速、油门开度等之间关系的神经网络模型 ,用以分析、预测、优化汽油机动力性能 ,探讨车用汽油机动力性的科学评价指标     

战场弹药总量预测模型研究

为了准确地对战场弹药消耗总量进行预测,首先将影响弹药用量的各种因素分为l类,然后由n位专家对每个因素评价打分,建立l个评价矩阵,在对评价矩阵中的数据进行预处理后,再用投影寻踪的方法,将评价矩阵作降维处理,得到l个综合评价指标;最后将这l个综合评价指标作为输入项,实际弹药用量作为理想输出,训练神经网络,得到网络结构参数,最终实现对新战例弹药用量的神经网络预测。     

神经网络模糊预测优化控制在VAV系统中的应用

将神经网络、模糊控制与非线性预测优化控制结合起来,提出了神经网络模糊预测优化控制方法,采用前馈神经网络作为预测模型,利用贝叶斯正则化方法对模型进行了辨识,以自调整模糊控制器作为优化控制器,通过多步预测方式,系统的优化性能指标综合考虑温度偏差最小和能耗最小这两方面因素,应用该方法对制冷工况变风量空调系统的送风温度和回风温度（室内温度）进行了仿真控制研究。控制结果表明了该方法的有效性,控制效果良好,并且可以达到节省能耗的目的。

Abstract：

Artificial neural network,fuzzy control and nonlinear optimal predictive control were combined.The algorithm of neural network nonlinear fuzzy predictive optimal control was proposed.Feed-forward neural network was adopted as the predictive model of the cooling VAV system.The model was identified by the method of Bayesian regularization.The self-adjusting fuzzy controller was adopted as optimal controller.The algorithm was applied in the cooling VAV system with multi-step predictive method.Indoor temperature and supply air temperature was controlled aimed at minimum temperature deviation and minimum energy consumption by this scheme in Matlab.Simulation results illustrate the effectiveness of this technique,and in the meantime illustrate that this technique can save energy consumption.     

组合预测模型在我国能源消费系统中的建构及应用

组合预测理论及建模技术对于信息不完备的复杂经济系统具有一定的实用性 .鉴于能源消费系统的复杂性及非线性的特征 ,文章首先利用我国能源消费量的历史数据 ,分别采用灰色预测、神经网络及多元回归方法建立了我国能源消费系统的单项预测模型 .并对各单项模型的优缺点进行了比较分析 .其次 ,采用标准差法进行权重分配 ,建立了我国未来能源消费量的组合预测模型 .最后 ,应用该模型对我国未来 2 0年的能源消费量进行了预测 .结果表明 ,该模型可以作为我国未来能源消费量预测的有效工具 .     

基于深度学习的轻量化目标检测算法

深度卷积神经网络在各个领域都表现出很好的效果, 与之伴随的是庞大的计算量和参数量。针对当前基于深度卷积神经网络的目标检测算法对计算资源需求太大和内存消耗严重的问题, 提出一种高性能轻量化的网络模型。首先将Stem模块和ShuffleNet V2进行融合, 提升网络特征提取能力, 并利用融合后的网络对原始YOLOv5的骨干网络进行重构, 显著降低了网络的计算量和内存占用, 同时, 引入可变形卷积以提升网络的检测性能。道路监控图像和VOC、COCO数据集测试结果表明, 所提出的模型在保持检测精度的前提下, 将参数量和模型尺寸降低了90%, 计算量仅为原始模型的18%, 实现了检测模型的轻量化, 更有助于在计算资源有限和对实时性要求高的场景中部署。     

基于神经网络的综采工作面技术经济指标预测

应用人工神经元网络系统理论 ,基于神经网络的自学习方法 ,在对西山煤电集团东曲矿综采工作面大量实际资料进行统计分析的基础上 ,就工作面日进度、日产量、回采工效率、坑木消耗、配件消耗等 1 1项综合技术经济指标进行预测 ,预测结果精确度较高与实际相吻合 .为解决煤矿综采工作面计划、生产、管理的预测决策问题提供了一种新的研究方法.     

PSO-BP模型在城市用水量短期预测中的应用

为解决现有的城市用水量短期预测BP神经网络法对初始权值敏感、易陷入局部极小点和收敛速度慢等问题,通过对城市时用水量数据特征的分析,应用基于全局随机优化思想的粒子群优化(PSO)算法对BP网络的初始权值进行优化,建立了PSO-BP城市时用水量预测模型.在算例分析中与传统BP神经网络预测法进行对比,发现该方法的收敛速度明显提高,且平均预测精度提高了2%,在用水量短期预测中非常有效.     

发酵过程混合神经网络模型及其仿真

提出了一种新型的发酵过程混合神经网络模型，该模型由非线性神经网络和线性神经网络两部分组成，由于非线性神经网络采用结构具有线形式的Flat网络，两个网络能够合并为同一表达式，并具有线性形式，可采用线性最小二乘法求解网络权值，与串联结构及串并联结构混合神经网络模型相比，该模型训练方式简单，并可方便地使用在线辨识算法。