人工神经网络紫外分光光度法同时测定苯和甲苯

应用三层ANN_BP网络解析苯和甲苯的吸收光谱 ,不经分离 ,用紫外分光光度法同时测定苯和甲苯 .使用改进的BP算法 ,避免了神经网络学习过程中可能产生的麻痹现象 ,提出了目标向量的简单变换方法及便于网络参数选择的收敛评价函数 .实验验证了方法的有效性 ,同时表明 ,苯在 0 - 72 0mg/L和甲苯在 0 - 84 0mg/L范围内服从比尔定律     

神经网络自适应控制器设计

对前馈神经网络用于动态系统的辨识、自适应控制进行了分析和数学推导，给出了自适应神经网络控制器的设计方法．最后通过仿真实例进行了说明．     

无线异类数据网服务质量体系结构解决方案

设计了一套具有高性能的适合于移动数据网（超2．5G）和无线本地区域网（WLAN）组成的综合数据网的网络体系结构，提供基于预留端到端的QoS模型，使用带宽适应算法支持端到端的QOS，提高了系统资源的利用率，减少了呼叫拥塞概率和交接丢包概率，解决了2个系统QoS类不匹配等问题，平衡了2个系统的传输能力。     

多专家集成式决策支持系统探讨

本文在文献[1]给出集成式决策支持系统(I—DSS)的基本概念及提出I—DSS的两种主要形式的基础上,对I—DSS的形式之一——多专家集成式决策支持系统(MEI—DSSS)作了较深入的探讨。本文阐述了MEI—DSS提出的原因,给出了MEI—DSS的基本概念,概述了MEI—DSS同相关学科和技术的关系,提出了MEI—DSS的基本结构框架,并从知识表示、推理机制以及多专家系统动态组合进行问题求解的算法实现等方面探讨了该系统在大型决策中的应用。本文最后提出了MEI—DSS今后有待深入研究的课题。     

Artificial Neural Network for Combining Forecasts

ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋｆｏｒＣｏｍｂｉｎｉｎｇＦｏｒｅｃａｓｔｓ￥ＳｈａｎｍｉｎｇＳｈｉ，ＬｉＤ．Ｘｕ＆ＢａｏＬｉｕ（ＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＵｎｉｖｅｒｓｉｔｙｏｆＣｏｌｏｒａｄｏａｔＢｏｕｌ...     

基于神经网络的无刷直流电机预测控制的仿真研究

在无刷直流电动机高性能速度跟踪系统中，由于PI控制的滞后性，无法根据未来动态行为产生较为理想的PWM波形。针对PWM发生器一无刷直流电动机系统，提出基于神经网络的PWM预测控制方法。采用离线训练和在线修正的方法，通过对PWM发生器-无刷直流电动机系统动态行为的在线估计，建立了系统的神经网络模型。最优控制器根据神经网络模型的输入、输出响应产生合适的PWM波形。在Matlab／Simulink环境建立了模型并进行了仿真，结果表明，较之PI控制器，神经网络预测控制具有更好的动态响应性能。     

可压缩流体网络的建模方法

本文运用网络分析手段,首次提出了任意拓扑结构可压缩流体网络动态特性的建模方法.该方法突破了目前在流体网络分析中普遍采用的“小扰动”线性化处理方法的局限。     

Systems and organizations: Distal and proximal thinking

The paper introduces the contributions to this special issue ofSystems Practice on Systems and Organizations: New Directions in terms ofdistal andproximal thinking. Distal thinking refers to ready-made concepts, to the finished effects and outcomes of thought and action; proximal thinking, to process and event, to the continuous and unfinished. The papers presented here deal with various aspects of the distal/proximal distinction in social systems and organizations, and especially draw out the implications of recent work in information technology, sociology of technology, accounting theory, and organization studies for a proximal conception of systems and organizations.     

基于词-标签概率的多标签文本分类研究

针对多标签文本分类任务中如何有效地提取文本特征和获取标签之间潜在的相关性问题,提出一种CNN(convolutional neural networks)结合Bi-LSTM (bi-directional long short-term memory)的模型.首先,通过CNN网络和最大池化提取文本的特征;然后,利用训练的Labeled-LDA(labeled latent dirichlet allocation)模型获取所有词与标签之间的词-标签概率信息;接着,使用Bi-LSTM网络和CNN网络提取当前预测文本中每个词的词-标签信息特征;最后,结合提取的文本特征,预测与当前文本相关联的标签集.实验结果表明,使用词-标签概率获取文本中词与标签之间的相关性信息,能够有效提升模型的F1值.     

离散时间细胞神经网络中的分岔和混沌

研究了离散时间细胞神经网络（ＤＴＣＮＮ）中的分岔和混沌,ＤＴＣＮＮ中的细胞与连续时间ＣＮＮ中的细胞相似,具有局部耦合,其输出方程是罗切斯蒂方程。分别讨论了２种结构（有边界和无边界）的ＤＴＣＮＮ的混沌特性,ＤＴＣＮＮ的混沌与全局耦合系统一的混沌相似,但由于其局部耦合的结构,其混沌与后者有所不同。提出了有关分岔与混沌的一些有兴趣的理论问题和实际问题．