具有外部干扰的耦合时滞神经网络固定时间二分同步

针对结构平衡图与结构非平衡图的网络拓扑,考虑了一类具有外部干扰的耦合时滞神经网络模型,分别设计了其固定时间同步控制协议.借助固定时间稳定性理论与不等式技巧,获得了耦合网络在固定时间内达到同步的充分性判据,给出了具体的收敛时间上界,并验证了固定时间同步网络的鲁棒性与抗干扰性.为了扩大网络模型的适用性,考虑的神经网络激活函数为非连续的函数,可借助微分包含与集值李导数理论解释非连续微分方程的动力学行为.最后,分别在结构平衡图和非平衡图下对耦合神经网络的固定时间二分同步进行了数值仿真,验证了控制算法的有效性及理论结果的正确性.     

基于改进CLDNN的辐射源信号识别

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾。针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural network, CLDNN)引入到辐射源信号的识别中,并将该模型中的长短时记忆层改为双向门控循环单元层。模型的输入为原始时间序列数据,特征提取和分类识别过程均在网络中进行,避免了人工选择特征的不完备性。实验结果表明,所提模型在低信噪比情况下也能够有效识别信号类型,同时与其他模型相比,实现了识别精度和识别速度之间的平衡。     

基于齐当别理论的公交出行决策选择反转

选择反转是交通行为中的一种悖论现象,未能通过实验的谨慎误差控制得到良好解释.本研究从决策心理学的角度,基于齐当别理论建立起选择支属性的判断维度体系,在确定、不确定以及风险条件下进行了3种公交出行决策场景的心理实验.实验结果中匹配任务的效应分析说明,齐当别理论的侦测性占优原则可对出行方式选择进行解释;选择一致性的重测信度分析说明,出行者对交通方式属性维度的判断是可变过程;选择和匹配一致性分析说明,选择变异随匹配任务中的维度判断的改变而产生.总体上,3组实验选择反转的变化特征趋势符合实验设计框架,齐当别模型的解释在3组实验中均表现出显著一致性,能够对出行方式的选择反转进行预测和解释,即当出行者采取不同的齐同策略时,重复选择中令人费解的反转悖论现象便会出现.     

基于GCOA算法的带时间窗车辆路径规划问题研究

GCOA算法是对遗传算法的重大改良,不仅加快了遗传算法的收敛速度,而且从一定程度上避免了遗传算法陷入局部最优,并增大了遗传算法获得最优解的能力。本文首先介绍了GCOA算法,然后通过具体问题的解决对比传统遗传算法与GCOA算法,得出GCOA算法在收敛速度及结果优化两方面的有效性,最后将GCOA算法应用于求解VRPTW问题上,得出最优化结论。     

时间分数阶Sharma-Tasso-Olver方程和Zakharov方程组的新精确解

利用推广的Kudryashov方法, 借助分数阶行波变换和一致分数阶导数, 给出非线性广义时间分数阶Sharma Tasso Olver方程和Zakharov方程组的若干双曲函数形式的精确解.     

基于多目标函数的热声制冷机性能优化

在考虑热漏、热阻及不可逆因子等因素的情况下,建立复指数传热规律的不可逆热声制冷机循环模型.以热声制冷机输入功率P,系统输出率A,系统不可逆损失率Q,制冷率R构建多目标函数,采用线性加权评价函数法求解,分析多目标函数与各参数的优化关系,得出多目标优化可以较好地协调各性能指标间关系的结论.     

基于MILP模型和QPSO算法的绿色物流调度方法

针对物流网络中绿色且经济的物流调度问题,提出一种基于混合整数线性规划(MILP)模型和量子粒子群优化(QPSO)算法的物流调度方法 .首先,根据实际情况设定物流网络中的各种元素属性,如制造商、分销商和经销商的能力以及运输方式.然后,构建一个综合考虑交付时间最小化和碳排放量最小化的目标函数,并根据网络属性约束构建一个物流调度的MILP模型.最后,通过一种QPSO算法来求解该MILP模型.在一个汽车销售物流网络上的实验结果表明,提出的方法能够很好地均衡交付时间和碳排放量.     

面向高校大学生的时间共享平台的设计

为了提高学校和区域教学资源的利用率,提出构建面向高校大学生的时间共享平台.通过走访调研,结合共享经济理念,综合考虑社会需求,加入积分奖励手段、需求匹配环节进行设计,并给出了具体的设计过程,分析了该平台的创新和不足之处.通过时间共享平台形成了不同区域资源共享互补的机制,缓解了某些方面社会资源不平衡的状况,提供了一种新型的社会公益方式.     

基于流形假设的骨架序列动作识别算法

骨架数据是通过对动作的空间几何位置进行编码获取,可以避免冗余背景信息的干扰, 是动作识别领域常用的数据类型之一.现有骨架数据的动作识别主要分为经典的骨架数据表征和基于深度学习的骨架动作识别应用.相较于传统欧氏度量下的识别方法,流形为更好地研究非线性结构提供了重要数学工具. 然而,目前仍缺乏利用流形假设对骨架数据进行动作识别的相关总结. 因此,从骨架表示、轨迹时间对齐、动作序列表征以及动作分类 4 个关键步骤出发,系统地总结了基于流形假设的动作识别工作,对比了各项工作在基准数据集上的表现. 最后,根据当前动作识别工作的发展趋势,对流形假设在动作识别方向上的进一步改进进行了展望.