舰艇战术训练成绩评估数学模型

成绩评定是舰艇战术训练中的重要组成部分,以人为主的定性评估将耗费大量人力与时间,且有失客观性。在分析舰艇军事训练特点的基础上,论述了舰艇战术训练成绩的评估原则,进而建立了成绩的评估指标体系,提出了评估数学模型。模型中给出了评估指标的分数分配方法和各子项的详细评分方法。与模糊评价模型相比,该模型具有训练成绩直观、评估方法简单、参数容易确定等优点。     

基于模糊贴近度的企业生命周期判定方法

在分析企业生命周期理论现有研究结果的基础上,提取了企业生命周期各阶段的特征。针对企业生命周期各阶段特征本身的模糊性,通过基于模糊贴近度的TOPSIS综合评判方法给出了一个具体企业属于生命周期某一阶段的判定,其结果对于企业生命周期理论在企业诊断和战略管理等领域的广泛应用具有重要的支持作用。     

复杂产品外购系统质量特性的容差优化模型

针对复杂产品多阶段生产过程中外购系统质量特性的容差调整与修正问题,设计一类高阶因子模型处理各质量特性的质量损失数列,测算各特性对复杂产品整体质量的质量载荷;以此为基础构建复杂产品的质量容差优化模型,综合考虑质量特性的重要度及其之前质量保障程度,探求各质量特性的最优容差调整率,最大程度改善复杂产品整体质量;以某型号汽车为例,验证上述方法的有效性和实用性,为复杂产品多阶段质量容差设计工作提供了一种新的方法和思路。     

用遗传算法消除改进HNN的寄生点

在Hopfield网络 (HNN)权值训练中采用了传统HNN训练的方法 ,把权值矩阵压缩为一个向量 ,简化了权值训练过程 ,增大了HNN的容量。但在回想阶段HNN产生了大量寄生点 ,相关文献提出了几种寄生点消除的方法 ,但效率低 ,同时会导致样本信息的丢失。利用遗传算法 (GA)进行回想 ,保持了样本信息 ,并利用GA各代多样性 ,大大提高了HNN的效率。通过MATLAB程序仿真证实了这一结论。     

基于灰色关联分析的分层模糊神经网络

为解决“模糊规则爆炸”问题,提出一种基于模糊神经网络从试验样本抽取模糊规则的方法。首先,根据灰色关联分析的结果,将输入变量进行两两组合建立分层模糊子系统。其次对每个模糊子系统设计分层参数、结构优化算法。在权值学习过程中,模糊进化规划与分层方法相结合,网络的各层权值独立优化,并且各层权值优化问题简化为二次型问题,降低了权值优化过程中的计算复杂性。最终能够实现整个模糊神经网络的分层优化,各层神经元单独训练且训练结果互不影响。与常规的前向进化神经网络方法相比较,该方法通过对神经元的部分解群体的进化,缩短了个体的编码长度,显著地减少了计算量。同时这种方法不但能够很大程度上简化适应值的计算,更重要的是能够降低适应值空间的复杂性,从而能够加速进化算法收敛到全局最优点。     

Xianying

运动技术错误原因诊断是赛艇训练中的一个重要方面。为了普及高水平专家在技术错误诊断方面的知识，并推动赛艇项目的开展，我们开发了赛艇项目技术诊断专家系统ＲＴＤＳ。本文主要介绍系统的总体结构、知识处理、推理机制、解释方法和学习功能。     

企业联盟与企业集团的组建及运行成本分析比较

将企业联盟和集团的组建过程分解为四个阶段 ,通过定性分析建立其组建成本模型 ,运用Kuhn-Tucker条件 ,得到各组建阶段的最优时间分配 ,然后对二者组建成本的相对重要程度进行了比较 .再次 ,运用排队论的思想 ,比较了汽业联盟和企业集团.     

六自由度跳伞模拟训练系统设计与实现

针对当前的跳伞模拟平台无法全方位还原跳伞各阶段六自由度运动过程的问题,设计并实现了六自由度跳伞模拟训练系统。设计了模拟器的体系结构,并说明了跳伞运动解算、六自由度运动平台、操纵负荷、虚拟现实视景、体感营造、教员控制台等分系统的实现。该系统通过引入六自由度电动平台,带动受训者模拟跳伞各种姿态,帮助受训人员掌握跳伞操纵动作,增强姿态保持能力;利用虚拟现实技术,还原三维跳伞场景,训练临场感强、效果逼真,对提高跳伞训练质效、促进部队战斗力建设具有重要意义。     

急性心肌梗塞诊断的智能决策支持系统

针对目前智能医疗诊断领域的研究现状,为降低心肌梗塞疾病的误诊率,建立了专家系统与神经网络集成的用于医疗辅助诊断的智能决策支持系统.系统采用单参数动态搜索算法训练神经网络,效果明显优于传统的BP算法,极大地提高了神经网络的训练速度和分类精度.临床应用的结果表明,系统的诊断敏感性、特异性、准确性明显高于临床医生,对提高急性心肌梗塞的正确诊断率具有重要研究价值.     

基于集中式模型的我国各地区及三大产业的DEA效率评价

基于集中式模型, 首先在考虑地区内部三大产业的情况下, 对2010年我国31个地区展开DEA效率评价, 然后在保持各地区整体效率不变的前提下进行效率分解, 确定各产业的效率值和相对重要程度. 此外, 对各地区三大产业的规模收益问行了研究. 实证分析结果表明, 各地区的整体效率值偏低, 第一产业的效率重要程度偏低, 第二产业和第三产业的效率均值相差不大, 但大部分地区的产业比第二产业的相对重要程度高. 此外, 从规模收益角度来看, 大部分地区整体处于规模收益递减阶段, 大多数地区的第一和第三产业均处于规模收益递增阶段, 绝大多数地区的第二产业已处于规模收益递减阶段.     

一种基于构建2竞争聚类及KNNFL 的事件探测与追踪系统

一种构建-竞争聚类法被用于事件探测,该方法是受神经网络研究中构建-竞争学习的思想启发的.另外,提出了一种用于事件追踪的基于K近邻特征线(KNNFL)的分类方法,这种基于最近邻特征线(NFL)的方法本质上可以看作是对K近邻(KNN)法的推广,将改进后的KNN融入到NFL中形成KNNFL是为了更适合新闻事件的分析.研究结果表明,本文所提出的方法与传统的增量k均值法、Single-Pass法、Rocchio法以及KNN法相比较,可以获得更好的效果.通过分析可以看到,KNNFL即使在正例样本非常稀少的情况下仍然具有鲁棒性的表现.     

并行离散事件仿真中的事件及事件队列建模

并行离散事件仿真软件系统中的事件对象及事件队列的结构、功能、及行为模型要能够支持并行环境中的包括保守、乐观及混合的各种事件处理模式。首先分析并行离散事件仿真系统的运行特点及其特殊技术要求,然后结合已研制开发的并行离散事件仿真系统软件KD-PARSE(KD-Parallel Simulation Environment),给出一种支持事件回退操作的SXO(State Exchange Object)回退框架及双队列事件队列数据结构设计,并通过在多机、乐观事件处理模式下实际运行仿真试验验证了设计的正确性。     

基于重要抽样技术的稀有事件仿真方法

传统的Monte Carlo方法仿真稀有事件需要较长的时间,而重要抽样技术可以有效的缩短仿真时间,提高仿真效率。因此,提出一种新的重要抽样实现方法,用来估计仿真模型中的稀有事件的概率。先选取经典的指数变换方法构造重要抽样分布类,再利用极小化重要抽样估计量方差的方法寻找最优重要抽样分布函数。仿真结果显示了该算法在估计稀有事件概率方面的有效性。     

离散事件系统仿真在冷连轧动态系统中的应用

离散事件仿真技术是仿真领域中应用比较广泛的一种技术。本文以冷连轧生产过程为例,分析了带钢轧制过程中离散事件仿真的特点,结合生产过程中的实际问题,提出了冷连轧机过程仿真中各种事件的处理方式,并根据事件的特点和作用对象的类别,将事件进行分类组合优化处理,大大提高了仿真系统的效率。     

用于VIS系统分析、设计、研制的事件驱动法

可视交互式仿真系统是系统仿真技术直接为非专家们所采用的最有效的手段之一。本文充分利用该系统的性质及特点，提出了一种新的用于该系统分析、设计、研制的方法——事件驱动法。内容包括：事件的性质及类型，事件的接收方式，事件的路径及处理，以及该方法同其他方法的比较几方面.     

调度员培训仿真系统事件功能设计关键技术研究

调度员在培训过程中，通过调度员培训仿真系统中的事件设置功能能够使调度员掌握在各种紧急情况下处理突发事件的能力，是调度员培训仿真系统重要的组成部分，本文分析了调度员培训仿真软件系统中对事件功能的一系列要求，深入分析了其核心数据结构，定时发送机制和不同进程间传递数据的设计思想，并根据实际应用系统的硬件及软件环境，提供了针对调度员培训仿真系统事件功能设计中的关键技术相应的实现方法。     

离散事件仿真中的事件组合和合并事件策略

离散事件仿真中事件的管理方式和处理速度很大程度上影响着仿真运行效率。本文在传统的事件表结构基础上 ,介绍了用事件组合和合并事件策略来改进事件处理方式 ,从而加速仿真。     

基于组件的分布离散事件仿真环境

基于组件的设计是在面向对象的设计基础上发展起来的一种软件设计方法，该方法采用层次化、模块化、标准化的思想来分析和设计系统，提高了系统的重用性，减少了应用开发的工作量，便于系统的升级和扩充。本文从分布离散事件仿真的特点出发，结合基于组件的软件设计思想,建立了仿真组件模型规范，提出了一种分布仿真算法，并开发了相应的仿真环境。该方法适用对大型、复杂系统进行建模和仿真，能有效支持模型重用。仿真环境具有较好的灵活性和扩展性。     

基于知识的分层事件调度混杂系统仿真策略

仿真策略是仿真学研究的核心问题之一。本文针对一类具有决策功能的混杂系统，提出一种基于知识的分层事件调度仿真策略。通过引入专家系统，建立了决策调度和事件调度的分层智能调度模型，克服了离散事件系统仿真策略缺少决策分析和事件处理缺乏层次的局限性。该策略算法设计简单，易于实现，并且已经在宝钢铁水运输仿真系统中得到实际应用，其有效性得到证明。