动态供应链合作伙伴的评价体系及其模型评价方法

分析了动态供应链合作伙伴的确定原则和影响合作伙伴选择的主要因素，据此建立了动态供应链的合作伙伴选择评价指标体系，并采用模型数学的方法给出了合作伙伴模型评价方法。     

房地产供应链合作伙伴的模糊综合评价

运用模糊隶属度理论和层次分析方法,提出了一种基于模糊数学的房地产供应链合作伙伴综合评价模型,对评价指标进行量化处理.利用Matlab数理统计软件对选择工程总承包商的典型案例进行了实证分析和演示.该模型不仅可以对单个房地产供应链合作伙伴进行综合评价和选择,也可以用于对多个房地产供应链合作伙伴竞争优势的综合排序和分析.     

房地产供应链合作伙伴核心竞争力综合评价

候选合作伙伴的核心竞争力的强弱,是决定其能否成为供应链成员最重要的因素之一。对房地产供应链候选合作伙伴核心竞争力的评价,是一个典型的多指标、多层次综合评价问题。在制定指标筛选相关准则的基础上,建立了合作伙伴核心竞争力综合评价指标体系。提出避免信息失真实用方法,以及融合主观评价的主成分分析指标权重确定方法,应用模糊决策理论建立了供应链合作伙伴选择的模糊多目标、多层次综合评价模型,并进行了实证研究。     

供应链网络合作伙伴关系组合决策方法

为了构建稳定性高的行业供应链网络,提出一种合作伙伴关系组合选择模型。针对供应链上的成员进行模糊评价,以获得供应链成员在同一身份地位群体中的优度值;基于多色集合理论,对供应链网络合作伙伴关系强度进行形式化描述,从而避免模糊评价中的伪优解;通过构建供应链成员合作关系的组合数学模型,确定遗传算法的适应度函数,提高供应链网络构建的全局稳定性。用改进遗传算法实现了供应链网络全局优化。     

基于特征分析法的供应链合作伙伴信用评价研究

良好的信用是供应链企业合作的基础。供应链企业需要评价、监测合作伙伴的信用状况,以确保供应链管理目标的实现。分析了供应链合作伙伴信用评价的含义、特点和内容,运用特征分析法对供应链合作伙伴信用进行了评价,并根据评价结果,对不同信用等级的合作伙伴提出了不同的管理政策。     

基于AHP的供应链合作伙伴选择问题研究

首先分析了建立供应链合作伙伴关系的意义及风险,其次讨论了供应链合作伙伴选择的步骤与关键成功因素,最后提出了基于AHP算法的供应链合作伙伴选择模型。     

制造型企业供应链合作伙伴选择问题及方法研究

在已有供应链合作伙伴选择方法的总结和合作伙伴关系分析的基础上 ,提出了制造型企业供应链合作伙伴关系综合评价指标体系 ,所提出的指标体系具有易量化、可包含随机性指标以及能表示分层指标体系间关联的特点 .针对所设计指标体系的特点 ,设计了一种基于人工神经网络的制造型企业供应链合作伙伴的选择方法并用MATLAB进行了实现 .仿真实验说明了此方法的可行性     

基于霍普菲尔德神经网络的生猪绿色供应链评价

生猪产业是我国农业的核心产业,有效的生猪绿色供应链绩效评价,有助于保护农业环境、保障猪肉食品安全、提高农产品质量和供应链整体运作。基于绩效评价原则,从生猪绿色供应链业务流程执行水平、运作绩效水平、节点企业绩效水平、绿色水平4个方面为生猪加工配送企业建立了一个三级评价指标体系,并利用离散霍普菲尔神经网络模型对某企业2007—2011年绿色供应链实施评价,研究表明:基于离散霍普菲尔神经网络的生猪绿色供应链评价是合理而有效的。     

基于模糊物元的制造业供应链质量风险评价

鉴于供应链质量风险事件的危害性,为了帮助制造企业更有效地开展供应链质量风险管理工作,在供应链质量风险诱因分析及风险评价指标设计基础上,采用模糊物元评价方法对设定的研究对象进行供应链质量风险评价.主要是在构建复合模糊物元模型基础上,运用熵值法确定指标权重,并利用欧氏贴近度衡量风险等级.最后通过神经网络仿真,验证了基于模糊物元的供应链质量风险评价的合理性和可靠性.     

基于决策支持系统的供应链联盟合作伙伴选择

在新的企业组织模式下,如何选择合适的合作伙伴是供应链联盟的关键问题。文章在供应链联盟合作伙伴选择多目标决策模型的基础上,采用了随机权重法,建立起供应链联盟合作伙伴的决策支持系统,帮助决策人员分析影响决策的各种因素,为决策人员提供决策参考。     

一种气体传感器阵列检测模式识别新方法

针对气体传感器阵列检测模式识别方法中BP神经网络收敛速度慢且易陷入局部极小值的问题,构建了一种免疫神经网络:采用免疫算法对BP神经网络的权值进行全局搜索优化,再用BP算法进行局部搜索,并将其用于传感器阵列信号模式识别中。采用正交试验法设计神经网络的学习样本,在保证神经网络学习精度的同时减少了样本的数量。结果表明,该模式识别方法能有效解决气体传感器的交叉敏感问题,克服了传统BP神经网络存在的不足,提高了网络的训练速度和气体的检测精度。     

IWOA和BP神经网络的压缩机故障检测算法

针对压缩机故障难以检测与分类的问题,传统的方法是采用BP神经网络的检测方法,利用从压缩机语音信号中提取的识别特征来预测压缩机故障类型,该方法具有良好的可行性,但是BP神经网络容易陷入局部最优值的情况,从而导致了预测精度较低和稳定性较差的问题。因此,本文提出了改进的鲸鱼优化算法(IWOA)和BP神经网络的模型,首先通过优化WOA中的搜索猎物被执行的概率和包围猎物向最优个体聚集的过程,从而提高了IWOA的全局搜索能力和收敛速度,其次将IWOA对BP神经网络的权值和阀值进行深度寻优,从而提高了BP神经网络的预测精度和稳定性,最后将该模型运用到压缩机故障检测实验中。实验结果表明,与其他模型相比,证明了IWOA和BP神经网络提高了预测精度,且具有良好的稳定性。     

遥感图象中波谱混迭象元分离方法的研究

提出用层次神经网络模型来解决遥感图象中波谱混迭象元的分离问题,即所谓的“同谱异构”问题,该模型由两级或多级神经网络级联而成,第一级神经网络主要用于波谱混迭象元的分类,采用第一个稳含层的BP网络,输入节点数目等于输入波段向量的维数,输出节咪数目等于期望类别数;第二级和后续层次的神经网络用于波谱混迭象元的分离,也采用只有一个稳含层的BP网络,其输入节点数目仍然等于波谱向量的维数,输出节点数目等于形成该混迭波谱的类别数,该模型可以高度精确地分离出波谱混迭的象元。     

基于已有矿区工程实例对同一矿区不同工作帮边坡稳定性的分析

基于BP神经网络分析方法,选取合理的边坡物理参数、力学参数和几何参数,建立露天矿边坡稳定性分析模型.按照不同的分析目的与要求,分别建立了BP神经网络可行性模型、滑坡面预测模型和治理滑坡面模型;选取分析样本,进行网络结构及学习参数的优化;选取最优的学习样本进行学习训练,据学习结果,利用勘测数据对目标进行预测,其预测结果能够满足精度要求.为了进一步证明其可行性引入模糊的方法,通过信息扩散化原理进行二次数值计算,所得计算结果与之前预测结果吻合.     

DNA优化的BP神经网络在故障诊断中的应用

针对BP神经网络收敛速度慢和容易陷入局部极小值问题,将DNA算法和神经网络有机结合,利用DNA算法的全局搜索能力,优化网络的初始权值和阈值,解决其本身固有的两个缺陷,进而提高了BP神经网络诊断故障时的准确性和快速性。以道岔控制电路的故障诊断为研究对象,建立了基于DNA优化的BP神经网络的故障诊断优化模型,使用MATLAB仿真软件对故障诊断模型进行了仿真分析。结果表明,DNA算法优化的BP神经网络的泛化能力、诊断精确性都要优于BP神经网络。     

基于遗传神经算法优化的汉语分词模型

针对目前汉语分词系统中BP算法收敛速度慢等难题,本文将基于遗传的BP神经网络算法用于汉语分词模型,此模型结合了遗传算法和BP网络的优点.实验结果表明:该优化模型完全达到了汉语分词要求,并且在分词速度上也明显优于传统的BP神经网络,具有高精确性、收敛速度快等特点.     

小生境遗传算法优化的BP神经网络模型

针对传统BP神经网络模型收敛速度慢、易陷入局部极小点、网络结构不稳定等缺陷,提出一个小生境遗传算法优化的BP神经网络模型.该模型充分利用小生境遗传算法的搜索能力和BP神经网络的非线性映射和学习联想能力,通过小生境遗传算法的选择、交叉、变异及小生境淘汰等操作,优化BP神经网络的初始权值和阈值,并采用BP算法对网络进行训练,有效解决网络初值不合理的问题,提高网络收敛速度、稳定性.实验证明:与传统方法相比,该模型具有很强的可行性和有效性.     

基于BP神经网络的汽车横摆角速度估计

为估计汽车横摆角速度并提高估计器精度, 采用BP(Back Propagation)神经网络的方法对汽车转向过程的横摆角速度进行估计。现实情况通常存在4 种路面: 干燥路面、沥青路面、积水路面和冰雪路面, 若单纯训练一个网络难以涵盖4 种不同的路面情况。为解决上述问题, 提高网络估计器的精度, 分别在4 种路面工况下训练4 个网络, 构成一个网络组, 再加入网络选择机制, 根据路面情况选择对应的网络的输出值作为横摆角速度的估计值。通过AMESim 与Matlab 联合仿真, 获得网络估计器残差并对估计情况进行分析和评价。该基于数据的方法与基于解析模型的估计方法相比, 不依赖精确的模型, 就能准确估计汽车横摆角速度。仿真结果表明, 基于BP 神经网络的方法对横摆角速度估计是可行的且偏差小, 成本低, 精度高。     

基于相似性最优模块神经网络的股票预测

该文提出一种最优模块化神经网络的模型.BP网络存在学习后面的样本而"遗忘"前面的样本,以及训练速度很慢的问题,但具有泛化能力强的优点,同时网络的结构不会随数据增加而变的庞大.而RBF网络随着输入维数增加其隐藏层的神经元个数呈指数增加,并且其泛化能力不强,但RBF网络具有训练速度比较快,逼近效果好等优点.于是提出最优模块化神经网络的模型,综合BP和RBF网络的优点.使学习样本能力,运算速度,网络规模得到改善.该模型适合于较多的样本训练.     

Surface Quality Evaluation of Fluff Fabric Based on Particle Swarm Optimization Back Propagation Neural Network

Aiming at the problem that back propagation(BP) neural network predicts the low accuracy rate of fluff fabric after fluffing process,a BP neural network model optimized by particle swarm optimization(PSO) algorithm is proposed.The sliced image is obtained by the principle of light-cutting imaging.The fluffy region of the adaptive image segmentation is extracted by the Freeman chain code principle.The upper edge coordinate information of the fabric is subjected to one-dimensional discrete wavelet decomposition to obtain high frequency information and low frequency information.After comparison and analysis,the BP neural network was trained by high frequency information,and the PSO algorithm was used to optimize the BP neural network.The optimized BP neural network has better weights and thresholds.The experimental results show that the accuracy of the optimized BP neural network after applying high-frequency information training is 97.96%,which is 3.79% higher than that of the unoptimized BP neural network,and has higher detection accuracy.