短时交通流混沌预测方法的比较

针对传统的应用数学模型方法在短时交通流预测精度和实时性方面存在的问题,提出了将Volterra滤波器自适应预测模型用于短时交通流的实时预测。为提高预测精度,在Volterra滤波系数计算过程中采用归一化最小均方自适应算法进行多次训练。应用该预测模型对几个典型的非线性系统进行预测,验证了算法的准确性。然后再用此方法对微观实测交通流的时间序列进行实证分析。仿真结果表明,该预测模型对实测交通流时间序列具有很好的预测效果,可以满足实时交通流预测的需要。     

价值流动GERT网络组合C标记模型及其应用

从多传递参量GERT网络模型解析算法出发,研究多传递参量GERT网络模型解析算法的扩展问题,构建组合C标记矩母函数模型,并研究模型相关参数的函数关系、运算法则及其确定方法,研究了价值流动GERT网络组合C标记矩母函数模型及其解析算法,在此基础上将价值流动GERT网络模型应用到国民经济系统多部门间的价值流动系统中,得到国民经济系统各部门间价值流动过程中价值增值活动的平均实现次数、价值增值节点平均实现次数、价值增值网络的平均转移次数等一系列值,以进一步研究部门间动态投入产出的情况及价值增值的情况,为国家的宏观调控提供有效的定量支持。     

微带阵列互耦的时域有限差分法(FDTD)仿真

在微带阵列天线中,贴片间的耦合是阵列性能下降的一个重要原因,对互耦进行正确的评估、计算,有助于深入了解阵列特性并指导设计工作.采用时域有限差分(FDTD)法计算微带贴片间的互耦系数,其中采用非均匀网格对天线进行网格剖分,并引入了电阻性电压源,在保证计算精度的前提下,大大节省了计算空间和计算机时间.利用N端口网络知识通过简单计算即可得到互耦系数,与传统方法相比降低了计算、编程难度,计算结果与矩量法及测量结果基本一致.     

线性生成的一般模糊线性系统

基于结构元方法,研究了由对称模糊结构元线性生成的一般模糊线性系统和双重的一般模糊线性系统的求解问题,并给出了系统解存在的充要条件. 同时给出了这类模糊线性系统在工程、经济领域的应用实例.     

改进的加权复杂网络节点重要度评估的收缩方法

分析了加权复杂网络的结构特点,综合考虑了边权对节点重要度评估的影响,给出了加权节点重要度的新定义,并提出了改进的适用于加权网络的节点收缩方法.该方法认为最重要的节点就是收缩后加权网络凝聚度最大的节点,其算法的时间复杂度为O(n³).该方法有助于更准确地发现复杂网络中的关键节点.最后的实验分析验证了方法的有效性和可行性.     

基于二维密度加权算子的群体评价信息集结方法

群体评价中已有的信息集结算子都没有考虑到信息分布的疏密情况,且其评价信息又通常为二维数据,为此,提出了一种基于二维密度加权算子的群体评价信息集结方法.定义了二维密度加权算术平均(TDWA)算子和二维密度加权几何平均(TDWGA)算子2种新的集结算子.将新算子应用于群体评价的信息集结中,并分别给出了群体评价(二维)数据的分组与群体密度权向量的具体确定方法.最后,给出了一个具体的集结算例.     

顾客退货与价值链增值的系统动力学模拟

借助系统动力学的反馈机理,分析循环经济下顾客退货逆向物流网络结构;建立具备"社会-经济-物流"三重特质的顾客退货物流系统流图.企业利用此流图可以模拟分析各价值环节与价值链增值以及核心竞争力保持的战略关系,为企业从源头控制退货提供决策借鉴.     

考虑OD需求变异的网络交通流演化模型

考虑到新进入网络的交通需求不了解路径的完备信息,可能随机地选择出行路径,提出一个改进的网络交通流演化模型,并分析了该模型及其不动点的一些特性. 该模型不动点不是传统意义下的用户均衡态或部分用户均衡态,它能更好地反映现实中交通流分配结果. 格子网络上完成的数值模拟结果表明,模型可用来近似刻画实现用户均衡态的过程, 模型中初始可行路径流量可以为零, 交通流能够收敛到不动点, 但可能存在多个不动点.     

模糊数比较与排序的结构元方法

利用有界模糊实数集与[-1, 1]上同序标准单调函数类的同胚的性质,将模糊数的比较 转换为[-1, 1]上同序单调函数的比较问题,在此基础上,借助模糊结构元的方法定义了模糊数空间上的几种序关系,并证明了它们的一些性质.利用结构元方法定义的序关系,计算上简捷方便,为依赖模糊数排序的模糊决策问题提供了快捷的分析工具.     

一种区间PCA的效度分析方法

关于区间数据的主成分分析(PCA)方法已取得了较丰富的研究成果,但少见对这些方法效度的评价研究.针对该问题,基于Hausdorff距离用于定义两个紧集之间距离的考虑,将区间数视为一个紧集,定义了区间数之间的距离,并研究了区间矩阵的距离.在此基础上,根据PCA方法的原理,建立了一个区间PCA方法的效度评价指标.该指标取值在0与1之间,其取值越大,说明区间PCA方法效度越高,反之则效度越小.最后,采用模拟的方法,分别选取均匀分布和正态分布两种类型的区间数据样本,对目前最常用的两种区间PCA方法--顶点法和中点法进行了效度分析,验证了文中所提的效度指标的正确性.