灰色数列预测在我国税收预测中的应用

准确预测税收总量,对于有效地进行市场经济条件下的宏观调控有着重要的意义。定性分析了我国1992到1997年的税收数据,引入了均值生成算子对原始数据进行处理,建立了GM(1,1)模型,从而发现、掌握税收数据的变化规律,并对未来数据进行了定量预测。为了充分利用新信息,进一步提高预测精度,对数据进行了新陈代谢,再次建模预测。结果表明,用GM(1,1)模型对税收数据进行预测,不仅所需样本小、信息少,而且建模简单,具有很好的预测精度。     

基于事例推理的车辆路径问题智能建模方法

针对传统的人工离线建模难以适应现实环境中车辆路径问题动态性这一缺陷，以车辆路径问题的机器建模方法为研究内容，以提高建模工作的实时性和智能性为目标，提出了基于事例推理的智能建模方法。该方法使用基于属性-建模知识重用度的多层加权最近相邻检索方法实现事例的检索；使用基于规则的推理方法完成旧事例建模经验的复用与建模结果的调整。基于这一智能建模方法，实现了车辆路径问题智能建模的原型系统。系统的应用表明，该建模方法在速度币口有效性方面符合实际环境的基本要求。     

基于多属性的城市竞争力系统结构分析

构建了城市竞争力系统(U rban Com petitiveness System,UCS)结构模糊关系矩阵,定量化描述了UCS内部结构。在此基础上,计算系统内各要素及其属性的系统贡献度,并以此为依据分析各要素在系统中所处地位及成因,确立了城市产业竞争力和城市政府管理力在UCS中的核心影响要素地位。最后,找出UCS中各要素间作用的最优链路,为进一步研究UCS运行机理提供依据。     

基于灰色支持向量机的新型预测模型

分析了灰色预测方法和支持向量机各自的优缺点,提出了将二者相结合的一种新的预测模型———灰色支持向量机预测模型.新模型发挥了灰色预测方法中“累加生成”的优点,弱化了原始序列中随机扰动因素的影响,增强了数据的规律性,同时避免了灰色预测方法及模型存在的理论缺陷.实验结果表明文章所提出的预测模型有效可靠,为提高预测精度提供了新的途径.     

水利水电工程三维动态可视化仿真技术与应用

提出了基于地理信息系统（GIS）的水利水电工程三维动态可视化仿真技术，实现图形辅助仿真建模、全过程动态仿真计算和基于GIS的仿真可视化。图形辅助建模采用层次化和模块化建模思想，通过组合图形元素建立模型，有效地降低了建模的复杂性。全过程动态仿真采用“双仿真钟”模式，兼顾了仿真的整体性和细节性，对整个施工动态过程进行仿真。用GIS实现仿真的三维可视化改变传统的仿真结果的表现模式，为施工系统分析和管理提供了一个有力的工具。实际工程应用证明了该方法的有效性。     

前向神经网络学习速率的自适应算法

学习速率是控制神经网络学习过程的一个重要参数,影响神经网络的稳定性和快速性。提出了一种能够满足实时性要求的神经网络学习速率的自适应算法,并证明了在该学习速率下,神经网络的学习过程是Lyapunov意义稳定的。该方法通过为神经网络的输出增加一个输出修正量来补偿多个未知因素对学习误差的影响,从而构造使学习误差快速收敛到零的学习速率自适应算法。通过对神经网络在线逼近一个非线性对象的过程进行仿真,结果证明了该方法的有效性。     

基于高性能计算环境的并行仿真建模框架

为提高大规模分析评估推演类仿真的运行速度,基于高性能计算环境(HPC)的并行分布仿真正成为当前仿真研究的一个重要方向。论文在深入分析研究SPEEDES仿真引擎的基础上,阐述了基于HPC的并行仿真建模框架的组成及功能,分析了其设计思想,并给出了建模框架相应的实现。     

基于遗传-模糊聚类的说话人识别方法及其仿真研究

利用遗传算法的全局收敛性及模糊C-均值（FCM）聚类强大的局部寻优能力，提出了一种基于遗传-模糊聚类的说话人识别方法。对说话人的训练语音数据进行遗传-模糊的软聚类分析，从而得到分类中心的全局最优解，作为每个说话人的语音模型，最后利用最大总平均隶属度函数准则对待识别语音进行模糊聚类识别．除此之外，使用自适应参数增加遗传算法的局部搜索能力。实验结果表明，这种算法克服了传统硬聚类的缺点，避免了FCM对初值敏感及容易陷入最小值的缺陷，使聚类更加合理，更好地描述了说话人的语音特征。     

基于禁忌退火粒子群算法的火力分配

火力分配问题是典型的NP完全问题,传统的求解算法存在指数级的时间复杂度。给出具体实用的防空火力分配模型,提出一种基于禁忌搜索与退火粒子群优化的新算法,并针对多种空袭规模的实例进行计算机仿真。仿真结果表明,与禁忌搜索、标准粒子群优化、退火粒子群优化等智能算法相比,新算法在解决火力分配问题时具有更优良的收敛精度和时间性能。     

S-粗集与新材料发现-识别

S-粗集(singular rough sets)具有两类形式:单向S-粗集(one direction S-rough sets)和双向S-粗集(two direction S-rough sets)。S-粗集具有遗传特征、记忆特征。把S-粗集与材料科学进行学科渗透,互补共享,给出新金属材料的发现-识别的讨论,利用属性生成模型给出新金属材料的属性值分析,给出的结果与实际相符。S-粗集是粗集研究的一个新方向,是新材料发现-识别的一个新的数学工具。