Petri网系统的可达性分析

对Petri网系统的可达性问题做了综合性的阐述和分析, 提出了利用能量优化方法来解决可达性问题的方法, 并在此基础上结合计算代数方法和神经计算模型对可达性问题做了进一步的研究. 主要工作包括 1.给出了Petri网到线性空间的映射规则及其可达性的等价性定理; 2.建立了能量优化模型, 将可达性判断化为优化问题; 3.用神经网络来求解能量优化模型; 4. 最后综合了计算代数方法和能量优化模型的优点给出一个基于计算代数和神经计算的方法. 作者提出了一种利用基于硬件的大规模并行的神经计算来代替基于软件的串行的数字计算的可达性判断的解决方案.     

改进QDPSO算法在BP网络训练中的应用

QDPSO（Quantum Delta-Potential-Well-based Particle Swarm Optimization）算法是基于量子空间的粒子群算法，对QDPSO算法进行了改进，结合Iris分类问题，应用到BP网络的权值优化中，并和基于标准PSO算法的方法进行了比较。实验结果表明：该算法性能优于所比较的两种算法，并且具有良好的收敛性和稳定性。     

也谈复合命题

我国逻辑界对复合命题的定义、选言命题的定义以及不相容选言命题的身份这三个理论问题，有不同的观点。应从“真假决说”角度来定义复合命题；复合命题是其中还包含命题，而且其真假由所包含的命题决定的命题；应采取给联言命题、假言命题下定义同样的“反映说”方式来定义两种选言命题；相容选言命题是反映若干事物情况可以同存并且至少有一个存在的选言命题、不相容选言命题是反映若干事物情况不能同存，至少有一个而且至多有一个存在的选言命题；应持“两立说”来对待不相容选言命题，不能对V进行结合运算，这是f10这一真值函项本身的性质使然，不影响不相容选言命题的存在。     

神经网络在可靠性分析中的应用

应用人工神经网络对舰炮发生故障的发射炮弹数进行了预测。借助前馈神经网络对非线性函数的逼近能力，对发生故障的发射炮弹数进行了单步预测，并与使用灰色数列预测的结果进行了对比，验证了人工神经网络进行可靠性预测的可行性。     

制备介孔复合环境材料的酸洗刻蚀工艺

探索了一种制备介孔复合环境材料的方法--破坏式造孔与有机复合相结合,使最终产品可大量吸附污染水体中的各种污染物并具有一定的杀菌功能.该方法通过酸洗刻蚀,达到了去除原材料中的杂质和刻蚀孔径的目的,所制备的中间产品24h吸湿率为原材料的2倍,染料吸附量为原材料的1.6倍.     

选择性催化氧化H2S的催化剂研究

在考察了几种单组分氧化物把硫化氢催化氧化为单质硫的基础上，采用共沉淀法合成了3种复合氧化物催化剂A，B，C，并考察了它们的催化活性和选择性．结果表明，在一定条件下，催化剂B的转化率和选择性分别在90％和97％以上，在40h的催化性能稳定性测试中，其转化率和选择性均能保持稳定，具有良好的催化性能．     

发酵过程混合神经网络模型及其仿真

提出了一种新型的发酵过程混合神经网络模型，该模型由非线性神经网络和线性神经网络两部分组成，由于非线性神经网络采用结构具有线形式的Flat网络，两个网络能够合并为同一表达式，并具有线性形式，可采用线性最小二乘法求解网络权值，与串联结构及串并联结构混合神经网络模型相比，该模型训练方式简单，并可方便地使用在线辨识算法。     

基于RBF网络的混沌时间序列的建模与多步预测

提出将RBF神经网络应用于混沌时间序列的建模与预测中 ,设计了一个三层RBF网络结构 ,说明了RBF网络用于混沌时间序列建模和预测时的基本性质。仿真结果表明 ,RBF网络模型对混沌时间序列有比较强的拟合能力和比较高的一步及多步预测精度。采用RBF网络进行混沌时间序列的建模和预测能够取得比其它方法好得多的效果。     

基于变神经网络的非线性最小方差预测控制器

提出基于变神经网络学习动态系统参数的最小方差预测控制器。其目的是通过在线学习 ,使控制器(MVPC)能适应被控对象参数变化和非确定性。提出的变神经网络由两部分组成 ,一部分是线性神经网络 (LNN) ,作为被控对象局部线性动态模型 ,另一部分是多层交叉回归神经网络 (DRNN) ,它近似为非线性动态模型。由于引进递推最小方差算法 ,本控制器运算速度相当快。仿真结果表明所提方法对非线性系统自适应控制是有效的     

基于神经网络的企业信用等级评估

企业信用等级评估是金融领域重要的问题，论文采用人工神经网络模型研究企业信用等级的评估问题，按照企业样本在信用等级的分布状况来抽样，然后，根据企业样本性质的不同，将其分为制造业和非制造业两大类，利用偏相关分析方法建立了企业信用评级的指标体系，此外，还介绍了几种企业信用评级常用的评估模型，并将神经网络评估模型的性能和其他的信用评估模型作了比较，实验结果表明神经网络模型具有更好的预测准确性。