不确定的多商品流多准则供应链网络模型

基于供应链网络中同层成员的相互竞争以及不同层成员间的相互合作关系,构建了不确定条件下由制造商、分销商和零售商组成具有多准则决策的多商品流供应链网络模型.研究了制造商和分销商的多准则决策,零售商在市场需求不确定条件下进行决策,同时考虑了制造商和零售商之间的直销关系.利用变分不等式的形式给出了供应链网络中各层以及整体的均衡条件和相应的经济解释.最后,通过算例说明了模型的合理性.     

基于神经网络数据融合的目标识别方法研究

综合应用图像识别、神经网络和数据融合技术是多传感器ATR系统的一个重要研究方向。设计了一种基于BP网络和多传感器数据融合的图像识别系统。从信息论的观点出发 ,在理论上探讨了BP网络数据融合用于图像目标识别 /分类的机理。以此理论对实验结果的合理解释证明了该理论的正确性。理论分析和实验结果都证明了神经网络数据融合用于图像目标识别 /分类的有效性和可行性     

基于BP神经网络PID参数自整定的研究

PID控制是迄今为止在过程控制中应用最为广泛的控制方法。但在实际应用中，其参数整定仍未得到较好的解决。本文把神经网络技术应用在PID控制中，充分利用神经网络具有非线性函数逼近能力，构造神经网络PID自整定控制器，并通过仿真试验，取得较好的结果。     

点与线的复制：基于网络思维的系统观

＂复制＂是一种普遍存在的现象,其表现为重复、拷贝或再造某种事物、结构或关系。这种现象在生命系统中尤为明显。通过把系统表征为由点（属性）和线（关系）所组成的网络,网络思维可以作为考察各种系统的认知工具。这种思维除了可以进行诸如还原、切出、背景化和层级化等多种表层操作以外,还具有更深层的点和线的复制。以对部分与整体、系统和环境的辨析为引导,本文首先简要回顾了鲁曼系统理论中的系统观发展史,然后以现有系统观的生命系统模式作为框架,提出把复制性作为网络思维的图式（基于点线符号的网络）及其考察的对象（系统）的基本特性,从而为利用网络思维考察各种系统提供新的理论依据和分析视角。     

基于GRU-DRSN的双通道人体活动识别

人体活动识别(human activity recognizition, HAR)在医疗、军工、智能家居等领域有很大的应用空间。传统机器学习方法特征提取难度较大且精度不高。针对上述问题并结合传感器时序特性,提出了一种融合CBAM(convolutional block attention module)注意力机制的GRU-DRSN双通道并行模型,有效避免了传统串行模型因网络深度加深引起梯度爆炸和消失问题。同时并行结构使得两条支路具有相同的优先级,使用深度残差收缩网络(deep residual shrinkage network, DRSN)提取数据的深层空间特征,同时使用门控循环结构(gated recurrent unit, GRU)学习活动样本在时间序列上的特征,同时进行提取样本不同维度的特征,并通过CBAM模块进行特征的权重分配,最后通过Softmax层进行识别,实现了端对端的人体活动识别。使用公开数据集(wireless sensor data mining, WISDM)进行验证,模型平均精度达到了97.6%,与传统机器学习模型和前人所提神经网络模型相比,有更好的识别效果。     

基于改进型BP算法的外债风险指标预测

利用人工神经网络进行时间序列预测是一种较新的方法,它具有不需建立复杂的数学模型以及非线性映射能力强等优点。采用动量法和学习率自适应调整的改进型BP算法对外债风险的各项指标进行了非线性时间序列的预测。仿真结果表明神经网络模型对外债风险的各项指标预测的结果是准确可靠的。     

软件工程监理中多目标计划优化决策的探讨

提出了软件工程监理过程中多目标网络计划优化的数学模型,在该数学模型中构建了软件工程监理的多目标决策问题的目标函数,具体分析了软件工程监理过程中工期、费用和资源这三个主要控制目标,采用AHP层次分析法确定各目标的权重分配,以求较好地解决多目标网络计划的优化决策.     

大学生网络技术专业学习动力的培养与巩固

目前,一些大学里有相当一部分的学生学习状况并不理想,网络专业大学生的学习动力不足,需提高网络专业大学生学习动力。本文针对当前网络专业大学生学习动力不足的现状,找到学习动力缺失的原因,并阐述了如何培养和巩固网络专业大学生的学习动力。     

基于IOWA算子的短时交通流预测方法研究

本文首次将诱导有序加权平均（IOWA）算子应用到短时交通流预测中,建立了以整体预测误差平方和最小为目标的组合预测模型。在分析短时交通流预测模型的基础上,本文选取了指数平滑法、季节自回归求和移动平均模型（SARIMA）、BP神经网络模型对短时交通流进行预测,再用IOWA算子将这三种模型进行组合预测。最后进行实例验证,通过MAE、MSE和MAPE三项指标比较分析四种模型的预测效果。结果证明,IOWA算子组合预测模型明显优于其他的预测模型,有效地提高了短时交通流的预测精度。     

粒子群优化-BP神经网络对岩爆的预测

岩爆是典型高地应力区主要地质灾害之一,其预测理论和发生机制的研究目前并不成熟.本文通过选择合适的影响岩爆程度的主要因素,应用BP神经网络对岩爆样本进行训练并利用预测样本进行检验,由于BP神经网络的初始权值和阀值对网络学习效率和预测结果有影响,因此其对检验样本的预测结果往往不够理想.利用粒子群算法(PSO)对BP网络的初始权值和阀值进行优化,将改进后的BP神经网络算法应用于预测,预测的结果优于BP神经网络.表明利用PSO-BP神经网络算法对实际工程中的岩爆进行预测是可行的.