面向生产过程的物流业两阶段效率评价模型

针对物流业效率评估存在的"黑箱"问题,将物流业的生产运作过程分为投资转化和社会服务两个阶段。在考虑非期望产出的情况下,提出了一种两阶段网络结构的物流业效率评估模型。最后,将该模型应用于中国省域物流业效率分析,论证了模型的合理性,为物流业效率的提高提供了相关政策建议。     

基于正则神经网络模型的时滞混沌系统预测控制

研究模型未知、不稳定的不动点位置及其局部性态未知情形下的时滞混沌系统的控制问题。提出了一种神经网络预测控制方法,将模型未知时的时滞混沌运动控制到不稳定的不动点处。分析了控制系统(包括观测器、正则神经网络预测器和在线训练的线性神经网络预测控制器)的稳定性,与现有同类方法比较,本方法收敛速度快,算法简便。仿真实验表明了本方法的有效性。     

非线性、大滞后系统神经网络辨识研究

基于神经网络的非线性、大滞后系统辨识是当前研究的热点之一,介绍了神经网络辨识的基本原理,研究了BP与RBF神经网络两种典型网络的设计和算法,最后通过MATLAB进行了仿真分析与比较。仿真结果表明:一致性方面RBF优于BP神经网络,RBF神经网络收敛速度更快,辨识效果更好;泛化性能方面RBF网络较差,不如BP网络。由此得出两种网络各自的优缺点,在实际应用中可以此作为神经网络模型辨识的参考。     

MANET中的多目标组播路由协议

针对临时性、少量信息群发业务模型,提出一种多目标组播路由协议,利用已有的单播路由信息实现组播发送功能。中间节点根据组播分组中目的节点的地址和路由信息,结合本节点路由表或转发表,对相关目的节点执行转发。协议无需维护组播树和组播成员状态,可在任意提供路由表或转发表的单播路由协议基础上工作。在该应用模型下,协议的分组递交率性能与单播路由协议相当,发送开销比单播和其他组播路由协议大大减少,控制比特开销也较低。     

基于神经网络的具有不确定性因素的RLED机器人鲁棒控制

对具有不确定性因素的电机驱动刚性机械臂控制 ,提出了一种基于神经网络的鲁棒控制器 .控制器的设计采用Backstepping法 ,神经网络用于识别系统中一些包含不确定因素的复杂的非线性项 ,并且使系统的在线学习成为可能 .给出的网络权值演化算法可保证系统的跟踪误差和网络权值的一致终值有界 (UUB) .数值仿真结果亦表明该控制器具有良好的鲁棒性和控制精度     

机动导弹圆环形区域打击模型及实现

考虑了对机动导弹实施机动区域打击 ,建立起在圆环形区域瞄准点选取模型 ,并通过计算机模拟进行了结果分析 .该方法具有通用性 ,对制定作战方案以及生存选择具有现实意义.     

基于动态搜索区域的无线传感器网络小世界特性构建方案

为了减少无线传感器网络节点的能量消耗,以延长无线传感器网络的寿命,首先研究了如何通过在无线传感器网络中构建小世界特性以延长其网络寿命,并着重分析了DAS( directed angulation towards the sink)方案.然后针对DAS方案中临近sink节点区域内的节点能量过快消耗的问题,提出了一种在无线传感器网络中构建小世界特性的新方案——菱形区域方案.该方案根据sensor节点到sink节点距离的大小,动态地改变菱形捷径端点搜索区域的大小,达到构建小世界特性并增强网络抗毁性的目的.理论证明了菱形区域方案在一定条件下较DAS方案既节省能量又能延长网络的寿命.     

基于卷积神经网络的多天线Polar码联合解调-解码方案

为了验证运用神经网络进行信道解码的可行性,利用其提高短码长Polar码的译码准确率,提出了一种基于卷积神经网络(convolutional neural network,CNN)的多天线(multiple-input multiple-output)Polar码新颖联合解调-解码方案.搭建了一种包括4个卷积层,2个全连接层和1个输出层的卷积神经网络,采用最小均方误差作为损失函数,通过计算机生成了Polar码编码的多天线数据并对网络进行训练,使训练得到的神经网络能很好地提取出Polar码比特间的关系特征,从而拟合出Polar码译码函数.仿真结果表明,在相同信噪比条件下,基于CNN的Po-lar码联合解调-解码方案的误码率优于已有的基于全连接神经网络方案;所提方案在不同码率的仿真实验中的误码率皆优于基于全连接神经网络方案,损失曲线的收敛速度更快,显示了基于CNN的Polar码联合解调-解码方案具有更好的泛化能力和学习能力.     

JMF技术在网络多媒体教学系统中的应用研究

 网络多媒体教学与一般的网络多媒体应用的主要差别在于同时包括了视频流、音频流和课件板书数据流等,本文讨论了JMF(Java Media Framework)应用于网络多媒体教学系统开发研究中的几个问题,给出了其中的2个主要部分:JMF API和JMF RTP API的实现方式,在网络课堂实录系统的开发中取得了较好的效果.     

基于卷积神经网络的图像分类研究进展

基于卷积神经网络的图像分类算法的优势是传统方法无法比拟的。卷积神经网络利用其设计好的网络结构和权值共享的特点,能够从数量庞大的训练数据中学习图像底层到高级语义的抽象特征,而且端到端的学习省去了在每一个独立学习任务执行之前所做的数据标注。多年来,卷积神经网络经过科研人员的探索和尝试,从最开始的多层神经网络模型,演变出多种优化结构,性能不断提高。本文介绍了基于卷积神经网络图像分类算法的研究进展,叙述了卷积神经网络在图像分类中的经典模型和近年来的改进方法,并对各个模型进行分析,展示各种方法在ImageNet公共数据集上的性能表现,最后对基于卷积神经网络的图像分类算法的研究进行总结和展望。