基于改进神经网络的模糊聚类算法

文章提出了一种新的聚类方法NFC,首先用模糊逻辑神经元网络的聚类算法和Cauchy训练的模拟退火算法相结合的局部算法得到初始聚类中心,然后用FCM算法进行模糊聚类;实验证明,NFC算法在一定程度上解决了FCM局部极值问题且有效性非常高。     

神经网络模型在面板坝堆石体施工期沉降变形预测中的应用

在分析面板坝堆石体施工期坝体沉降影响因素的基础上,将影响沉降的主要因素作为网络输入参数,以测点沉降量作为网络的输出,建立了神经网络模型.以水布垭面板坝堆石体为例,将模型预测值与实测结果进行了对比,结果表明,预测值与实测结果比较接近,该神经网络能很好地反映面板坝堆石体施工期沉降变形与其影响因素之间的非线性映射关系,预测结果可作为后期填筑反馈设计的依据,同时可通过网络输入参数的调整检验某一因素对坝体沉降的影响程度.     

扰动累积下基于数字孪生的车间重调度

针对隐性扰动累积下车间重调度问题,搭建车间重调度决策服务,实现数字孪生驱动的扰动累积下的车间重调度。提出一种调度参数更新的方式,采用随机概率分布来描述调度参数的分布,提升调度参数的准确性;利用孪生网络搭建隐性扰动检测模型,以实时数据为输入,实现重调度的启动时刻的判定;从历史调度数据中提取用于调度知识挖掘的样本数据,利用伪孪生网络获取工序和机器的状态数据的映射关系作为调度规则,用于车间的重调度。仿真实验证明了所提数字孪生驱动的重调度模式的可行性。     

救援效率视角下灾后动态应急配送网络优化

针对应急救援问题,在受灾点的位置、需求以及受灾人口等信息动态变化的情况下,建立动态有向救援网络,以救援效率最大化为目标构建数学模型。运用数据包络分析模型,对各段救援路线的效率进行评价;建立基于效率的动态路由模型,通过时间片的划分将动态路由转化为多阶段的静态路由;设计了改进的混合贪心蚁群优化算法对模型进行求解,并将该算法与遗传算法、粒子群算法以及基础的蚁群算法进行对比。实验结果表明：改进的混合贪心蚁群优化算法能够有效处理动态路由问题,寻求到更高的救援效率。     

基于协作式深度强化学习的火灾应急疏散仿真研究

火灾是威胁公共安全的主要灾害之一,火灾产生的高温和有毒有害烟气严重影响了疏散路径的选择。将深度强化学习引入到应急疏散仿真研究,针对多智能体环境提出了协作式双深度Q网络算法。建立随时间动态变化的火灾场景模型,为人员疏散提供实时的危险区域分布信息;对各自独立的智能体神经网络进行整合,建立多智能体统一的深度神经网络,实现所有智能体之间的神经网络和经验共享,提高整体协作疏散效率。结果表明：所提方法具有良好的稳定性和适应性,训练和学习效率得到提升,具有良好的应用价值。     

基于区间直觉模糊数ANP的体系贡献率计算方法

体系贡献率主要用于体系建设中度量装备对体系的贡献程度。为解决目前体系贡献率计算存在的一些问题,提出一种“任务–能力–指标–装备”的多层次装备指标体系结构。考虑了装备指标体系结构、网络分析法和区间直觉模糊数的特点,提出了一种基于区间直觉模糊数的网络分析法以得到更准确的体系贡献率。实验表明,该方法不仅能够解决体系贡献率计算公式现存的问题,而且与AHP(analytic hierarchy process)和ANP(analytic network process)相比,可以得到更准确的体系贡献率,为体系建设提供更有效的支持。     

量子全加法器的修改和算法研究

通过与经典全加器的基本模型进行比较后,讨论了一个改进后的量子平面加法器的基本构型.对其原理、组件和算法进行了研究,比较了本加法器两个主要组件与一般量子加法器的不同.作为应用的例,设计了一个n比特量子全加法器的模型,对其具体运算过程和基本功能进行了说明.     

机器学习模型在地下水埋深模拟中的适应性分析

基于京津冀气象、社会资料及地下水埋深数据,构建支持向量机(SVM)、循环神经网络(RNN)和长短期记忆神经网络(LSTM)模型对京津冀地区13个城市地下水埋深进行了模拟,并以确定系数、均方根误差、平均绝对百分比误差、纳什系数对3个模型的适应性进行了评价。结果表明：LSTM模型模拟效果最好,其次是RNN,SVM最差;不同城市基于LSTM模型进行地下水埋深模拟时参数调整最少,适应性最好,SVM模型参数调整最多。将3个模型应用于随机选择的6个测站进行验证,在华北地区浅层地下水埋深模拟方面,LSTM模型模拟精度和可信度最好,适应性最强,是该地区地下水埋深模拟的首选机器学习模型。     

基于故障树分析和贝叶斯网络方法的液压举升机构故障诊断

为应对液压举升机故障原因复杂,诊断方法准确性不高等问题,提出一种基于故障树和贝叶斯网络的液压举升机故障诊断方法。首先建立液压举升机构故障树,然后将故障树转换为贝叶斯网络,利用三角模糊函数表示举升机底事件发生概率,得到底事件模糊概率,将其做为先验概率计算叶节点发生概率,进而求得根节点后验概率以及概率重要度,可快速诊断出故障点。     

一种新的模糊神经网络删剪策略

模糊规则的数量直接决定模糊神经网络结构的复杂度和效率.基于神经网络自构行学习(NNSCL)算法,用共轭剃度预条件正则方程算法求取删除隐层神经元后的剩余权值,得到改进的NNSCL-1算法.将此算法应用到模糊神经网络的规则推理层,可以极大地优化网络的规则及结构,并且结构优化后不需要重新训练也能保持网络的精确度和泛化能力.仿真结果显示了此算法的有效性和可行性.