铁矿石码头竞争力研究

在分析我国铁矿石需求和铁矿石码头总体发展水平的基础上,构建了铁矿石码头竞争力指标体系,并通过层次分析法确立了各级指标的权重,并选取了大连港铁矿石码头,在专家打分法的基础上运用AHP-模糊综合评价模型对各项指标进行分析,得到了铁矿石码头综合竞争力评价,并对评价结果进行了分析.构建的指标体系可为铁矿石码头投资建设提供决策支...     

江苏省港口发展策略研究

根据评价指标体系建立的原则,建立了港口竞争力评价指标体系,然后利用主成分分析方法对评价指标的因素之间进行了影响度分析,选取前三个比较大影响值,建立了神经网络评价港口竞争力模型,利用影响值比较大的三个影响值进行了港口竞争力评价。根据评价结果,验证了主成分-神经网络方法对评价港口竞争力的可行性,并提出了江苏省港口提高竞争力的相应建议。     

基于灰色聚类理论和人工神经网络技术的道路交通安全评价

在深入研究了道路交通安全的评价指标确定的基础上,提出了一种基于灰色聚类理论和神经网络技术的综合评价方法,并对神经网络输入、输出指标属性值的量化方法进行了讨论,建立了道路交通安全的BP神经网络评价模型.最后,介绍了该模型在各省道路交通安全评价中的应用实例.     

基于灰色聚类理论和人工神经网络技术的道路交通安全评价

在深入研究了道路交通安全的评价指标确定的基础上，提出了一种基于灰色聚类理论和神经网络技术的综合评价方法，并对神经网络输入、输出指标属性值的量化方法进行了讨论，建立了道路交通安全的BP神经网络评价模型．最后，介绍了该模型在各省道路交通安全评价中的应用实例．     

基于BP神经网络的沥青路面使用性能评价

应用神经网络BP算法原理而建立的路面综合指数评估模型,通过对多个指标的学习来评价路面综合指标PQI。同时．神经网络评价数据和专家系统数据的比较．证明BP神经网络模型在路面使用性能评估中有更好的应用前景。     

基于BP神经网络的沥青路面使用性能评价

应用神经网络BP算法原理而建立的路面综合指数评估模型,通过对多个指标的学习来评价路面综合指标PQI.同时,神经网络评价数据和专家系统数据的比较,证明BP神经网络模型在路面使用性能评估中有更好的应用前景.     

基于灰色神经网络的港口集装箱吞吐量预测模型研究

为降低港口集装箱吞吐量的预测误差,提高预测精度,在分析传统的灰色预测模型和BP神经网络预测模型的优缺点的基础上,构建了灰色神经网络港口集装箱吞吐量预测模型,该模型充分发挥了灰色模型所需初始数据少和BP神经网络非线性拟合能力强的特点。以实际数值作为初始数据,各种灰色模型的预测值为神经网络的输入值,神经网络的输出值为组合预测结果。通过实例分析,结果表明:灰色神经网络预测模型提高了预测精度,预测结果比较理想,优于单一预测模型,因此,该模型用于港口集装箱吞吐量预测是可行的、有效的。     

基于改进BP算法神经网络的路况评价模型研究

通过利用在BP神经网络中增加反馈信号及偏差单元的网络模型,生成内部回归网络,对BP神经网络进行改进,据此得出改进的BP神经网络的具体步骤.在此基础上,结合陕西省高速公路沥青路面的实际情况建立了路况评价模型,并对该模型的具体应用做了研究.研究结果表明:网络的收敛速度很好,训练结果与实际路况结果相差很小,利用改进BP算法神经网络建立的路况评价模型不仅方便易用,而且精度很高.     

基于BP神经网络的高速公路交通安全评价系统设计与实现

针对高速公路交通安全现状,提出了应用BP神经网络评价模型进行高速公路交通安全评价.在建立了相应的高速公路交通安全评价体系基础上,对BP人工神经网络在高速公路交通安全评价的设计与实现进行了分析,结合高速公路交通安全评价的特点,采用C＋＋语言与数据库技术,开发了基于BP人工神经网的交通安全综合评价软件,并进行了实例分析与验证.结果表明：BP神经网络算法应用于高速公路交通安全评价,具有良好的扩展性与开放性、收敛性和很强的自动调节能力.评价系统操作性强、结果可靠.     

基于座椅人机参数的列车座椅舒适度评价方法

为了降低高速列车舒适度调查的成本,避免进行大量的问卷调查和统计分析,对高速列车座椅静态舒适度评价方法进行了研究. 首先,通过确定高速列车座椅舒适度评价指标和指标权重,获得座椅舒适度计算方法;其次,利用BP神经网络构建以高速列车座椅8项人机几何参数为输入、以座椅舒适度评价为输出的座椅静态舒适度评价模型;最后,进行实例研究,对构建的神经网络评价模型进行训练和验证,并对神经网络进行权值和阈值的提取,构建神经网络的数学表达公式. 研究结果表明:当神经网络为1个隐含层、13个节点时,训练达到误差均值2.13 × 10?3、均方误差6.091 × 10?6的理想效果,且不存在过拟合现象;利用CHR2的一、二等座椅人机几何参数测量数据及对应舒适度评价对该网络进行验证,验证显示一等座的神经网络预测值跟实际评价值误差为3.07%,二等座评价误差为1.42%,该网络模型预测精度较高,且优于多元回归模型预测的结果.      

基于改进BP算法神经网络的路况评价模型研究

通过利用在BP神经网络中增加反馈信号及偏差单元的网络模型,生成内部回归网络,对BP神经网络进行改进,据此得出改进的BP神经网络的具体步骤.在此基础上,结合陕西省高速公路沥青路面的实际情况建立了路况评价模型,并对该模型的具体应用做了研究.研究结果表明:网络的收敛速度很好,训练结果与实际路况结果相差很小,利用改进BP算法神经网络建立的路况评价模型不仅方便易用,而且精度很高.     

基于BP神经网络的分销商绩效指标评价及应用

针对当前评价分销商绩效的方法所存在的不足,提出一种基于BP神经网络的分销商绩效评价方法.首先建立分销商绩效评价指标体系,然后根据指标体系,设计BP神经网络模型,并给出了可行的评价程序.在计算方法上,用神经网络工具箱进行计算.通过学习样本的训练和测试,使模型的误差达到预定的范围内.最后,利用该模型对江苏某动力机械厂的分销商绩效指标进行了评价,同时探讨了BP神经网络在分销商绩效指标评价中的特点和适用性.     

基于 BP 神经网络的武器装备经济性评价研究

武器装备论证方案经济性评价的准确性直接影响到研制方案的选择和经费投入的多寡。通过分析装备经济性的主要影响因素,建立了装备经济性综合评价指标体系,利用BP神经网络的非线性处理能力,构建了基于BP神经网络的装备经济性综合评价模型。计算实例表明,运用BP神经网络进行装备经济性评价具有高效、准确和客观等特点。     

基于BP神经网络隧洞施工安全评价模型

为了研究隧洞施工安全评价方法,以某正在施工的隧洞为背景,确定了24个安全评价指标,设计了隧洞施工的多层前馈BP神经网络结构,建立了较为完善的基于BP神经网络的隧洞施工安全评价体系模型,并验证了其实用性。对背景工程进行了施工安全评价,评价结果与工地实地考察结果一致,说明所建立的隧洞施工安全评价模型的有效性和实用性。     

基于遗传神经网络评价铁路多项目优先级

提出一种评价铁路建设多项目优先级的遗传神经网络方法,针对现有评价方法在对指标权重赋值时存在的主观随意性问题,在已有指标体系的基础上给出基于BP神经网络的铁路建设多项目优先级评价模型,并运用遗传算法对所建立的神经网络模型进行优化,有效克服现有综合评价方法中主观确定权重的缺陷。经过算例分析,验证该方法的可行性,并得出结论。     

综合小波分解和BP神经网络的交通小区生成交通短时预测

针对交通小区生成交通的短时预测需求,提出了综合小波分析和BP神经网络的短时预测方法.预测方法主要利用dbN小波函数对交通小区生成交通进行小波分解,利用BP神经网络对分解后的多频段波形进行短时预测,最后通过波形重构获得交通小区生成交通的短时预测结果.在构建综合小波分析和BP神经网络短时预测模型基础上,采集交通小区的实际交通生成数据,并构建短时预测的对比模型,检验构建模型的预测精度.检验结果表明:在交通小区的生成交通短时预测方面,综合小波分析和BP神经网络的组合预测模型比单独采用BP神经网络进行预测的精度更高.     

基于BP网络的空中交通管制运行品质评价

为改善空中交通管制运行品质综合评价方法,建立了包括空中交通流密度、运行安全性能、运行效率性能及管制员工作负荷的通用评价指标体系;基于BP(back propagation)网络模型给出了运行品质分类评价的人工智能方法.针对成都终端管制区域平行双跑道隔离运行模式,采集60个典型样本进行网络训练测试,确立了拓扑结构为12-7-5型的BP网络模型,并应用于对40个检验样本的分类评价.经与主成分分析法比对,2种综合评价方法所得出的评价结果基本一致.      

PSO-BP混合预测模型及在港口集装箱吞吐量预测中的应用

运用粒子群优化算法代替BP神经网络的初始寻优,再用BP算法对优化的网络权值参数进一步精确优化,从而建立基于粒子群优化的BP神经网络模型.运用该模型对某港口集装箱吞吐量进行预测.应用结果表明,该预测模型不仅能较好地拟合港口集装箱吞吐量的历史数据,同时对港口集装箱吞吐量的远期预测也具有较好的效果.     

基于Adaboost的改进Elman神经网络港口吞吐量预测方法

为提高港口吞吐量的预测精度,建立基于Adaboost算法改进的Elman神经网络预测模型,进行吞吐量的预测.首先对Elman神经网络进行多次训练和迭代,然后将每个Elman神经网络作为弱预测器,基于Adaboost算法将多个弱预测器加权组合,形成Elman-Adaboost强预测器模型.经过Adaboost算法优化的强预测器对误差较大的数据样本有更强的识别能力,可以实现对数据的动态增强学习.以宁波-舟山港2011-2017年的港口吞吐量数据为样本进行仿真,分别使用BP神经网络、Elman神经网络、BP-Adaboost神经网络以及Elman-Adaboost神经网络进行预测,比较四种模型的预测精度.研究结果表明:Elman-Adaboost强预测器模型用于港口吞吐量的预测,预测结果的相对误差最大值1.91％,最小值0.06％,可以将预测误差控制在2％以下,数据拟合效果更好预测精度更高,可以作为港口吞吐量预测的一种方法.     

基于GM(1,1)和BP网络的港口吞吐量预测

分析了灰色和人工神经网络预测方法的互补性,在此基础上提出了将灰色与人工神经网络结合的灰色-神经网络混合模型.分别采用GM(1,1)模型、BP网络模型和灰色-神经网络混合模型对某港口货物吞吐量进行预测并用实测数据验证.结果表明,灰色-神经网络混合模型预测效果最佳.