基于组合权重的灰色关联投影法的立交方案综合评价

针对立交方案综合评价具有多目标的特点,建立了综合评价指标体系,提出了组合权重的灰色关联投影法。通过层次分析法与熵权法结合,确定评价指标权重,并应用灰色关联投影法对立交方案进行评价。结合工程实例对其进行验证,表明指标权重更科学合理,说服力强,结论更符合实际。     

基于 EM D桘BPN 方法的高速铁路短期客流预测

高速铁路短期客流预测是铁路运输系统的重要组成部分。无论是对列车开行方案的制定,还是对如何采取正确的营销策略,都具有重大的现实意义。通过混合经验模态分解方法和神经网络方法相结合的EMD-BPN方法来预测高速铁路短期客流量。组合方法主要分为三步：首先,使用经验模态分解方法将客流时间序列分解;其次,将IM Fs作为BP神经网络的输入;最后,应用神经网络对客流量做出预测。数值实例表明,该方法对于高速铁路短期客流预测在精度和稳定性上都有良好的表现。     

基于SOM的我国民用机场分类研究

科学准确地对民用机场分类可以将机场自身定位,为机场发展及评估提供可靠依据,具有重要的现实意义。本文选用了15个影响我国机场分类的关键因素,运用神经网络技术中的自组织映射(Self-Organizing Map,文中简称SOM)将我国民用机场进行了细分,并分析了各类机场的特点。结果表明,SOM能很好地应用于我国民用机场分类,是一种科学、有效的分类方法。     

基于灰色关联度的船舶风险控制方案多指标评价模型

分析了仅依靠成本效益评估而选择的船舶风险控制方案的片面性,综合考虑安全、环保、经济收益、成本等多因素对方案所表现的影响,建立了基于灰色关联度的船舶风险控制方案多指标评价模型。论文所建立的该模型可以充分利用各方案的指标取值所包含的信息,并考虑专家主观因素对指标重要度的影响,通过主客观综合赋权的方法突出某个指标在方案排序中的作用。以国际海事组织对液化天然气船的综合安全评估报告所提供的风险控制措施为例,使用该模型进行方案优选,并与仅用成本效益评估所得结果比较;分析比较表明:论文所建立的多指标评价模型可以更全面评估风险控制方案,方法合理,使用简便可靠。     

陆战场 ISR 无人机威胁分析及其评估模型研究

分析陆战场中情报、监视和侦察（IS R ）无人机的威胁影响因素及其特点,构建了IS R无人机威胁评估指标体系,利用遗传算法优化了BP神经网络评估模型,针对ISR无人机的威胁进行评估分级,仿真结果实际可行,为陆战场中无人机的编队模式和航路优化提供了可靠依据。     

基于模糊聚类与灰色关联的舰船装备技术状态评估方法

针对舰船装备维修管理中的技术状态评估需求,给出等效装备概念,构建基于模糊聚类分析的等效装备模型,并结合灰色关联评估理论,提出一种基于模糊聚类与灰色关联的舰船装备技术状态评估新方法,细化了相应的算法流程及实施步骤,从而解决舰船装备维修前后技术状态的分类与辨识问题。大量实例应用分析表明:该方法具备较好的实用性,在实际舰船装备维修工程及其信息管理系统中具有很好的推广应用前景。     

改进的道路交通安全灰色聚类评价方法

传统的灰色聚类评价方法在确定灰类白化值时,由于受到样本数据的约束,使得评价只是在样本范围内进行比较,没有真正达到评价的目的。针对这一不足,对传统的灰色聚类评价方法进行改进,通过确立合理有效的评价指标体系,并通过相关规范标准确定灰类白化值,改变传统方法确立灰类白化值的模式,以获得一个更加合理的评价标准,使评价结果更加准确、合理。改进的灰色聚类评价方法有理论依据、算法简单、可操作性强,评价结果能更好的反映道路交通安全状况。将该方法用于3个城市的道路交通安全评价,取得了良好的效果。     

基于改进NSGA-Ⅱ和IGA-BP神经网络的索梁锚固区结构优化研究

为实现大跨度斜拉桥索梁锚固区钢锚箱的结构优化,依托某大跨度斜拉桥索梁锚固区结构实际工程,提出了一种基于NSGA-Ⅱ算法与IGA-BP神经网络模型的结构参数优化方法。首先基于BP神经网络确定了钢锚箱响应数据预测的拓扑结构,采用自适应交叉变异改进的遗传算法对钢锚箱结构响应神经网络预测模型的权值阈值调参,得到满足拟合精度要求的IGA-BP神经网络预测模型。然后建立考虑结构平均应力和主要板件上峰值应力的数学优化模型,采用改进交叉、变异算子的NSGA-Ⅱ算法设计了钢锚箱结构参数优化流程。最后联合改进NSGA-Ⅱ算法和IGA-BP模型实现了钢锚箱结构参数的优化求解。结果表明：自适应遗传算法对BP神经网络权值与阈值调参的效果良好,相较于标准BP神经网络,IGA-BP神经网络的拟合精度和训练效率均更高;改进NSGA-Ⅱ算法可以实现对钢锚箱结构参数的寻优求解,根据Pareto协调最优解的结果,钢锚箱支撑板与承压板厚度有一定增加,加劲板和锚垫板厚度略微降低;优化后的结构上平均应力降幅约为2.7%,其中承压板应力峰值由200.9 MPa降低至178.1 MPa,降幅约为11.3%,支撑板应力峰值由199.6...     

基于深度学习的电力负荷短期预测

为做好电网供需平衡,进一步改善电网的社会效益和经济效益,根据负荷数据的时序性特征,利用卷积神经网络的特征提取能力和长短期记忆神经网络捕捉时间序列关系的能力,采用卷积-长短期记忆混合神经网络进行电力负荷短期预测.首先根据历史数据对该模型进行训练,然后使用已训练好的模型进行预测,最后将其预测结果与长短期记忆神经网络预测结果进行比对.两组不同采样间隔的负荷预测仿真结果表明,卷积-长短期记忆混合神经网络相对于长短期记忆神经网络,可以更好地从负荷数据中提取出时序性特征,预测误差较小,精度较高,能够在电力短期负荷预测问题中提供可靠的预测结果.