基于AMFNN的非线性噪声消除器

提出基于加乘性模糊神经网络(AMFNN)的非线性噪声消除器，讨论了AMFNN模型和学习算法及其通用逼近性．该消除器利用AMFNN逼近噪声，然后从测量信号中消去噪声即得到有用信号．该噪声消除器具有神经网络分布式并行信息处理能力、较好的容错性和鲁棒性以及除噪性能．     

具有反应扩散的神经网络的稳定性分析

通过构造适当的平均Luapunov函数，利用M矩阵理论，研究了一类具有反应扩散的Hopfield神经网络的全局稳定性．在放松神经网络的激活函数的有界性、单调递增性和可微性的条件下，得到了神经网络的全局渐近稳定的条件．这些条件适合于神经网络的关联矩阵为对称或非对称矩阵、激活函数为非单调的情况．     

基于校园网的教学质量评估系统解决方案

分析了教学质量评估的特点 ,结合动态网页技术 ,给出了开发基于校园网的教学质量评估系统的具体解决方案     

一种考虑吸引型异常事件的行人元胞自动机模型

鉴于目前行人元胞自动机仿真研究中对于吸引型异常事件情况下模型的缺失,本文提出了一种特殊的考虑吸引型异常事件的行人元胞自动机模型.当异常事件发生后,模型将行人分为漠视、驻足、围观和围观离开四种类型.漠视类型指对异常事件毫无兴趣,不受异常事件影响的行人,其动力特性与行人在正常情况下的动力特性一致;驻足类型指对异常事件较有兴趣,驻足观看的行人,其动力特性由能使行人在原地停留的驻足效用值决定;围观类型指对异常事件极有兴趣,向异常事件中心靠近围观的行人,其动力特性由围观效用决定;围观离开类型指对异常事件失去兴趣,从围观人群离开的行人,其动力特性由围观离开效用决定.仿真效果显示,该模型基本可反映行人聚集围观的表征和内部特性.     

基于模拟退火算法的快速登机序列特性研究

合理组织乘客的登机过程可以有效地缩短登机时间,从而降低航空公司和机场管理者的运营及管理成本.首先,在分析造成登机时间延误各种因素的基础上,建立了能够反映乘客登机特征的元胞自动机仿真模型.其次,将该登机仿真模型嵌入到模拟退火算法中,求解出具有最小登机时间的乘客登机序列.最后,通过分析优化序列中的相关特性,可以看出：过道干扰是造成登机延误的主要因素,只有当座位干扰演变为过道干扰后才会对整体的登机时间产生影响;此外,最优序列中相邻登机乘客间的座位距离会随着人均存放行李时间的变化表现出不同的数值分布.     

动态管理模式下路侧停车泊位占有率预测方法

城市停车已逐步实现信息化和动态化管理,本文对动态管理模式下大范围路侧泊位占有率预测方法进行研究.在收集美国旧金山492万条停车交易数据的基础上,利用可同时提取数据空间关联和时序趋势特征的卷积长短时记忆神经网络(Convolutional LSTM Network,ConvLSTM),分别构建考虑停车费率和时限动态变化的有政策模型,和没有动态管理信息输入的无政策模型.结果显示,有政策模型的训练效率和预测精度会显著提升.在政策平稳阶段,两种模型均能够有效预测泊位占有率;在政策发生变化时段,无政策模型的预测误差出现激增,但有政策模型的预测误差依然保持平稳,表明本文提出的方法能够很好地应对动态管理模式下停车需求的变化.     

��ͨ�������縴���Լ������������о�

按照网络拓扑结构特征划分，我们经常接触到的实际网络有完全规划网络（Completely Regular Networks）、安全随机网络（Completely Random Networks）、小世界网络（Small-world Networks）和无标度网络(Scale-free Networks)．系统地对无标度网络的形成、特性和代表性研究成果进行简要总结，重点探讨交通运输网络的复杂性和相关问题，研究了城市公交网络的无标度特性及度分布指数，并以北京市公交网络为例完成了实证分析．进一步从理论上给出了怎样找到公交网络中的枢纽站点这一难题的研究思路、整体框架及求解算法，这是交通运输网络复杂性及其相关问题研究的关键．还分别从理论与应用两个层面给出了下一步研究工作的总体思路，为交通管理部门进行交通运输网络规划、设计、建设和管理提供了科学的研究手段和理论支持．     

主动磁轴承的神经网络辨识研究

简述了主动磁轴承的工作原理及数学模型,在传统系统辨识的基础上提出了基于BP神经网络的非线性辨识方案.通过闭环控制使转子稳定悬浮,并在控制器的输出信号中加入随机噪声,以使系统被充分激励.按照10 kHz的采样频率对磁轴承的I/O数据进行采样,以用于磁轴承特性的辨识.对某单自由度磁轴承的仿真表明,神经网络模型能够以很高的精度逼近磁轴承的输入输出数据,且对不同的输入信号有较好的泛化能力,验证了所提方案的有效性.     

基于Hopfield神经网络的遥感图像超分辨率识别算法

提出基于Hopfield神经网络的遥感图像超分辨率目标识别算法，它是利用模糊分类技术进行模糊分类，然后用分类结果约束Hopfield神经网络的方法．通过实验，可知Hopfield神经网络在学习样本少时．也能够输出分辨率相对较高的地物目标信息．因此．基于Hopfield神经网络的遥感图像处理方法，能够提高遥感图像的目标分辨率．使其目标特征信息更清晰．     

基于BP神经网络的静态手势识别方法

手势识别正成为人机交互技术研究中的一种重要模式.本文针对运用摄象机和计算机视觉技术捕获来的静态手势,提出了一种手势特征提取和基于神经网络分类的手势识别方法.实验表明该方法的正确识别率可以达到98%左右,是一种非常有效的静态手势识别方法.