供给侧改革下物流需求组合预测技术研究

通过分析供给侧结构改革下现代物流市场需求对经济活动的意义,找到单一需求预测技术的偏差,指出指数平滑法和神经网络法于实际预测应用中的不足,提出精确度较高的物流市场需求预测新思路,构建新的组合预测模型。通过实例仿真验证基于神经网络法的组合预测技术在物流市场需求预测中的实际价值。     

基于SOM神经网络和复相关系数结合的机床主轴温度测点的优化筛选

提出了基于SOM神经网络和复相关系数相结合的温度测点的优化算法,并应用于SV-48立式加工中心主轴测温点优化筛选。首先,在主轴上模拟布置温度传感器和Z轴位移传感器,在有限元分析的基础上得到了一系列温度和Z轴热位移仿真数据;然后,将温度数据输入到SOM神经网络聚类分组;最后利用复相关程度法将聚类的温度值与主轴Z轴热误差拟合,确定出机床热敏感点。研究结果表明,该方法简明易懂,有效减少了测温点的数量。     

基于广义回归神经网络的社会保障待遇公平感模型

对养老等社会保障主观感受的研究越来越受关注,但所用统计方法都是基于研究对象与影响因素之间的线性关系。由于人及人类社会关系复杂,变量之间往往呈现非线性关系。采用广义回归神经网络（GRNN）算法,建立养老等社会保障待遇公平性主观感受（公平感）非线性模型。将来源于中国社会科学院2015年的“中国社会状况综合调查”（CSS2015）的“养老等社会保障待遇”公平感分为“不公平”与“公平”两类。GRNN模型对训练集、测试集预测整体精度分别是81.4%、90.0%,分别优于支持向量机(SVM)模型的预测精度（80.1%、89.5%）,以及二元逻辑回归(BLR)预测结果（79.4%、88.5%）。基于5335份调查样本的研究表明,养老等社会保障待遇公平感与4个影响因素（教育程度、医疗保障满意度、就业保障满意度、总体社会保障状况满意度）之间存在非线性关系。因此,应用GRNN建立养老等社会保障待遇公平感非线性模型是成功的。     

基于HOG局部双线性插值的机械零部件检测与识别

传统方向梯度直方图(HOG)特征方法用于机械零部件检测时,对零部件的微小缺陷点的检测和识别不是很有效,因此课题组提出了一种局部双线性插值的HOG特征提取改进算法,将其用于小缺陷点的零件的检测和识别。首先,在图像内部的某个块上实现局部双线性插值;然后对局部双线性插值图像块进行梯度计算,提取新的梯度方向直方图;最后利用神经网络分类方法对具有微小缺陷点的零件进行检测。实验结果表明：局部双线性插值HOG特征提取方法比传统的HOG特征提取方法具有更好的检测性能;增强图像的抗混叠识别效果。     

基于干预模型与BP神经网络集成的GDP预测

文章将干预模型与BP神经网络模型相结合,提出了基于干预模型与BP神经网络集成的GDP时间序列预测模型,并实现了算法。利用我国1978~2004年的GDP数据建立多干预变量集成预测模型,对我国2005~2009年的GDP数据进行预测,并将预测值与其他文献所建模型的预测值进行比较,预测误差明显减少,证实了所建立模型处理外部事件(如宏观经济因素、政治因素等)的有效性。     

基于BP神经网络模型的企业绿色经营绩效评价方法

文章首先根据循环经济的有关理论,构建完成了包含经济绩效、环境绩效和社会绩效三个维度的企业绿色经营绩效评价指标体系;然后探讨了基于模糊数学评价的指标权重确定方法以及基于BP神经网络模型的企业绿色经营绩效;最后结合实施循环经济的样本企业进行了实证分析,对循环经济视角下企业绿色经营绩效的整合性评价模式进行了探讨。     

一类具有时滞的模糊神经网络的指数稳定性

文章利用Lyapunov直接法,讨论了一类非自治模糊神经网络的指数稳定性,给出了此类系统指数稳定的判据,所得结果是新的,并且是已有结果的补充。     

基于模糊神经网络和支持向量机的农机优化选型研究

目前农机型号众多,如何选择适合自己的农业机械,可以有效地节约资源和资金.文章从目前农业机械优化选型的研究状况出发,提出运用支持向量机和模糊神经网络对农机进行组合优化选型;通过建立碾米机的评价指标体系,运用组合评价方法可以有效地实现选型分析.实例分析证明了该方法的实用有效性,为农机优化选型提供了一种新的方法.     

基于神经网络技术的指数跟踪方法

文章应用神经网络技术改进指数跟踪组合的资产配置结构，从而提高了指数跟踪业绩。实证结果表明，不论从累计收益率还是从跟踪误差的角度看，神经网络技术确定的指数跟踪组合的业绩比已有文献给出的指数跟踪方法更好，表明基于神经网络技术的指数跟踪方法是一种处理指数跟踪问题的好方法。     

论神经认知语言学的邻近原则与词汇习得

神经认知语言学的邻近原则指大脑皮质功能相近的结构单位在空间位置上相邻。大脑结构与功能的这种对应关系是遗传的结果,后天经验也优化和微调着大脑结构的排列。从邻近原则来看词汇习得和知识的本质,发现学习的过程是在邻近原则的基础上调用联结单元,并在调用后建立神经联结;知识的本质是神经元或者是微柱体之间在邻近原则基础上的联结状态。