简化刚体状态方程及其应用——Ⅰ.参数确定

提出了一个简化的二参数刚体状态方程,可用作立方型方程的斥力项。从参数的物理意义出发,结合一些合理的假定,探讨了确定两个参数的方法。由正构烷烃的饱和液体体积和△H_b值,得到了上述两个参数的关联式。并推算了烯烃、支链烷烃和某些非烃类物质的△H_b,结果和文献值符合良好。     

基于换乘行为的轨道交通网络模型研究

换乘行为是保持轨道交通网络正常运行的关键因素.针对轨道交通网络,提出一种添加换乘因素的网络模型构造方法.首先,根据换乘站点的交汇线路数量N,再裂变出N-1个换乘站点;其次,这N个换乘站点相互之间有换乘通道相连,且每条线路通过其中一个换乘站点;最后将构造方法运用到北京轨道交通网络,并通过仿真实验对比分析新旧网络模型的基本参数.结果表明:新建轨道交通网络模型在换乘流量的确定、负荷平均最短出行时间等方面弥补了以往模型的不足.     

基于输运模型的网络相变过程

 网络相变过程需重点关注网络上的总负荷数、网络上的消失负荷数、节点的排队负荷数等指标随单位时间进入网络的负荷数R 的变化规律。为此建立了无标度网络上的输运模型,用于定量计算这3 种负荷数的变化规律。仿真结果表明：最大介数节点最先产生拥堵,导致网络的进入和消失负荷数出现不平衡,进而导致网络进入拥堵状态;当R小于临界值R_c时,网络上的消失负荷数随R同步增长。当R超过临界值R_c时,消失负荷数与R的比值持续下降,表明随着R的增加,负荷到达目的地越来越困难。     

基于结构元线性生成的复Fuzzy值函数项级数

文献[1]中提出了基于结构元理论的Fuzzy数项级数的概念,文献[2]、文献[3]、文献[4]对其收敛性进行了探讨,文献[5]、文献[6]对模糊值函数项数列及级数进行了研究。本文在此基础上给出了基于结构元线性生成的复Fuzzy值函数项数列及级数的定义,同时对复Fuzzy值函数项级数的一些重要性质进行了研究,并给出了相应定理。     

基于梯形模糊VIKOR法的隧道支护可靠度评价模型

为进一步提高隧道支护可靠度,在梯形Vague数的基础上陆续给出运算法则、距离及融合算子,并提出一种新的基于梯形Vague数的VIKOR群评价模型。首先依据融合算子将不同专家的评价信息进行集结,得到综合评价信息,然后计算每个待评对象的利益比率并按越小越优的原则进行评价。案例分析表明,该研究对隧道支护领域引入VIKOR法提高评价可靠度具有参考价值。     

简化刚体状态方程及其应用 Ⅱ.液体热压力系数和内压的预测

应用前文提出的刚体状态方程,结合所给出的假设,预测了20℃时60多种液体和不同温度下11种液体的热压力系数和内压。预测结果和文献中的实验值符合良好。又从另一侧面验证了所提出的刚体状态方程确能较好地代表实际流体分子的斥力项,为开发较好的立方型方程提供了参考。     

结构元生成的复模糊值函数及积分

为解决复模糊值函数借助扩张原理进行积分运算时存在运算复杂且可操作性差等问题,提出利用结构元理论对复模糊值函数进行积分运算的方法,首先对结构元生成的复模糊值函数及隶属度、复模糊值函数大小比较和上下界进行了定义,并给出复模糊值函数加减乘除的运算公式;然后定义了复模糊值函数黎曼可积和原函数,给出了函数线性运算积分公式等相关结论及证明.     

基于区间直觉模糊集的动态多属性群决策方法

针对决策者权重未知、属性权重已知,属性值为区间直觉模糊数的多属性群决策问题,提出采用区间直觉模糊加权平均算子进行信息集结,利用带有转化参数的得分函数进行决策.首先借助区间直觉模糊数的距离来确定决策者权重,然后利用区间直觉模糊加权平均算子和决策者权重对个体决策矩阵进行集结,最终得到每个方案对应的区间直觉模糊数,将其带入得分函数进行动态决策分析.通过实例求解验证了方法的可行性.     

拓扑结构对网络承载能力的影响

 通过建立3 种典型的复杂网络模型及对应的输运模型,数值计算并仿真试验拓扑结构指标和网络承载能力的变化.结果显示:3 种网络承载能力的数值计算结果和仿真试验结果基本吻合;核心节点的存在使得无标度网络的节点最大介数值所占比重高于其他网络,导致网络的承载能力最小;随机网络的节点最大介数值所占比重低于其他网络,导致承载能力最大;随着平均度的增大,各类型网络承载能力增加明显,但各种拓扑结构指标对承载能力提升的贡献不同.     

基于隐马尔科夫模型的浏览兴趣预测

Web上的信息量正以惊人的速度增加,人们迫切需要能自动地从Web上发现、抽取和过滤信息的工具,即如何从数以亿计的页面中发现需要的内容、如何从大量的访问中发现固有的模式和关联.马尔科夫模型的网页浏览预测,仅仅从用户的浏览网页本身出发,预测用户的下一步链接,并不能捕获到用户的真正兴趣.本文提出基于隐马尔科夫模型的网页浏览路径预测,并将其与基于马尔科夫模型的方法进行对比.根据已知的浏览序列判断用户的类别,当浏览序列长度很短时,本文方法的预测准确性比马尔科夫模型低.这是由于序列长度过短,系统获取判断的信息少,增加了对用户错误分类的可能性.随着浏览序列长度逐渐增加.系统捕获的用户浏览信息越来越多,进而能够折射出用户的兴趣所在.预测准确率也逐步增加.当浏览序列长度大于或等于8时,预测准确率已经到达80%.提高了浏览兴趣预测的准确率.