从合著网络及其变化看干细胞研究领域的国际科研合作

基于合著论文数据,运用文献计量和社会网络分析方法系统分析了2000-2014年期间干细胞研究领域国家间科研合作网络的结构与演化特征,对比了干细胞研究论文高产国家的国际合作模式与研究影响力.研究发现,干细胞研究领域国际科研合作规模不断扩大,一张高度连通世界各国的科研合作网络已基本形成;高产国家集中于北美、欧洲和东亚,美国、英国、德国和法国长期处于网络的中心位置;中国的干细胞研究论文高速增长,网络地位不断提升;美国与欧洲论文高产国家组成了密切的多边合作群体,亚洲论文高产国家的国际合作以与美国合作为主;欧美论文高产国家的研究影响力高于亚洲高产国家,中国干细胞研究的整体水平还与其他高产国家有较大差距.     

基于洋流运动态势的移动预测水下定位研究

针对基于移动预测定位的SLMP算法在定位中没有参考其他节点的移动预测信息,提出了基于洋流态势的移动预测CMP算法,算法在移动定位的过程中,考虑水流影响,结合了前驱节点的移动预测信息及其他信息来完成预测.大量的仿真结果表明,CMP算法在定位覆盖度及平均通信代价方面有良好的性能,也表明了CMP算法能够更好的适应于大规模水下移动环境.     

基于SOM网络的机场天气聚类分析

机场范围内的天气状况对机场运行有着较为显著的影响.然而,天气在发生时间、影响范围等方面的随机性给机场容量评估和流量调配带来一定的困难.运用SOM网络对2014年上海浦东国际机场的天气进行聚类分析,并运用DB指标和Silhouette指标对聚类结果进行评价.结果表明:SOM网络在机场天气聚类上有很好的精度与鲁棒性,2014年浦东机场的天气可按影响程度分为典型的五类,即:无影响、影响小、影响极大、影响大、影响中等.为实现航空天气聚类分析及空中交通流量管理自动化提供了有益参考.     

空铁联运网络的模型构建与算法设计

针对空铁联运网络具体联运路径的设计问题,借鉴枢纽航线网络p-枢纽中位问题的研究思想,将非枢纽城市间可以直航考虑进去,以联运网络总成本最低为目标函数,构建了允许直航的空铁联运网络混合整数规划模型,并设计了基于遍历搜索的最短路算法来求解模型.最后选取样本城市对模型和算法进行算例分析,给出了不同参数组合下的最优目标值和具体联运路径,设计了中国14个城市的空铁联运网络.算例结果表明联运总成本大小和联运路径的数目与枢纽数目m、折扣系数ρ紧密相关:m越大,ρ越小,联运总成本越小,联运路径数目越多;反之亦然.     

轴辐式枢纽网络系统的关键枢纽设施识别问题研究

作为轴辐式枢纽网络关键因素的节点,尤其是起到中转作用的枢纽节点是网络稳定运行的重要环节。当这些节点被中断时,将对整个网络产生严重的影响。最直接的表现方式即是网络运行成本的急剧上升。因此本文研究如何识别对网络成本具有决定性影响的关键节点。首先,提出枢纽功能性中断问题和模型,并通过禁忌搜索算法进行求解。最后通过中国航空实例验证模型和算法在实际应用中的有效性。结果显示模型和算法能够有效识别出中国航空网络较重要的关键城市以及相对影响较弱的城市。可以为资源有限情况下,中国航空网络中各城市防御设施的合理分级和部署,为重点保护城市的鉴别提供依据和帮助。     

碳排放税收政策下供应链网络成员企业行为研究

针对三种碳税决策框架:分权碳税框架、集权碳税框架——固定阀值、集权碳税框架——弹性阀值,分别分析三种碳排放税收政策决策框架下供应链网络中成员企业收益的变化以及各企业间的交互行为,给出了各成员企业的均衡条件,并将其转化为变分不等式问题,建立碳排放税收政策下供应链网络成员企业博弈模型,并提出基于欧拉算法的模型求解方法。最后结合算例分析碳排放税收政策下供应链网络成员企业关于生产决策、分销决策、碳排放量的反应,研究为达到预期的环境目标,政府相关部门如何调整单位碳排放税,同时,根据成员企业相关经济指标的均衡结果,政府相关部门又如何调整碳排放的环境目标。     

G-网络排队系统的研究新进展

在研究排队网络的文献中,G-网络(即推广的排队网络)最近受到了国际学者广泛的关注,它的研究在一定程度上丰富了排队网络的内容.正因为有很多学者投入到此项研究中,新的结果是层出不穷的.本文简短地介绍G-网络近年来的发展.     

带平衡约束的离散网络平衡设计问题的遗传算法

本文研究了带平衡约束的离散网络设计问题及其求解算法.模型中上层是一个离散网络设计的数学规划模型,采用遗传算法来求解.下层是采用变分不等式描述的用户平衡配流问题,利用对角化方法直接求解.通过实例对算法进行验证,结果表明该算法是有效的.     

基于辛格式的深度哈密尔顿神经网络

HNN是一类基于物理先验学习哈密尔顿系统的神经网络.本文通过误差分析解释使用不同积分器作为超参数对HNN的影响.如果我们把网络目标定义为在任意训练集上损失为零的映射,那么传统的积分器无法保证HNN存在网络目标.我们引进反修正方程,并严格证明基于辛格式的HNN具有网络目标,且它与原哈密尔顿量之差依赖于数值格式的精度.数值实验表明,由辛HNN得到的哈密尔顿系统的相流不能精确保持原哈密尔顿量,但保持网络目标;网络目标在训练集、测试集上的损失远小于原哈密尔顿量的损失;在预测问题上辛HNN较非辛HNN具备更强大的泛化能力和更高的精度.因此,辛格式对于HNN是至关重要的.     

混合优化RBF-BP网络的板形缺陷识别

针对传统板形模式识别方法存在精度低、鲁棒性弱的问题,提出了一种混合优化RBF-BP组合神经网络板形模式识别方法。首先利用自组织映射网络(SOM)对样本聚类,利用聚类后的网络拓扑结构确定RBF的中心,并计算RBF的宽度,克服了传统聚类算法随机选取中心导致聚类结果不稳定的问题。然后利用遗传算法(GA)良好的全局搜索能力优化整个网络的权值。RBF-BP组合神经网络是由一个RBF子网和一BP子网串联构成的,该网络同时具备BP神经网络能较好地预测未知样本的能力以及RBF神经网络的逼近速度快的优点。并以某900HC可逆冷轧机板形识别为应用背景,在MATLAB2010a环境下进行仿真实验,结果表明混合优化RBF-BP组合神经网络的板形模式识别方法能够识别出常见的板形缺陷,提高了板形缺陷识别精度并具有较好的鲁棒性,可以满足板带轧机高精度的板形控制要求。