基于网络的管理信息系统研究

网络技术的发展，数据库与Web的结合使得传统的管理信息系统（MIS）的开发模式发生了很大的变革。基于Web的数据库应用已成为当今MIS的方向，同时MIS的安全问题已日益突出。讨论了基于网络的MIS开发模式、数据库与Web的连接技术，特别是ASP技术在MIS开发中的 应用，以及MIS的安全性问题。     

管理信息系统开发中存在的问题与对策

很多单位建立了管理信息系统（MIS），但是真正发挥了效益的却很少，其重要原因是开发方法落后。本文分析了MIS开发中存在的一些问题，并探讨应用信息工程理论来解决这些问题的途径。     

管理信息系统的发展与前景

本文简述了管理信息系统(MIS)的发展,分析了目前MIS开发中出现的问题,讨论了MIS的方法论,预测了MIS的未来前景。     

基于模块度和标签传递的推荐算法

针对基于网络信息的商品推荐的问题，提出了在二部网络上基于社区挖掘和标签传递的推荐算法。首先，用带权的二部图来表达用户-项目的评分矩阵，利用标签传递技术对二部网络进行社区挖掘；然后，基于二部网络中的社区结构信息，充分利用用户所在的社区之间的相似性以及项目之间、用户之间的相似性来挖掘用户可能感兴趣的项目；最后，向用户进行项目的推荐。在实际网络上的实验结果表明，与基于双向关联规则项目评分预测的推荐算法（BAR-CF）、基于项目评分预测的推荐算法（IR-CF）、基于网络链接预测的用户偏好预测方法（PLP）和改进的基于用户的协同过滤的方法（MU-CF）相比，该算法的平均绝对差（MAE）低0.1~0.3，准确率高0.2。因此，所提算法可以取得比其他类似方法更高质量的推荐结果。     

基于权重向量聚类的动态多目标进化算法

实际生活中存在许多的动态多目标优化问题（DMOP）。对于此类问题，当环境发生改变时，就要求动态多目标进化算法（DMOEA）能快速和准确地跟踪新环境下的帕累托前沿（PF）或帕累托最优解集（PS）。针对现有算法的种群预测性能差的问题，提出一种基于权重向量聚类预测的动态多目标进化算法（WVCP）。该算法首先在目标空间中生成均匀的权重向量，并对种群中的个体进行聚类，再根据聚类情况分析种群的分布性。其次，对聚类个体的中心点建立时间序列。对同一权重向量，针对不同的聚类情况采取相应的应对策略对个体进行补充，若相邻时刻均存在聚类中心，则采用差分模型预测新环境下的个体；若某一时刻不存在聚类中心，则用相邻权重向量聚类中心的质心作为该时刻的聚类中心，再运用差分模型预测个体。这样不仅可以有效地解决种群分布性差的问题，还可以提高预测的准确性。最后，引入个体补充策略，以充分地利用历史信息。为验证WVCP算法的性能，把它与四种代表性算法进行了仿真对比。实验结果表明，所提算法能够很好地解决DMOP。     

基于离散灰色预测模型与人工神经网络混合智能模型的时尚销售预测

时尚销售预测对零售领域十分重要,准确的销售情况预测有助于大幅度提高最终时尚销售利润。针对目前时尚销售预测数据量有限并且数据波动大导致难以进行准确预测的问题,提出了一种结合人工神经网络（ANN）算法和离散灰色预测模型（DGM（1,1））算法的混合智能预测算法。该算法通过关联度分析得到关联度大的影响变量,在利用DGM（1,1）+ANN预测之后,引入二次残差的思想,将实际销售数据与DGM（1,1）+ANN预测结果的残差加入影响变量利用ANN进行第二次残差预测。最后通过真实的时尚销售数据验证算法预测的可行性及准确性。实验结果表明,该算法在时尚销售数据的预测中,预测平均绝对百分误差（MAPE）在25%左右,预测性能优于自回归积分滑动平均模型（ARIMA）、扩展极限学习机（EELM）、DGM（1,1）、DGM（1,1）+ANN算法,相较于以上几种算法平均预测精度大约提高8个百分点。所提混合智能算法可用于时尚销售即时预测,且能够大幅度提高销售的效益。     

基于BMO算法混合神经网络的短时交通流预测

准确预测短时间内某路段的交通流量，可以极大提升城市交通效率，而城市交通流预测的核心是各种交差路口附近的车流预测，尤以十字路口最为常见和复杂。针对具有极强的时空相关性且稳定性交差的情况，提出使用改进鸟类繁殖算法（Bird Mating Optimizer,BMO）混合BP神经网络（Back Propagation Neural Network,BPNN）模型对交通流进行非线性拟合。文章使用基于适应度方差的参数自适应调整策略改进了BMO算法，并结合模拟退火思路改善算法早熟问题。使用改进的BMO算法解决了训练时间长和收敛速度慢的缺陷。仿真结果显示，该模型具有更好的非线性拟合能力，使十字路口交通流预测准确率提高了11.4%。     

对面向对象的MIS分析及设计的探讨

笔者对在MIS系统的开发中应用面向对象方法（OO）的一些问题作了详尽的探讨，提出了一种新的概念：OO对象在管理应用方面的生命周期……管理对象生存周期（MOLC），对应用该思想在面向对象的MIS开发中的分析及设计方法作了探讨。对于不支持面向对象的DBMS平台，则给出了基于面向对象思想的基本设计方法。     

基于MRPII的车间生产管理信息系统

根据国内制造企业生产车间运作的实际需要，提出一种基于MRPⅡ的车间生产管理信息系统（SEW－MIS）的设计思想和构建方法，详细论述了SEW－MIS的网络体系结构、建模方法和数据结构，并分析了SEW－MIS实现的一些关键技术。     

基于元学习推荐的优化算法自动选择框架与实证分析

算法选择的目的是从众多可用优化算法中自动地选出最适用于当前问题的算法。针对算法选择问题提出了基于元学习推荐的优化算法自动选择框架。依据此框架,以多模式资源受限的项目调度问题为实证数据集,设计实现了遗传算法（GA）、粒子群算法（PSO）和模拟退火算法（SA）三种算法的自动选择过程。从项目调度问题数据库中随机选取了378个问题算例,提取其中的固有特征和统计特征作为元数据,并利用前馈型神经网络（FNN）算法训练获得用于预测的元模型对未见算例作出预测。实证结果表明两选一的算法预测准确率最高可超过95%,交叉验证准确率平均达到85%;三选一的算法预测准确率最高可达92%,交叉验证准确率平均超过80%。实证结果验证了所提算法选择框架是成功的,基于元学习思想的优化算法自动选择方法是可行的。     

基于改进BP神经网络的预测模型及其应用

对BP神经网络的结构及其训练算法进行了研究,并针对传统BP算法的缺陷,提出了一种采用L—M算法的改进BP神经网络。在此基础上建立了基于改进BP神经网络的非线性系统预测模型,并通过具体的仿真及实践结果验证了改进BP神经网络的有效性。     

蚁群神经网络在短期负荷预测的应用

为了进一步提高BP神经网络的性能,实现准确、快速预测电力系统负荷的目的,将蚁群算法(ACA)作为BP神经网络的学习算法,建立了一种新的蚁群神经网络(AcAN)预测模型.对某电力系统短期负荷预测的计算实例表明,基于蚁群神经网络的负荷预测方法与传统的BP神经网络预测方法相比,具有较强的自适应能力和较好的效果.     

遗传BP神经网络在大宗商品市场风险预警中的应用

研究利用遗传BP神经网络预警大宗商品电子交易市场风险的应用方法,将定量分析的思维方式引入大宗商品市场风险评价管理中.为此目的,建构了一个基于遗传BP神经网络的预警模型（GA-BPNNM）,在市场调研的基础上建立了大宗商品电子交易市场风险评价指标体系,并通过实验确定了预警模型的最佳训练函数和隐层的最佳节点数.GA-BPNNM借助BP神经网络强大的自学习能力和非线性映射能力,克服传统手段在分析大宗商品电子交易市场风险时因其定义的模糊性和诱发因素的多样性所带来的困难;同时通过遗传算法与BP网络两者相互融合优化,解决BP神经网络易落入局部最优、收敛速度慢以及遗传算法易早熟等问题.仿真测试实验表明,GA-BPNNM预测结果优于标准BP神经网络预测方法,用于大宗商品电子交易市场风险损失程度预警是有效可行的.     

嵌入式大气数据传感系统及其BP网络校正算法

介绍了嵌入式大气数据传感系统及其数学模型和校正过程．研究了该系统的BP网络校正算法;提出了以BP网络为基础的迎角、侧滑角和形压系数的校正算法,并对该算法应用MATLAB软件进行了验证;该校正算法采用BP网络,分别以当地迎角、当地侧滑角和马赫数作为BP网络的输入．以真实迎角、真实侧滑角和形压系数作为输出,通过对BP网络进行训练,从而得到系统的校正算法;计算结果表明,该算法在精度、可靠性和实时性等方面可以满足系统的设计要求;在精度上,由于BP网络对非线性函数的无限逼近特性,可以用更少的参数实现同样的数据精度,易于实现。     

PSO优化算法飞机操纵面故障辨识研究

针对飞机复杂的非线性操纵面故障系统,建立故障模型,提取各种故障数据,并将粒子群优化算法应用于BP网络系统,提出了一种基于粒子群优化神经网络的故障诊断方法;该方法分阶段实施神经网络的训练,有效地加强了算法的全局搜索能力,采用PSO算法优化了传播中的权值和阈值,弥补了BP算法收敛速度慢和易陷入局部极小点的不足,提高了故障模式识别的能力;实验结果表明该方法加快了神经网络的学习收敛速度,提高了故障模式的识别正确率,对飞机操纵面的各种典型故障都能有效加以辨识。     

BP神经网络在柴油机涡轮增压系统故障诊断中的应用

将BP神经网络应用于柴油机涡轮增压系统的故障诊断。简要介绍了BP神经网络的基本原理和算法,采用BP算法对网络进行训练、学习,可以识别柴油机滤清器堵塞、空冷器空气测流阻增大、气缸进排气堵塞及废气涡轮流阻增大四种故障,诊断结果和实际结果非常吻合,诊断结果可靠性强,并可以准确预计故障等级。     

专家神经网络的构造研究

专家神经网络是由专家系统产生出的事件驱动无环路神经对象网络。这些神经对象处理信息的非线性复合函数比正常的神经网络结点处理器更复杂。本文研究了无环路网络的ＢＰ学习算法,这一算法将传统ＢＰ算法与专家神经网络特征结合起来,提供了一种获取知识的方法。     

基于模糊熵的BP算法改进

由于BP网络简单的拓扑结构和优秀的逼近能力,它已经被广泛地应用于预测和非线性系统的建模中。但是由于算法自身的不足,在实际应用中会产生很多问题。因此,BP网络的优化已经成为了一个重要的课题。为了提高BP网络的泛化能力,将模糊熵加入到BP网络的性能函数中,提出了基于模糊熵的BP算法。在实验中,将两种算法进行了对比,结果表明改进算法可以有效地提高测试精度,避免了过度拟合。     

基于改进的BP神经网络的血液细胞图像分割

采用BP神经网络来分割白细胞显微图像,在边缘检全上的效果尚不理想,针对此问题,提出了改进BP神经网络。提出了一种采用L-M算法的改进BP神经网络。在此基础上建立了基于改进BP神经网络的非线性系统模型。实验结果表明,它能有效地克服已有方法无法克服的边缘检出问题,使得分割图像能更好的接近真实图像。     

用自调整S函数提高神经网络BP算法

学习算法是BP前馈神经网络研究中的核心问题。文中阐述了几种重要的BP算法的改进算法，提出了一种新的学习算法，即自动调整S型函数形状的算法，从理论上证明了此方法在一定前提条件下的可行性，给出了进行S型函数形状自动调整的公式。仿真实验证明了新学习算法用于非线性系统建模时的有效性。