面向航运企业的虚拟物流联盟的构建研究
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-15页 |
| ·研究背景 | 第9-11页 |
| ·我国社会化的物流市场需求的兴起 | 第9页 |
| ·我国航运企业面临的新形势 | 第9-10页 |
| ·我国航运业发展物流产业的优势 | 第10页 |
| ·增强我国集装箱运输合作刻不容缓 | 第10-11页 |
| ·研究现状 | 第11-14页 |
| ·相关概念阐述 | 第11-12页 |
| ·研究综述 | 第12页 |
| ·典型成果 | 第12-14页 |
| ·研究内容 | 第14-15页 |
| 第2章 基于理论层面的虚拟物流联盟分析 | 第15-21页 |
| ·构建虚拟物流联盟的意义 | 第15-18页 |
| ·定性分析 | 第15-16页 |
| ·定量分析 | 第16-17页 |
| ·总结 | 第17-18页 |
| ·构建流程 | 第18-21页 |
| 第3章 基于改进 RBF的虚拟物流联盟构建研究 | 第21-40页 |
| ·人工神经网络 | 第21-22页 |
| ·概述 | 第21页 |
| ·基本模型 | 第21-22页 |
| ·RBF网络 | 第22-27页 |
| ·RBF神经网络结构 | 第24页 |
| ·RBF神经网络的映射关系 | 第24-26页 |
| ·RBF网络与 BP网络的比较 | 第26-27页 |
| ·RBF神经网络的学习算法分析 | 第27-31页 |
| ·随机算法选取 RBF中心 | 第27页 |
| ·基于 K-means的聚类中心算法 | 第27-28页 |
| ·Konhonen的自组织映射算法 | 第28-29页 |
| ·最近邻聚类学习算法选取 RBF基函数中心 | 第29-31页 |
| ·改进的最近邻聚类学习算法 | 第31-32页 |
| ·输入数据预处理 | 第32-37页 |
| ·低阶去相关 | 第32-34页 |
| ·网络学习算法 | 第34-35页 |
| ·数据处理流程 | 第35-37页 |
| ·基于改进的 RBF神经网络的虚拟物流联盟模型 | 第37-40页 |
| ·求解流程 | 第37-38页 |
| ·模型训练及应用分析 | 第38-40页 |
| 第4章 实例分析 | 第40-46页 |
| ·问题描述 | 第40-41页 |
| ·基本概况 | 第40页 |
| ·存在的机遇与挑战 | 第40-41页 |
| ·面向舟山航运企业的虚拟物流联盟构建策略 | 第41-45页 |
| ·总的流程 | 第41-43页 |
| ·确定评价指标体系 | 第43-44页 |
| ·输入指标与输出指标的相关性分析 | 第44-45页 |
| ·实际操作 | 第45-46页 |
| ·任务分析 | 第45页 |
| ·选择结果 | 第45-46页 |
| 结论 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 附录1 去噪过程验证 | 第50-52页 |
| 附录2 基于改进 RBF的神经网络实现代码 | 第52-65页 |
| 攻读学位期间公开发表论文 | 第65页 |
| 攻读学位期间获得奖项 | 第65-66页 |
| 致谢 | 第66-67页 |
| 研究生履历 | 第67页 |
