基于近似域划分的可变离散精度粗逻辑网络及其遥感图像分类应用

为解决粗逻辑神经网络精度与网络规模复杂性和推广泛化能力之间的矛盾,该文提出了一种具有可变离散精度的粗逻辑神经网络设计方法.该方法通过近似域划分,将论域空间划分为确定性区域和可能性区域,由于可能性区域信息粒度过大是造成误分类的重要原因,只需对可能性区域离散区间进一步细化,即可达到提高粗逻辑网络的精度,同时抑制网络规模增长过快的目的.在长白山地区的遥感图像分类实验中,常规方法在离散等级为7时有最好性能,而该文方法以较小的网络代价和训练时间获得了逼近的分类结果.     

一种新型模糊-粗神经网络及其在元音识别中的应用

为度量模糊粗不确定性信息,引入了模糊粗隶属函数．基于模糊粗糙集理论构建了一种新型的模糊,粗神经网络（FRNN）,该网络融合了模糊信息和粗糙信息的处理能力．对5个元音字母的语音识别进行测试,结果显示FRNN网络不仅训练速度快,而且分类性能优于BP网络、RBF网络和贝叶斯分类器．     

粉末活性炭回流高密度沉淀池生物强化作用研究

研究了投加粉末活性炭并回流泥炭后高密度沉淀池对有机物的去除效果。结果表明:粉末活性炭回流后有机物的去除效果显著提高:CODMn平均去除率为43.66%,比未投加粉末活性炭工况的32%提高了近12个百分点,沉淀池出水平均CODMn为3.46mg/L,比未投加粉末活性炭时的4.13mg/L降低了约0.7mg/L;对比投炭前后沉淀池中底泥的微生物好氧速率,发现其微生物量的提高与有机物去除效果的变化一致,投加粉未活性炭提高了污泥中微生物量从而提高了有机物的去除率;通过GC-MS对半挥发性有机物的检测发现,投加粉末活性炭后的吸附作用对有机物的浓度有很好的去除效果但对有机物种类去除效果有限,而投炭后吸附以及随着投炭产生的微生物强化作用对有机物种类和浓度都有很好的去除效果。     

图C_n~m的k－优美性

证明了在Ｃｎ的一点加任意的ｍ条边（记为Ｃ），当ｎ为偶数时，Ｃ为ｋ－优美．当ｎ为奇数时，Ｃ为优美     

中国电信进入移动通信市场策略研究

文章基于移动通信市场的发展现状。对中国电信进入移动通信市场的策略进行了研究，主要侧重于技术选择、差异化服务、地区战略和价格策略等方面。     

基于Matlab仿真的模糊温度集控器

本文在用Matlab进行鲁棒性仿真研究基础上，设计了带自调整因子的模糊控制的温度集控器，可共用一个模糊控制器控制最多八个通道的温度，实际运行表明，温度集控器控制效果良好，产品在需多点温度控制的设备和环境中有良好应用前景。     

基于声学信号的无机保温砂浆外墙外保温系统缺陷检测试验研究

无机保温砂浆外墙外保温系统存在开裂、空鼓、脱空等缺陷,亟须研发相应的无损检测技术,以对施工质量和安全状况进行检测与评估。基于振动力学和声辐射模态理论,通过试验研究敲击外墙外保温系统不同类型缺陷处产生的声学信号时频特性。利用小波变换提取信号首个峰值频率,用于检测外墙外保温系统是否存在缺陷。试验结果表明,该检测技术可用于无机保温砂浆外墙外保温系统缺陷检测中。     

基于视觉感知的智能扫地机器人的垃圾检测与分类

目的 为了提高扫地机器人的自主性和智能化程度，为扫地机器人配备视觉传感器，使其获得视觉感知能力，通过研究有效的垃圾检测分类模型与算法，实现对垃圾的定位与识别，引导扫地机器人对垃圾进行自动识别与按类处理，提高工作的目的性和效率，避免盲动和减少能耗。方法 选择检测速度较快的YOLOv2作为主网络模型，结合密集连接卷积网络，嵌入深层密集模块，对YOLOv2进行改进，提出一种YOLOv2-dense网络，该网络可以充分利用图像的高分辨率特征，实现图像浅层和深层特征的复用与融合。结果 测试结果表明，智能扫地机器人使用本文方法可以有效识别不同形态的常见垃圾类别，在真实场景中，测试识别准确率为84.98%，目标检测速度达到26帧/s。结论 实验结果表明，本文构建的YOLOv2-dense网络模型具有实时检测的速度，并且在处理具有不同背景、光照、视角与分辨率的图片时，表现出较强的适应和识别性能。在机器人移动过程中，可以保证以较高的准确率识别出垃圾的种类，整体性能优于原YOLOv2模型。     

用于加热炉的专家模糊温度控制器

设计的专家模糊控制器用于工业加热炉对象的温度控制，通过引入专家系统在线修正模糊控制器的运行参数来提高系统稳态精度以及动态性能。仿真结果及运行情况表明专家模糊控制器的性能要明显优于常规模糊控制器。     

欧元硬币年份检测与识别

目的 硬币上的发行年份是判别硬币外观质量的一个重要信息,为了对流通中的欧元硬币进行准确清分,有必要对欧元硬币上的发行年份进行检测与识别。但由于欧元硬币年份数字位姿的不确定性、尺寸的非归一化、其他文字符号的干扰、数字排列方式的多样性使得利用计算机视觉算法实现欧元硬币年份的自动检测、识别与判读存在较大困难。本文针对欧元硬币年份检测与识别的特殊性,提出基于Faster-RCNN（faster-region convolutional neural network）模型的数字检测方法,以及基于聚类算法和先验规则的年份排序算法。方法 首先对训练数据进行增量化处理,例如旋转、缩放等方式极大地扩充训练样本的规模;然后重新训练Faster-RCNN网络模型,使其能够适应硬币中数字的各种位姿和尺寸变化;进而利用K-means聚类算法将获得的数字候选框聚成4类,选取每类中置信度最大的候选框;最后根据预先确定的不同国别硬币的年份排列方式,通过适当的排序算法即可得到正确的年份信息。结果 在自建的实验平台上对欧盟中的12个国家的5种较大币值的硬币进行采样获得4 429幅图像,按1 ∶1比例划分为训练样本和测试样本。实验表明,本文方法的年份检测识别准确率达到89.62%,计算耗时约215 ms,基本满足准确性和实时性要求。结论 本文算法具备实时、鲁棒、高精度的良好性能,具有较高的实际应用价值。