一种基于改进FCM划分算法的T—S模型辨识

鉴于以往T—S模型建模过程中,在模糊划分上存在主观性的差异,提出了一种基于改进模糊C-均值算法的模糊划分方法,使划分结果尽可能地依赖于原始数据的分布情况,进而将该模糊划分算法用于多输入单输出非线性系统的基于T—S模型模糊辨识。在用该方法对多参量水质评价系统进行基于T—S模型模糊辨识建模时,取得了较好的验证效果。该研究结果表明,基于改进模糊C-均值划分算法的T—S模型辨识能在模糊综合评价与决策等应用领域中取得较好的应用效果。     

基于Copula函数对由两类失效部件组成的简单相依系统的可靠性研究

应用copula函数来表示由两类失效部件组成的相依串联系统和相依并联系统的可靠性,并对这两种系统的可靠性进行比较,得到了使这两种相依系统的可靠性之间的大小关系成立的一些条件．     

基于参数统计的数字信号类间识别

针对常用的4类数字信号MASK、MFSK、MPSK、16QAM,提出一种基于参数统计的识别算法。文章对延迟共轭相乘后的相位进行了详细的推导,并利用不同类信号的3个参数（基于瞬时幅度的统计参数A、延迟共轭相乘后的相位方差、差分运算后的包络方差）的差异实现了信号的类间识别。大量仿真实验及实际数据测试表明,本文方法简单,且在snr≥4dB时有较好的识别性能。     

基于差分演化的K-均值聚类算法

针对K-均值聚类算法对初始值敏感和易陷入局部最优的缺点,提出了一类新的聚类算法——基于差分演化的K-均值聚类算法,进而提出了基于自适应差分演化的K-均值聚类算法,并将新算法与传统的K-均值聚类算法和最近提出的几个同类聚类算法进行比较。实验结果表明,该类算法能比较有效地克服传统的K-均值聚类算法的缺点,算法具有较好的全局收敛能力,稳定性强、收敛速度快,且比较研究表明该类算法具有一定的竞争力。     

基于BP网络的人脸朝向识别方法

为了使仿人机器人的视觉系统能够识别出人脸,利用BP神经网络的理论知识,研究人脸识别技术,对图像中人脸朝向判别进行实验研究。实验采用Matlab工具箱进行BP网络设计,实现对人脸角度方向的判别。讨论了输入和目标向量设计BP神经网络结构的设计,以及网络参数和训练参数的设定等问题。实验结果表明,BP神经网络可以根据输入图像的二值化信息,以一定的准确率判别该图像的人脸朝向。     

二硫化钼纳米颗粒的制备与润滑性能研究

利用超声化学方法制备的类球形三氧化钼（MoO3）纳米颗粒为前驱物,采用在氧气氛下的硫化还原反应制备纳米二硫化钼（MoS2）粉体。纳米粉体颗粒的形貌、几何特征和尺寸等通过场发射扫描电子显微镜（FE-SEM）和透射电子显微镜（TEM）进行表征,用x-ray射线衍射（XRD）和能谱分析（EDX）分析物质的结构及成分。将制备出的类球形纳米级MoS2作为添加剂,添加到基础油中。通过仪器测试其在不同载荷下的摩擦系数,与基础油的摩擦系数进行对比,研究纳米MoN对复合润滑油润滑性能的影响。结果表明：MoS2纳米颗粒能够显著提高润滑油的润滑性能。     

基于FCM的驾驶行为险态辨识模型

为实现险性驾驶行为的有效辨识,以事故发生概率为依据,在对驾驶行为状态予以险态分级的前提下,采用单因子方差分析进行险态辨识主因子析取,并基于模糊C均值聚类法构建了险态行为辨识模型。最后,结合实例对模型予以试算,并采用样本回代对模型进行了验证。结果表明,模型误差率为2.5%。     

一类基于贝叶斯信息准则的k均值聚类算法

典型k-均值算法中的聚类数k必须是事先给定的确定值,然而,实际应用中k很难被精确地确定。同时该算法对初始聚类中心的依赖性而导致聚类结果可能陷入局部极小,使得该算法对一些实际问题无效。采用基于密度聚类算法(DBSCAN),在筛选局部代表点时结合贝叶斯信息准则(BIC),得到少量精准反映局部数据分布的BIC核心点。然后,以BIC核心点为初始聚类中心,BIC核心点数量为类别数,对全局数据进行k-均值聚类。实验结果表明,优化的k-均值算法是一种有效可行的聚类算法。     

基于分层建模技术的CAD/CAPP/CAM集成系统研究

在DM特征建模的基础上,建立了CAD、CAPP、CAM各个阶段的分层模型.分别从特征层和零件层两个层次建立该集成系统全局统一的数据表达.在工艺设计阶段通过引入特征子工艺设计概念与技术,完成子工艺的生成、拓扑排序、组合及编辑,从而完成整个零件的工艺规划.使得系统数据顺利地引入制造模块.该方法在所开发的回转类零件CAD/CAPP/CAM系统中得到了验证.     

模拟退火改进K均值算法在镜头聚类中的应用

针对基于内容的视频检索中的镜头聚类问题,采用了一种基于模拟退火思想改进的K均值聚类算法.该方法提取视频帧的时间信息、均值、方差、偏度和信息熵等颜色直方信息作为特征,利用模拟退火算法全局寻优的能力来改善K均值聚类易陷入局部极值的缺点,从而提高视频镜头聚类的准确性.理论分析和实验结果表明该方法是一种有效的视频镜头聚类算法.