卫星云图感兴趣区域自动提取方法研究

卫星云图中人们感兴趣的区域(ROI)往往是各类云团,针对卫星云图内容的复杂性,利用直方图模糊加权C均值聚类方法实现云图的图像分割,对分割结果进行后处理,最终获取云图内的感兴趣区域。常规聚类方法需要人工指定类个数,影响了ROI提取过程的自动化程度。引入修正聚类评价指标,基于该指标实现最佳类别个数的自动确定。云图分割是感兴趣区域提取过程的关键,采用的直方图模糊加权C均值聚类方法在原有算法基础上,引入样本权重概念,使得聚类过程更为合理;同时将聚类对象由原始像素转换为灰度直方图,提高了聚类过程执行效率。实验结果表明设计的感兴趣区域提取方法能较为准确地分辨出陆地、水体、低云、中云、卷云、对流云六类区域,提取结果与客观实际一致。     

多输入多输出网络系统的拥塞控制方法

该文讨论了多输入多输出网络系统中信息拥塞的控制问题,通过对造成网络拥塞的原因以及影响网络传输定性的因素进行分析,建立了解决网络拥塞的模糊逻辑控制器。仿真表明了该控制器可以有效保证网络系统中信息的稳传输。     

构件库模糊查询技术研究

本文研究了在构件库管理系统中模糊查询理论,引入新概念,在此基础上给出了一种领域字典库 Ｄ Ｄ Ｄ 的定义、构造算法及构件库模糊查询算法。     

基于神经网络的支持向量机学习方法研究

针对支持向量机（Support Vector Machine,SVM）对大规模样本分类效率低下的问题,提出了基于自适应共振理论（Adaptive Resonance Theory,ART）神经网络与自组织特征映射（Self-Organizing feature Map,SOM）神经网络的SVM训练算法,分别称为ART-SVM算法与SOM-SVM算法。这两种算法通过聚类压缩数据集,使SVM训练的速度大大提高,同时可获得令人满意的泛化能力。     

基于K均值聚类和多核SVM的微钙化簇检测

考虑到乳腺微钙化簇样本分布不平衡以及特征的多样性,提出了基于K均值聚类的多核支持向量机.即首先将训练样本聚合成K类,对每类样本加不同的惩罚因子,以平衡样本分布不平衡.其次针对样本特征多样性,将核函数做组合,得到多核支持向量分类器.使用主动反馈学习的方法来得到稳定的训练样本.实验结果表明,本方法与单核SVM及多核SVM相比,检对率至少可以提高两个百分点.     

改进的模糊CMAC神经网络

提出了一种改进的模糊CMAC神经网络（IFCMAC）,该神经网络是在经典的FCMAC神经网络的模糊后相连层和输出层之间引入了输入矢量的线性加权和来补偿逼近的误差,所以它的逼近精度得到提高,解决了CMAC系列神经网络逼近精度不高的弱点,在颅脑磁共振图像分割仿真实验中,把当前像素点的子图像的纹理特征和该像素点的灰度值作为该像素的特征向量,将该特征向量作为IFCMAC神经网络的输入,实验结果表明其具有较高的分割准确性。     

Comparison of conventional and soft computing-based power control methods in mobile communications systems

 In this paper, we give a comparison between the conventional power control scheme and soft computing-based approaches in a mobile communications application. At the base station, the `bang–bang' control strategy and a neural network-based prediction control method are employed. In addition, full power command transmission mode, single-bit command transmission mode, and fuzzy logic-based power command enhancement unit are considered. Based on simulation experiments, we quantitatively evaluate the performance of various combinations of these control methods and command transmission modes. Conclusions on the optimal configuration are finally drawn.     

Characterization of fuzzy clustering algorithms in terms of entropy of probabilistic sets

We discuss a method of evaluating fuzzy clustering algorithms. Each of them generates a partition matrix of a data set with the entries lying in the [0, 1] interval and expressing the grade of belonging of the object to the clusters detected. Membership functions of the same cluster are interpreted as probabilistic sets in the sense of Hirota. This makes it possible to characterize the clusters by means of the entropy of the corresponding probabilistic sets. Moreover, the mutual entropy of pairs of probabilistic sets provides an index for evaluating the degree of interaction between clusters.     

基于粗糙集的模糊神经网络降水预报模型研究

为了提高模糊神经网络预测模型的预测能力,提出了基于粗集理论方法选择自变量作为模型输入的模糊神经网络预报建模方法.以短期降水预报作为研究对象,利用粗集理论的条件属性约简计算分析方法,对初选得到的预报因子矩阵进行属性约简,剔除不相关的属性,找出与预报量直接相关的预报因子,建立模糊神经网络的降水预报模型.实际的预报试验结果表明,该预报方法的预报精度明显高于由逐步回归方法选择预报因子作为模型输入的模糊神经网络预报模型及中国气象局T213数值预报模式的预报结果.