排序方式: 共有7条查询结果,搜索用时 0 毫秒
1
1.
将模糊数学原理和层次分析算法应用到住宅宜居性综合评价中。由于原始的层次分析法太过复杂,且原始数据也不易获取,所以对其进行改进,使这种方法操作简单。通过实验证明该方法与原来的层次分析法的结果是一致的,而且减少了原来算法的一致性检验,提高了工作效率,并取得了很好的效果。 相似文献
2.
3.
4.
5.
运用彩色图像色调、饱和度、强度(HSI)模型的H分量进行彩色图像阈值分割是一个新的彩色图像阈值化方式。考虑到H分量是一个圆形直方图,将圆形直方图断开为线性直方图,然后采用线性直方图阈值分割法进行阈值选取是一种有效途径。在信息论中,信息能量是Shannon熵的对偶,首先引入线性概率分布的累积分布信息能量概念,基于此来确定圆形直方图的断点;然后给出线性直方图上的信息能量阈值法,并基于此实现H分量圆形直方图的阈值选取。相比于基于对数运算的Shannon熵阈值选取准则,基于平方运算的信息能量阈值选取准则具有表述简单、运算速度快的优点。 相似文献
6.
锂离子电池容量的精确预测有利于提升电池的使用安全和避免电池滥用,受其复杂的内部电化学反应和外部使用条件影响,对其老化后的容量精确预测一直是电池管理系统的难点之一。为实现锂电池全服役周期内容量的高效准确预测,本文提出了一种基于遗传算法优化的Elman神经网络(GA-Elman)电池容量预测模型。首先选择电池不同循环下的放电容量增量、内阻以及温度数据作为有效表征电池老化和容量衰减规律的特征量,其次运用主成分分析算法对特征量进行降维以降低训练量数据维度,然后基于Elman神经网络构建电池容量预测模型,并引入遗传算法优化Elman神经网络的权值和阈值,实现对电池容量的高效精确预测,最后在不同电池上对该模型进行了验证。验证结果表明:与传统Elman神经网络和长短期记忆神经网络(long and short term memory neural network,LSTM NN)预测模型相比,GA-Elman神经网络预测模型有更好的预测精度和更高的运算效率。在不同电池上该模型预测结果的最大平均绝对误差为0.92%,最大均方根误差为1.02%,最小拟合系数为0.9679,表明该模型可以精确预测锂电池衰退过程中的容量并且对不同电池有较强的适应性。 相似文献
7.
把从键盘输入的二进制、八进制、十进制、十六进制字符数据转换成计算机能够识别的二进制数据,给出了各种进制通用的输入、转换方法及汇编语言程序段,通过字符串本身可以判断数制. 相似文献
1