CIO正成为X-Man？——CIO、CTO、COO界限日趋模糊

“我们看到国际上有很多公司将CIO（首席信息官）、CTO（首席技术官）、COO（首席运营官）之间的界限模糊化,甚至将几个职位合并成一个。”简柏特公司高级副总裁,银行、金融服务业务、保险和医疗保健业务负责人Mohit Thukral 2012年5月在北京对《CIO INSIGHT／信息方略》的记者这样说。     

数据仓库中基于模糊数据的数据立方体设计

数据仓库中的维数据或度量数据都是确定的,其多维分析也是基于确定数据展开的。在现实中,由于环境的复杂与不确定性,常常需要对模糊数据进行多维分析。文章利用隶属度函数实现确定数据的模糊化,形成基于模糊数据的数据立方体,用以展开多维分析。     

巧借网络实现照片移轴镜特效

很多喜欢摄影的“摄友”们对移轴镜摄影并不陌生,这种方法拍摄出来的照片风格独特,可以让照片中的景色与人物的距离感模糊化,最终作品还具有独特的立体感。不过,这种移轴镜效果的照片需要有专用的镜头配合才能完成拍摄,而这种专业的多轴镜镜头一般价格都不菲（有的甚至在1000美元以上）。     

模糊化的无线传感节点自适应定位算法

节点定位是无线传感网络的研究基础,具有重要的研究价值和研究意义.现有定位算法主要分为测距相关的算法(range-based)与测距无关的算法(range-free)两类.前者通常使用未经处理的、包含环境噪声的测距信号,导致其定位稳定性较差;后者常使用节点间的连通性信息,导致其定位精度相对较低.针对该现状,本文提出一种基于模糊处理的节点自适应定位算法(fuzzy localization, FL).FL算法首先收集有关测距信息,然后对测距信息进行模糊化处理,最后采用自适应算法计算节点位置.FL算法对测距信息的模糊化处理,减少了环境噪声对定位的影响,提高了节点定位的稳定性;同时细化了通讯半径内的距离估计,提高了节点的定位精度;且自适应算法能对模糊化过程进行自适应控制,取得有效模糊化参数.实验结果表明,与DV-Hop算法和Spring算法相比,FL算法减少了约31%和6%的定位误差,且定位稳定性较好.     

一种多传感器信息融合的可能性关联方法

由于传感器测量数据的不确定性,导致传统的关联方法关联正确率不高。引入可能性理论来表述测量数据的不确定性,很好地反映测量值与目标真值的相容程度,并建立了一种基于可能性分布的关联模型,将测量值与目标在特征分量上的统计距离进行模糊化,构造测量值关于目标的可能性分布,并量化二者之间的模糊关系,使关联问题转化为一种多目标决策问题。仿真实验验证了方法的有效性。     

浅析模糊系统与神经网络的结合

研究了模糊逻辑系统与神经网络相结合的可行性．从知识处理的观点出发，二者可按知识表示与结构对应、推理与计算机对应、知识获取与学习对应进行系统研究；从函数逼近的观点出发，二者可用广用函数逼近意义上等价来统一处理．     

道路交通事故等级划分的探讨

从我国目前道路交通事故等级划分实践中存在的问题入手，分析研究了道路交通事故等级划分方法的不足之处；基于这些不足之处，提出了改进的等级划分理念：加入车辆类型和道路等级因素，考虑社会经济发展变化因子的影响，并进行等级模糊化，使之更符合客观情况。最后引进了模糊评判方法对道路交通事故进行了等级模糊划分的研究，在一定程度上改进了原有的分级方法。     

模糊控制在酯化反应中的应用

采用PLC设计了一种基于模糊控制的物料升温系统,克服了由于升温过快造成产品不舍格的缺点,提高了生产效率和产品质量。     

基于模糊方法的磨矿分级自动控制

基于模糊方法的磨矿分级自动控制能够很好地克服球磨机非线性、时变等因素的干扰影响,能有效地避免球磨机发生涨磨或是空磨现象。系统运行可靠,抗干扰能力强,能较好地实现球磨机恒功率自动控制,提高了设备的生产率和自动化水平,具有较好的推广应用价值。     

基于联邦卷积神经网络的鱼类检测系统

由于鱼类数据的多样性以及应用的广泛性,为了进一步提高鱼类检测的效率,以及在处理鱼类图片时提取到更高维的特征来提高鱼类检测的准确率,将卷积神经网络与联邦学习相结合,将鱼类图片数据按照非独立同分布的形式分发给用户。用户在本地训练模型,并将训练好的模型参数上传到云端,云端将完成模型参数的聚合与更新,并将更新好的参数返回到用户的终端,各个用户开始下一轮训练。以此过程来训练网络,并模拟联邦学习的过程。最后,用联邦卷积神经网络、联邦学习以及卷积神经网络分别对野生鱼类数据集上鱼类图片进行图像检测与识别,并将结果做对比。结果表明,联邦卷积神经网络模型最终的分类准确率为33.3%,传统的联邦学习的准确率为26.67%,Resnet50的准确率为87.97%,可以看出联邦卷积神经网络的分类准确率远高于传统的联邦学习。并且联邦卷积神经网络模型在训练轮数较少的情况下就可以得到较好的实验结果。联邦学习作为分布式计算的重要组成部分,它提供的快速模糊化处理以及数据独立的特性,为鱼类分类的效率和数据保护提供了有力保障。卷积神经网络也提高了联邦学习的学习效率。这使得提出的联邦卷积神经网络分类系统相比于传统的联邦学习在分...