基于两级模糊控制的交叉路口多相位控制

用模糊控制方法对交叉路口的交通信号进行控制,提出一种面向城市交叉路口的交通信号两级模糊控制系统.该系统能够分散处理交通信息参数,有效减少模糊规则数,易于提取模糊规则,实现相位顺序、绿信比和周期均随着交通状况的变化而自适应变化;并利用混沌优化对模糊控制器的隶属度函数进行优化搜索,从而提高交叉路口的通行效率,减少车辆的延误...     

基于特征的矢量场自适应纹理绘制

针对3D流场纹理可视化方法面临的遮挡问题,提出了一种基于流场特征模糊提取的自适应稀疏纹理绘制方法.该方法建立在一种可扩展的模糊流场特征区域描述与提取算法基础上,首先通过采用模糊理论对流场特征区域进行描述,建立了流场特征的测度规则并得到相应特征向量,然后基于特征向量偏差给出了最小平方和误差准则下的模糊测度隶属度的确定方法.根据得到的流场特征模糊隶属度场,生成可突出流场特征信息的自适应高斯噪声以进行纹理LIC卷积.同时针对纹理方法难以明确表示3D流场具体方向的缺陷,提出了两种冷暖光照方法,通过在LIC卷积过程中采用冷暖光照方法突出流场具体方向显示,有效解决了该问题.实验表明,本文方法相对于传统特征提取方法更具有可扩展性.同时自适应技术的采用,有效缓解了3D流场可视化存在的遮挡和混淆现象.而冷暖光照处理的加入,则解决了纹理方法对流场具体方向表现上的缺陷.     

基于卷积神经网络与Bayesian决策的图像识别与分类记忆建模

当前热门图像分类方法大多侧重在分类能力,忽视识别新事物,然而人类认识事物时侧重认识,只在细小之处重视分类,这一点与人类记忆机制密切相关.尽管目前有许多记忆建模理论被相继提出,但大多以单词列表的形式学习,对自然图像列表的研究有限.基于此,本文提出了基于卷积神经网络与Bayesian决策的图像识别分类记忆建模方法,首先利用卷积神经网络提取图像特征,并采用二进制形式存储特征向量;然后进行视觉图像的表达,存储与提取记忆建模,将测试图像特征向量与所有已存储特征向量进行匹配对比,计算似然率值;最后在所有似然率基础上计算测试图像是新类别的几率,若该几率大于某个阈值则判别其为新类别;反之,利用Bayesian决策规则进行.图像分类.在Caltech-101与Caltech-256数据库上的实验表明所提方法能很好地应用于图像识别分类任务中.其击中率比目前代表性的稀疏表达分类(SRC)以及极限学习机(ELM)方法高,且虚报率比其他两种方法低的多.     

记忆过程的脑/心相关研究

本文首先介绍认知神经科学研究的实验范式,然后比编码／提取的非对称模型、启动效应的神经机制,情景记忆提取的两过程及其脑区和记忆是怎 的几个方面,介绍近年来认知神经科学关于记忆的研究。最后,强调了脑认和成象于心理学与脑科学的重要性。     

方位依赖阵元幅相误差校正的辅助阵元法

现有的阵列校正方法几乎都基于方位无关的阵列误差模型, 方位依赖的阵列误差校正一直以来都是阵列校正技术中的难题, 相关的研究成果报道得很少. 提出一种利用辅助阵元对方位依赖的阵元幅相误差进行自校正的新方法—ISM(Instrumental Sensors Method). 通过引入少量精确校正的辅助阵元, 该方法可以在多源情况下对信源方位和其对应的阵元幅相误差进行无模糊联合估计. 由于互耦和阵元位置误差均可以等效为方位依赖的阵元幅相误差, 所以该方法可以对多种阵列误差同时进行校正. 该方法适用于任意的阵列几何结构(包括均匀线阵); 而且其运算量小, 只需要参数的一维搜索, 不存在通常参数联合优化估计时的局部收敛问题. 此外, 该方法无需现有阵列校正算法中经常使用的阵列误差的微扰动假设, 更加符合实际的误差模型. 文中对新方法的估计性能进行了理论分析, 并用Monte Carlo计算机仿真实验验证了新方法的有效性.     

基于四元数表达的模糊矢量形态学算子

由于经典的形态学算子不能直接拓展到彩色图像处理中,提出一类基于四元数表达的模糊矢量形态学算子.该算子利用四元数表达彩色图像并结合其分解特性,将彩色图像的模值、四元数的垂直分量和角度信息作为词典编纂顺序的3个边缘分量.3个分量一方面去除了彩色图像多通道数据的相关性,另一方面更便于词典编纂顺序等级的划分.并利用模糊数学解决了现有词典编纂顺序存在的等级判定难以深层进入的问题,给出了基于四元数表达的模糊矢量排序算法.与现有的矢量排序算法相比,新的矢量排序算法同时考虑了各分量的作用,并将判定进行到词典编纂顺序的最后一层,实现了矢量的正确排序.基于新的矢量排序规则,定义了矢量形态学算子,并将新的矢量形态学算子应用于彩色图像滤波、分割中.实验结果表明,与现有的矢量形态学算子相比,新的矢量形态学算子在平滑彩色图像噪声的同时保留了图像细节,并能正确地分割多类彩色图像,具有较高的鲁棒性及实用性.     

短期记忆中信息编码与提取的实验研究

用双任务和单／双回忆的实验范式,研究短期记忆编码和提取中的中央系统（ＣＥ）的作用,实验结果显示：在提取和编码这两个阶段,都出现明显的,由竞争ＣＥ资源所引起的数字记忆成绩的下降。     

变论域自适应模糊控制器

基于模糊控制的插值形式提出以变论域为手段的自适应模糊控制器。首先定义了控制规则的单调性,证明了作为模糊控制的插值函数的单调性等价于控制规则的单调性,从而保障了在论域变化之下控制规则的无矛盾性。然后讨论了变论域伸缩因子的构造。最后给出３种变论域自适应模糊控制方法,即潜遗传自适应模糊控制方法、显遗传自适应模糊控制方法以及逐步显遗传自适应模糊控制方法。     

广义模糊系统对于可积函数的逼近性

定义了一种广义模糊系统,应用中所研究的主要模糊系统都是该系统的特例,通过讨论了广义Ｔａｋａｇｉ－Ｓｕｇｅｎｏ（Ｔ－Ｓ）系统在Ｌｐ（μ）－模意义下对于分片线性函数的逼近性,证明了该广义系统对于ｐ－可积函数是通用逼近器,若给定逼近精度,则可以估计出该系统模糊规则库的规模大小,最后给出了两个模拟实例。     

具有连续分布时滞的双向联想记忆神经网络的全局稳定性

研究了具有连续分布式时滞的双向联想记忆神经网络的平衡点的全局稳定性问题. 在对神经元的激励函数的两种较宽松的假设下, 应用Lyapunov泛函法及不等式分析技巧获得了全局渐近稳定性的两个新的充分条件. 该结果推广了有关文献中已有的结论, 数值仿真的例子证明了其有效性.     

基于Fisher模型的煤层注水可行性分析及应用

针对文献[1]和[2]分别采用模糊聚类和神经网络方法进行煤层注水可行性分析过程中共同存在的煤层适应性单一和计算机运算过程复杂问题,提出建立Fihser判别模型进行煤层注水可行性分析的新方法.选取裂隙发育程度、孔隙率、煤层湿润边角、饱和水分增值、坚固性系数、埋藏深度6个因素,以11组煤层注水实测标准数据作为样本,通过模糊...     

Forecasting Core Business Transformation Risk Using the Optimal Rough Set and the Neural Network

In the process of enterprise growth, core business transformation is an eternal theme. Enterprise risk forecasting is always an important concern for stakeholders. Considering the completeness and accuracy of the information in the early‐warning index, this paper presents a new risk‐forecasting method for enterprises to use for core business transformation by using rough set theory and an artificial neural network. First, continuous attribute values are discretized using the fuzzy clustering algorithm based on the maximum discernibility value function and information entropy. Afterwards, the major attributes are reduced by the rough sets. The core business transformation risk rank judgement is extracted to define the connection between network nodes and determine the structure of the neural networks. Finally, the improved back‐propagation (BP) neural network learning and training are used to judge the risk level of the test samples. The experiments are based on 265 listed companies in China, and the results show that the proposed risk‐forecasting model based on rough sets and the neural network provides higher prediction accuracy rates than do other widely developed baselines including logistic regression, neural networks and association rules mining. Copyright © 2015 John Wiley & Sons, Ltd.     

大规模定制模式下的顾客需求管理：获取、识别和聚类分析

为了有效处理不同客户的需求以保证大规模定制生产的规模性和经济性,提出了一种以聚类分析思想为核心的定制需求管理方法。该方法在获取客户需求信息并进行有效化处理的基础上,采取模糊聚类的方法将数量众多的单个客户转化为具有相似需求的客户群体,指导企业产品的标准化、生产的模块化以及产品族的规划设计并提升客户满意度。文章最后,结合笔记本电脑的应用实例说明了该方法的可行性和有效性。     

基于直觉模糊集的成组工序相似性评价方法

基于直觉模糊集的相异度和相似度,研究了成组工序相似关系的构造,构建了相似性评定指标体系及评定模型,提出了一种基于直觉模糊集的工序相似性分析与评判方法,从而解决了成组工序构建中的相似性评定的问题,最后通过实例验证了该方法的可行性.     

一种基于同步动力学模型的层次聚类方法

本文基于建模同步动力学行为的Kuramoto模型提出了一种新的有效层次聚类方法.本文提出的方法基于局部邻域的概念,能够实现稳定的局部同步聚类.通过不断扩大对象同步的邻域半径,所提出的方法能够实现层次化的同步聚类.此外,提出对象邻域闭包的概念,在对象间到达完全同步之前就能预测出聚类的形成,从而减少对象动态交互的时间.本文的方法不依赖于任何数据分布假设,无需任何手工参数设置,可以检测出任意数量、形状和大小的聚类.由于同步过程能够有效地规避离群点,该方法有较强的噪声数据抑制能力.在大量真实数据集和人工合成数据集上的实验结果表明本文的方法聚类准确率高,且运行时间较同类基准算法显著缩短.     

Predictive likelihood for coherent forecasting of count time series

A new forecasting method based on the concept of the profile predictive likelihood function is proposed for discrete‐valued processes. In particular, generalized autoregressive moving average (GARMA) models for Poisson distributed data are explored in detail. Highest density regions are used to construct forecasting regions. The proposed forecast estimates and regions are coherent. Large‐sample results are derived for the forecasting distribution. Numerical studies using simulations and two real data sets are used to establish the performance of the proposed forecasting method. Robustness of the proposed method to possible misspecifications in the model is also studied.     

一种基于模糊聚类的新型入侵防御攻击系统模型

本文从降低传统入侵防御系统检测引擎的虚警率、漏警率与增强主动防御能力方面入手,给出了一种基于模糊聚类的入侵防御系统检测引擎实现方案;并探讨了将蜜罐技术与入侵防御系统相结合的可行性;进而提出了一个全新的入侵攻击防御系统模型。在这个模型中,入侵防御系统同时具有了实时防御与攻击防御的能力。     

Memory

The molecular mechanisms underlying the induction and maintenance of memory are highly dynamic and comprise distinct phases covering a time window from seconds to even a lifetime. Neuronal networks, which contribute to these processes, have been extensively characterized on various levels of analysis, and imaging techniques allow monitoring of both gross brain activity as well as functional changes in defined brain areas during the time course of memory formation. New techniques developed in honeybees and fruit flies even allow for manipulation of neuronal networks and molecular cascades in a short temporal domain while a living animal under observation acquires new associative memories. These advantages make honeybees and flies ideal organisms to study transient molecular events underlying dynamic memory processing in vivo. In this review we will focus on the temporal features of molecular processes in learning and memory formation, summarize recent knowledge and present an outlook on future developments.