基于模糊颜色提取的彩色图像分割

为了对彩色图像进行有效分割,提出了一种基于模糊颜色提取的新型彩色图像分割算法,这种算法可以有效的进行区域分割.首先,提出了一种模糊颜色提取方法,然后介绍了该算法,算法经过迭代可以选择典型的种子颜色来提取颜色分量,最后应用区域生长法可以确保所需区域的完整连通性.区别于现有的图像分割方法,本方法是将相同的像素分成几个模糊集,分割成功率提高10%左右.实验结果表明该算法可以合理分割出所需区域,避免冗余,并且具有较好的噪声抑制力和鲁棒性.     

广义模糊粗糙集的粗糙度

提出基于模糊关系的广义模糊粗糙集的α,β上、下近似算子,讨论近似算子的性质.给出广义模糊粗糙集的粗糙度,就给定的模糊集研究模糊关系对粗糙度的作用.通过算例验证该粗糙度的有效性.     

淮河水量水质联合调度风险分析

为了对淮河流域水质水量联合调度方案进行风险分析,模拟了10个调度方案,包括实时调度方案、人机交互方案和优化调度方案,选取淮河流域2个主要污染物指标CODMn和NH3-N,分别计算各方案下2种水质指标超标风险率和超标程度;同时,进一步考虑调度过程中可能产生的防洪风险和供水风险,采用多目标模糊综合决策的方法,分别考虑上述2种水质6个指标,以水质监测断面界首、鲁台子和蚌埠闸为决策断面,计算得到7种情景下各方案的优劣排序。结果表明,实时调度方案在各种情境下风险最小,为最优调度方案,人机交互方案（方案3、方案4和方案5）在各种情景下风险均比较大,为最劣方案。     

自抗扰参数模糊自整定无刷直流电机控制研究

在电机控制当中,自抗扰控制器(ADRC)是提高系统鲁棒性的有效手段之一,但是其需整定的参数过多,不便于实际操作,本文结合模糊控制技术,对自抗扰控制器的参数进行自整定,不仅保持了ADRC原有的优良性能,而且提高了其自适应能力.同时结合无刷直流电机本身的特性,推导出了BLDCM作为被控对象的二阶状态方程,仅用一个参数模糊自整定的自抗扰控制器就实现了无刷直流电机的运行控制,保证了BLDCM控制系统结构的简单性.仿真表明,此控制系统对BLDCM的内部参数的摄动和外界扰动具有很强的自适应性和鲁棒性,并且结合实验验证了其可行性和有效性.     

基于模糊数学的安全多播批量密钥更新方法

提出一种基于模糊数学的批量密钥更新方法,当时钟间隔到来时,综合考虑成员变动数量、成员变动率及时间间隔等各种因素以确定是否更新。仿真试验表明,该方法相对于固定间隔密钥更新方法在密钥更新性能上有所提高,而且具有更好的灵活性,能适应各种多播应用的需求。     

绝对值方程的初始含解区间的求解算法

对于求解绝对值方程的区间算法,提出了绝对值方程的初始含解区间的一个求解算法。该算法通过分析一类特殊的区间线性方程组的解集性质,得到了绝对值方程的含解区间。理论分析和数值算例都说明算法是正确且有效的。     

BL代数的区间值(∈,∈∨q)-模糊滤子理论

研究了BL代数的区间值(∈,∈∨q)-模糊滤子理论。在BL代数中引入区间值(∈,∈∨q)-模糊对合滤子和区间值(∈,∈∨q)-模糊结合滤子两类新概念,获得了它们的几个等价刻画。详细讨论了BL代数中各类区间值(∈,∈∨q)-模糊滤子间的关系,证明了一个区间值模糊集为区间值(∈,∈∨q)-模糊布尔(关联)滤子当且仅当它既是区间值(∈,∈∨q)-模糊正关联滤子又是区间值(∈,∈∨q)-模糊对合滤子的结论。     

五台山世界遗产地游客满意度实证研究

为把握世界遗产地五台山景区的旅游业发展现状,提升景区知名度与影响力,通过实地向游客发放问卷和现象访谈相结合的办法,采用模糊数学评价法对五台山世界遗产地的游客满意度进行综合评价.结果表明:被访游客对景区的总体满意度为基本满意,对景观价值、政府部门的管理与服务方面比较满意,对旅行社服务、餐饮、住宿、交通满意度一般,而游客对购物和娱乐项目最不满意.在此基础上,为五台山景区旅游经营管理提出了相应的建议与对策.     

基于改进k-均值聚类的纸币冠字号图像分割算法

针对传统彩色图像分割方法的局限性,提出了基于HSI色彩空间和改进K-均值聚类的图像分割方法,通过将彩色图像分解成三个相互独立的H、S、I分量,利用各个分量特点及其直方图确定聚类类别和初始聚类中心,在高饱和度区和低饱和度区分别聚类,并将聚类结果合并取交集,从而分割出目标区域.将该方法用于纸币冠字号码图像分割,经仿真验证,结果不受噪声和局部边缘变化的影响,分割效果得到明显提升,为后续冠字号准确识别提供了良好的基础.     

Research and Implementation of the Enterprise Evaluation Based on a Fusion Clustering Model of AHP-FCM

Traditional clustering method is easy to slow convergence speed because of high data dimension and setting random initial clustering center. To improve these problems, a novel method combining subtractive clustering with fuzzy C-means （FCM） clustering will be advanced. In the method, the initial cluster number and cluster center can be obtained using subtractive clustering. On this basis, clustering result will be further optimized with FCM. In addition, the data dimension will be reduced through the analytic hierarchy process （AHP） before clustering calculating. In order to verify the effectiveness of fusion algorithm, an example about enterprise credit evaluation will be carried out. The results show that the fusion clustering algorithm is suitable for classifying high-dimension data, and the algorithm also does well in running up processing speed and improving visibility of result. So the method is suitable to promote the use.