基于格点场数据的沙尘暴双预报模型

为提高沙尘暴预报的准确率，以描述大气环流形式的物理场格点数据作为建模样本，采用自组织神经网络对物理格点场数据样本进行聚类，构建出由大规模阵列式数据格式表示的建模样本的低维特征，再用模糊神经网络综合建模样本的一般性规律，用非典型样本进行二次建模以反映建模样本的特殊性，并设计隶属度调整方案对一般性和特殊性进行协调，由此形成兼顾建模样本一般性和特殊性的双预报模型．测试结果表明，基于特征提取方案的双预报模型体系使沙尘暴预报准确率达到80．4％．     

一种大规模样本数据的特征提取方法

针对沙尘暴样本数据的特点 ,根据专家经验依次通过聚类分析、建立典型模式类、计算中心场 ,再以样本与中心场的距离作为样本的特征 ,成功地在每个样本的几百个数据中提取到 40个特征。通过对提取特征的统计检验 ,说明了本文所用方法的有效性 ;同时 ,提出了一种建立在K L变换基础上的特征综合方法 ,协助完成关于多维特征的类间差异检验     

模糊权的神经网在沙尘暴预报中的应用

针对沙尘暴样本高维的特点，在神经网络中引入模糊权，并采用模糊权的反向传播算法训练权值，成功地建立了沙尘暴的预报模型。结果表明，此种模型具有计算量小、收敛状态好的特点。对沙尘暴样本和类似的高维数据具有较好的应用价值，     

一种新的确定K-均值算法初始聚类中心的方法

针对传统的K-均值算法聚类时初始聚类中心难以确定的缺点，利用超立方体技术，并依据同类样本中多数样本具有类似的子向量的特点，将落入同一超立方体的样本认为是一类。然后以这些样本的均值作为初始聚类的中心，实现了聚类中心的确定。通过仿真实验和应用于沙尘暴和非沙尘暴样本的分类，验证了此方法的有效性。     

基于触摸屏和PLC的多路温度监控系统

提出一种具有设备故障自动提示功能的多路温度监控系统．采用三线式PT100温度传感器、DVP-SS系列可编程控制器和2个温度模块DVP-04PT实现8路温度信号的采集与控制;采用触摸屏实现参数的显示、设定、系统故障提示等功能;给出了一种按位显示温度模块错误状态的故障提示方法．实践表明,该系统运行可靠,维护方便,节省调试和维修时间,可广泛应用于32路以下的温度控制．