不确定广义系统的镇定

针对输出反馈下不确定广义系统的可镇定问题,从状态反馈下闭环广义系统的稳定性问题入手,利用矩阵不等式,依次给出不确定广义系统可镇定、关联不确定广义大系统的分散可镇定、以及关联不确定广义大系统在执行器故障、传感器故障下分散可镇定的充分条件。由此推广到输出反馈,给出了输出反馈意义下的广义系统可镇定、关联不确定广义大系统的分散可镇定、以及关联不确定广义大系统在执行器故障、传感器故障下分散可镇定的充分条件(即完整性设计)。其中反馈控制器的设计方法简明而又统一,便于应用。最后用数值例子来验证所给结果的有效性。     

雷达组网中联合数据关联与偏差估计方法研究

针对雷达组网目标跟踪系统中,单雷达系统偏差严重影响多雷达航迹数据关联及融合跟踪质量的问题,提出了一种联合数据关联与系统偏差估计的方法。该方法利用对雷达系统偏差不敏感的新特征量———目标参照拓扑对多雷达航迹进行自适应的预关联,然后根据关联质量选择可靠的关联航迹对作为雷达系统偏差估计的先验信息,最后应用递归最小二乘算法进行偏差估计,估计结果可为预关联过程提供依据。在无需外界提供关联先验信息的情形下,该方法实现了对静态系统偏差的在线估计,从而可以进行及时的校准,保证了后续数据处理的有效性,具有很高的工程应用价值。仿真结果表明了该方法的有效性。     

基于知识的垦利县土地利用／覆被遥感信息提取技术研究

针对黄河三角洲地区地物光谱特征混杂严重、土地利用／覆被遥感信息提取对目视解译依赖程度高的特点，文中以位于黄河入海口的垦利县为研究区，尝试将基于知识的遥感信息提取技术应用于该地区．通过对地物光谱特征的深入分析，建立了多个专题信息提取模型，辅助进行旱地、林草地、沙地、盐碱地、农村居民点、坑塘、河流等类型的信息提取，实现对遥感数据的深入挖掘；同时，依据经验知识以及土地利用现状信息、土壤信息等本底资料，建立了各用地类型提取规则，进行土地利用／覆被信息计算机自动提取．分类结果的精度评价表明：在没有进行任何人为修正的情况下，该方法面积精度达到了81．8％，空间精度为84．5％，实现了该地区快速和较高精度的计算机自动分类，取得了理想的研究结果．该方法可为其他光谱特征混淆严重地区进行遥感信息提取提供借鉴和参考．     

基于知识的垦利县土地利用-覆被遥感信息提取技术研究

针对黄河三角洲地区地物光谱特征混杂严重、土地利用/覆被遥感信息提取对目视解译依赖程度高的特点,文中以位于黄河入海口的垦利县为研究区,尝试将基于知识的遥感信息提取技术应用于该地区.通过对地物光谱特征的深入分析,建立了多个专题信息提取模型,辅助进行旱地、林草地、沙地、盐碱地、农村居民点、坑塘、河流等类型的信息提取,实现对遥感数据的深入挖掘;同时,依据经验知识以及土地利用现状信息、土壤信息等本底资料,建立了各用地类型提取规则,进行土地利用/覆被信息计算机自动提取.分类结果的精度评价表明在没有进行任何人为修正的情况下,该方法面积精度达到了81.8%,空间精度为84.5%,实现了该地区快速和较高精度的计算机自动分类,取得了理想的研究结果.该方法可为其他光谱特征混淆严重地区进行遥感信息提取提供借鉴和参考.     

创业应了解哪些法律知识？

设立企业从事经营活动，必须到工商行政管理部门办理登记手续，领取营业执照，如果从事特定行业的经营活动，还须事先取得相关主管部门的批准件。我国企业立法已经不再延续按企业所有制立法的旧模式，而是按企业组织形式分别立法，     

农业专家系统知识库的研究

简单介绍了小麦农业专家系统的基本组成和系统内部框架结构,以及知识表达方法和设计流程。通过实例详细论述了知识库的构建和知识规则的编辑,同时采用山西省各乡镇的海拔、纬度、生态栽培区等作为前提条件构建了山西省小麦专家系统知识库的品种决策模块,并用具体实例给出决策推理结果。     

调剖措施效果影响因素的不确定性及其关联分析

为了考察油田影响调剖措施效果的各种因素，将调剖措施看成灰色系统，用灰色关联分析的方法分析各种影响因素对调剖措施效果的关联度，确定出影响措施效果的主要因素。统计了东辛油田近3a共29井次的调剖措施效果，选取井组储量、含水率等7种因素作为主要影响因素。经灰色关联分析得出，该油田调剖措施效果影响因素的影响程度从大到小排序为含水率、井组连通率、调剖轮次、调剖剂用量、渗透率变异系数、原油粘度、并组储量。     

气象数据仓库建立及数据统计与挖掘

将数据仓库技术应用于气象数据,建立气象数据仓库,利用联机分析的快速数据统计和数据挖掘的自动知识发现技术,从海量历史数据中发现知识,为气象服务提供决策支持,以期数据资源的充分利用且同时服务于实际气象应用领域。     

Subsumption Checking between Concept Queries in Different Ontologies Based on Mutual Instances

This paper proposes a checking method based on mutual instances and discusses three key problems in the method： how to deal with mistakes in the mutual instances and how to deal with too many or too few mutual instances. It provides the checking based on the weighted mutual instances considering fault tolerance, gives a way to partition the large-scale mutual instances, and proposes a process greatly reducing the manual annotation work to get more mutual instances. Intension annotation that improves the checking method is also discussed. The method is practical and effective to check subsumption relations between concept queries in different ontologies based on mutual instances.     

Incorporating Domain Knowledge into Data Mining Process： An Ontology Based Framework

0 IntroductionTeosda,yth meyan hya voerg daantiazbaatisoenss t hhaatv ec hmaonrgee t ahnadn glarrogwe cdoatnatibnaus--ously. One of the i mportant research issues is incrementalmining. Otherwise, various researchers have made sugges-tions that domain knowledge should be incorporated intoknowledge discovery ( KDD) process[1]. We focus on somesteps of the KDDprocess-those steps tying up with data min-ing,called a data mining (DM) process .Agrawalet al[2]showed an active data mining process ,…