基于LVQ神经网络的水果图像分割研究

由于传统边沿检测算子在水果颜色多样、亮度不均匀时,难以分割得到完整、无噪声的二值图像且依赖优化的阈值,本研究提出了一种基于LVQ神经网络的水果图像分割方案。首先将彩色图像转变为灰度图像;然后对Canny算子获得的边沿图像随机选取一些像素作为网络的学习监督信号,仅以灰度图像中相同位置像素3×3邻域的Kirsch算子梯度值作为输入,训练权值;最后重新将原灰度图像的Kirsch算子梯度值输入到训练好的网络中,获得封闭的边沿并填充得到二值图像。考察了14幅像素为640×480的水果图像,结果表明：网络在很宽广的阈值范围内（0.001 ~ 0.99）分割得到完整、一致的二值图像;面积误差最小为0.9%,最大为8.83%,不依赖于优化的阈值,不需要对原始图像滤波预处理。与没有阈值及滤波的算法相比,本方案的误差和时间复杂度均更低;与设置了阈值和/或滤波的算法相比,本方案与之相当,甚至效果更优。     

广义实型密度加权平均中间算子及应用

针对普遍存在的向量、矩阵等多维的数据形式,将面向点值的密度加权平均中间(DWA)算子拓展为广义实型密度加权平均中间(GR-DWA)算子.给出了通用的数据元素聚类过程,该过程能够对点、向量、矩阵等3种类型的数据进行有效分组.研究了一种兼顾"规模"与"功能"信息的密度加权向量设置方法,并给出了3种参数确定思路,以支持主观、客观或主客观结合等多种决策方式.定义广义实型密度算术平均(GR-DWAAA)算子,并探讨了GR-DWA算子在多属性群决策中的多种运用途径.最后,给出了GR-DWAAA算子处理多属性群决策问题的一个应用算例,算例的结果验证了算子的有效性.     

服务驱动的制造网格系统

就服务在制造网格系统的应用层面上的行为特性展开研究,提出基于工艺信息的制造网格服务的静态结构和动态过程,分析了制造网格服务的服务请求与响应过程,以及制造网格服务的分裂和衍生过程,设计了相应的制造网格服务结构演算算子,并就制造网格系统服务响应流程与企业的实际业务处理之间的集成进行了描绘和实例说明.     

基于多元共生遗传神经网络的藻类预测仿真

提出一种多元共生遗传神经网络(PGANN),从遗传算法和神经网络——进化和学习两方面及其相互关系着手完善进化过程,以提高优化效果和泛化能力。该算法包括一个共生平衡交叉算子,一种多元选择策略和一种神经网络的分级优化策略,其中共生平衡算子能够兼顾进化过程中的方向性、多样性和自适应性;多元选择策略能够适应进化过程不同时段对选择压力不同的需求;而分级优化使运算规模和运算速度之间的矛盾得到缓解。将该改进的遗传神经网络PGANN应用于水库和湖泊有毒的优势蓝绿藻爆发预测,取得了满意的效果。     

缓冲算子的光滑性

针对人们对缓冲算子提高建模精度原因的认识误区,提出了缓冲算子光滑性的概念,给出了缓冲算子能否提高序列光滑性的判别条件,分别研究了弱化缓冲算子和强化缓冲算子的光滑特性,并以实例加以验证.结果表明,弱化缓冲算子一定可以提高序列光滑性;而强化缓冲算子却在降低序列光滑性的同时提高了预测精度.提高序列的光滑性和消除冲击扰动因素的影响是提高灰建模精度的两个不同方面,对于稳定系统,序列光滑性是影响建模精度的主要因素,而对于冲击扰动系统,影响建模精度的主要因素是系统的冲击扰动.     

一种在未知噪声下的快速波达方向估计方法

提出了一种基于传播算子方法的波达方向估计（direction of arrival, DOA）算法,和传统的子空间方法相比,该方法不需要进行矩阵特征分解,有效降低了运算复杂度,同时它对相干信源有更高的分辨率。另外,传统的传播算子方法只在噪声协方差矩阵已知并且信噪比（signal-to-noise ratio, SNR）较高的情况下才有很好的分辨率,而本方法在未知相关噪声场中也能够保持非常高的精度。最后,引入了基于混沌优化思想的谱峰搜索算法,进一步减少了算法运算时间,并通过仿真实验验证了文中结论。     

基于依赖型算子的不确定语言多属性群决策法

研究了属性权重以实数形式给出、属性值以不确定语言变量形式给出的多属性群决策问题。基于不确定语言变量的运算法则,给出了一种基于不确定语言变量及其运算法则的新算子：依赖型不确定语言有序加权几何 (dependent uncertain linguistic ordered weighted geometric, DULOWG) 算子。与该类算子相关联的加权向量依赖于被集结的不确定语言变量,并且对错误或有偏见的不确定语言变量赋予较低的权重来减轻不公平性对评价结果的影响。提出了一种基于ULWGM算子和DULOWG算子的不确定语言多属性群决策方法,并进行了实例分析。     

基于最小方差的动态综合评价方法及应用

利用时序加权平均(time order weight averaging operator, TOWA)算子和时序几何平均(time order weighted geometric averaging operator, TOWGA)算子对时序立体数据进行降维处理,并给出了确定时间权重的最小方差法。在事先给定的时间度的情况下,尽可能地寻找一组最稳定的时间权重系数来集结样本值,即寻找一组时间权重系数使其波动最小。最后,运用该方法进行了算例分析,并且将算例结果与熵值规划法进行了比较分析,验证了方法的有效性,总结了最小方差法的特点。     

基于强“奖优罚劣”算子的多指标灰靶决策模型

对多指标灰靶决策模型进行了研究。提出了对三种类型指标进行标准化处理的强“奖优罚劣”算子,相较于原有的线性的“奖优罚劣”算子,这种非线性算子进一步加大标准化后同指标各方案的数据的区分度,从而可以提高决策质量。以各方案靶心距平方和最小为目标建立了优化模型,并使用拉格朗日函数求解来得到各指标权重,并以此为基础构建了灰靶决策模型。最后,以实例说明了基于强“奖优罚劣”算子灰靶决策模型的合理性及算法的有效性。     

多群体优良模式自学习遗传算法

针对经典遗传算法存在的问题,提出了多群体优良模式自学习遗传算法.引入了迁移与学习算子,以提高遗传算法的有效性与收敛性.通过对Goldstein和Price函数的优化计算,说明了该方法具有良好的全局搜索能力和较快的收敛速度.