一种基于模糊神经网络的非线性系统故障诊断方法研究

提出了一种基于模糊神经网络的非线性系统故障诊断方法.利用模糊C 均值聚类法对测量空间进行分割,再利用模糊规则对分割后的子空间分别采用BP网络进行逼近,从而获得不同子空间故障输出与测量输入的非线性动力学特性.计算机仿真表明该网络具有良好的泛化性能,方案可行.     

基于灰色聚类和模糊综合评判的装备——装备群健康状态评估

针对目前装备健康状态评估存在的问题，建立了一个基于灰色聚类和模糊综合评判的“装备-装备群”两级评估模型。该模型利用灰色聚类法来评估单个装备的健康状态，将得到的单个装备健康状态的聚类系数向量作为模糊综合评判的隶属度向量，利用模糊综合评判技术来评估装备群的整体健康状态。详细论述了评估模型建立的关键问题：健康状态的分级、评估指标、白化权函数以及权重的确定。最后通过实例分析表明，该模型评估结果合理，可操作性强。     

基于模糊聚类的多目标跟踪算法

提出了一种新的基于模糊聚类的多目标跟踪算法,该算法通过一种改进的模糊聚类算法,首先得到可能的目标数和测量点迹与目标预测位置之间的隶属度,然后结合Kalman滤波将隶属度作为权值系数对预测新息向量进行加权,来实现目标状态估计的更新。仿真结果表明,传统数据融合多目标跟踪算法,一般需要假定目标数并且在多目标密集时易产生关联错误而导致跟踪发散,新算法通过模糊聚类客观有效地确定了目标数并且通过加权过程保证了对多目标密集时的高精度。     

基于蚁群算法的图像边缘检测研究

将蚁群算法应用于图像分割领域,提出了一种新的基于蚁群算法的图像边缘检测方法。详细阐述了蚁群算法与该方法的基本原理和具体实现过程。为了提高算法效率,进行两处改进,第一将蚂蚁初始位置由随机放置修改为放置在图像边缘附近,可取一图像灰度梯度阈值来实现,第二将信息激素强度和启发式引导函数值均定义为像素点灰度梯度值的函数。大量实验结果证明了该算法能有效地检测出图像边缘,而且具有适应性强、效率高等特点。     

基于一乘准则的LMR在声音转换中的应用

线性多变量回归中聚类数的选择对转换效果有很大影响,通过研究聚类数与类内均方差、类间均方差的关系确定最佳聚类数。针对传统二乘规则的 LMR 的转换语音在听觉上自然度较差的缺陷,提出了基于一乘规则的 LMR,采用遗传算法解决绝对值条件下转换矩阵的求解问题,实验仿真表明,基于一乘规则的 LMR 的转换语音在主观听觉上优于基于二乘规则的 LMR,ABX 测试识别率平均提高了12.5%,MOS 分提高了0.24。     

基于均分簇算法的战争Ad Hoc网络广播风暴抑制

网络广播是维持网络正常运作的基本手段,但Ad Hoc网络拓朴的频繁变化,将使网络广播无法进行收敛,形成广播最终会使本来就受限的资源趋于濒绝,网络无法通信而瘫痪.为此,提出了一种自适应均分簇理论SACA,通过分层虚拟子网的过滤与阻隔算法,有效地抑制网络广播风暴.     

基于模糊聚类方法的机场目标选择模型

在现代战争中,机场作为一个战略级别的目标,要发挥其整体的作用需要目标群中的每个子目标都能最大限度地相互配合,使其本身的价值充分地体现出来.针对当前在目标选择上片面的问题,根据模糊聚类方法的基本原理,结合机场本身的特征进行改进,构建了机场目标选择模型,通过计算,证明可以克服以往目标打击方案界定的不明确性,避免了选择目标的单一化.     

基于激光雷达的移动机器人实时位姿估计算法

提出一种基于二维激光雷达的移动机器人实时位姿估计算法。该算法首先将环境数据聚类为不同的障碍物,然后利用障碍物的特征匹配来关联相邻2帧的障碍物,最后通过优化位置序列间的方向角实现机器人的位姿估计。与ICP（迭代最近点）算法对比验证表明：该算法与ICP具有相同数量级的位姿估计精度,且明显提高了计算效率。     

一种应用聚类技术检测网络入侵的新方法

基于聚类技术提出了一种能处理不带标识且含异常数据样本的训练集数据的网络入侵检测方法。对网络连接数据作归一化处理后 ,通过比较数据样本间距离与类宽度W的关系进行数据类质心的自动搜索 ,并通过计算样本数据与各类质心的最小距离来对各样本数据进行类划分 ,同时根据各类中的样本数据动态调整类质心 ,使之更好地反映原始数据分布。完成样本数据的类划分后 ,根据正常类比例N来确定异常数据类别并用于网络连接数据的实时检测。结果表明 ,该方法有效地以较低的系统误警率从网络连接数据中检测出新的入侵行为 ,更降低了对训练数据集的要求。     

一种自动镜头聚类方法

镜头聚类是视频内容分析的重要途径。镜头聚类的基本任务是基于镜头的物理特征对镜头进行分类。本文设计和实现了一种新的镜头聚类方法 ,这种方法从一个初始分割开始 ,经多次聚类分裂与合并的迭代 ,自动地进行误差校正。这种方法既不需要通过人工交互来解决试探聚类方法的误差调节问题 ,也不需要迭代聚类算法中难以确定的经验参数和经验阈值的设定 ,克服了普通聚类方法的缺点 ,在实际应用系统中取得了较好的效果。