关于汽车制动优化问题,由于汽车制动器摩擦系数的干扰,产生汽车制动振荡现象,系统的模型是一个由线性与非线性糅合的系统,针对非线性部分难以建立数学模型,采用传统的BP神经网络进行系统辨识,在辨识过程中常常出现收敛速度慢、易导致局部极值等不良现象,从而影响系统辨识的速度及其信号的跟踪性。为解决上述问题,结合模糊推理系统模型具有控制精度高与神经网络自学习的功能,提出了使用神经模糊系统来进行非线性动态部分辨
目的 探讨早期食管癌和高级别上皮内瘤变行内镜黏膜下剥离术(ESD)后非治愈性切除的危险因素.方法 回顾性分析南京医科大学附属淮安第一医院消化内科收治的153例行ESD的早期食
在创新扩散的巴斯模型的基础上,提出了一种新的模型参数估计方法——采用蚁群算法作为巴斯模型参数估计方法。给出了运用蚁群算法思想设计的具体参数估计方法,并以中国移动通信技术的扩散为例,应用巴斯模型对其扩散趋势进行了实证研究,通过对蚁群算法和最小二乘法、遗传算法等传统参数估计方法估计结果的比较分析,得出结论,采用蚁群算法作为巴斯模型的参数估计方法效果更好。最后对中国移动通信技术的扩散趋势进行了预测并提出
针对Pellet1.4(简称Pellet)推理机的本体概念分类算法效率较低,为了通过减少调用ABOX推理概念间包含关系来提高分类性能,提出了一种全局标记方法。方法首先对所有节点嵌入一个二维散列mark,用于节点存储与其他节点的包含关系标记,然后在推理过程中通过ABOX的推理结果,动态修改相关节点中mark的标记信息。最后充分利用以前的推理结果所修改的标记信息来减少ABOX一致性检测次数。通过使用全
医学影像分割是计算机辅助诊断中的一项基础且关键的任务,目的在于从像素级别准确识别出目标器官、组织或病变区域。不同于自然场景下的图像,医学影像往往纹理复杂,同时受限于成像技术和成像设备,医学影像噪声大,边界模糊而不易判断。除此之外,对医学影像进行标注极大依赖于医疗专家的认知和经验,因此可用于训练中的标注数据少且存在标注误差。由于上述的医学影像边缘模糊不清、训练数据较少和标注误差较大等特点,基于传统图像分割算法搭建的辅助诊断系统难以满足临床应用的要求。近年来随着卷积神经网络(CNN)在计算机视觉和自然语言处理