一种多分辨率组合的模糊神经网络分类器

提出一种多分辨率组合的分类器 (MRCC)模型和相应的学习算法 ,发展了Simpson的模糊最小最大神经网络 (FMM)方法 .它克服了原始模型的几个缺点 :训练结果不依赖于训练样本出现的次序 ,超盒扩张不受一个固定的最大尺度限制 .和原始模型的超盒相比较 ,新模型的超盒中引入了一个参数表示超盒对于训练样本的分类正确率 ,称为超盒置信度 .新的学习算法假设样本在一定尺度下均匀分布 ,从而能够在线调整超盒置信度参数 .新的学习算法采用多分辨率组合的方法 ,消除了原始算法中选择超盒最大尺度限制参数的困难 .实验表明 ,MRCC模型与原始FMM模型相比 ,分类性能更好 ,学习算法的自适应能力更强 ,建立的模糊超盒数更少 ,并行处理能力更强 .

利用多分辨率半边进行全球多分辨率DEM无缝表达

应用传统四叉树结构进行全球多分辨率数字高程模型(digital elevation model,DEM)表达时,不同层次相邻格网间会产生裂缝问题,尽管目前有许多裂缝消除的方法,但大都是属于'后期处理',且存在诸多限制。为此,引入多分辨率组合映射理论,提出了一种基于多分辨率半边结构的全球多分辨率DEM无缝表达方法。首先给出了基于多分辨率组合映射的多种全球离散格网统一表达方法和裂缝消除原理,并以球面菱形格网为例,提出多分辨率半边编码方法和坐标转换方法;然后,设计并实现了一种全球多分辨率DEM无缝表达算法;最后,应用C++语言和DirectX工具,开发了相应的可视化实验系统。实验结果表明,利用多分辨率半边结构,通过边界结点细分方法的特殊处理,球面菱形格网的四分体内部、边界和极点处均不会产生裂缝。与传统方法相比,该方法从前期的格网剖分结构上解决了多分辨率DEM格网的裂缝问题。