基于DCL算法的模糊控制规则提取

在对一些复杂的控制系统进行模糊控制时 ,由于对系统的不了解 ,很难建模 ,难以找到合适的控制规则。为此 ,介绍一种基于DCL算法的模糊控制规则的提取方法 ,并应用于实例。

一种基于改进的DCL算法与SSD检测网络的遥感影像检测方法

大尺寸遥感图像中小目标和密集目标的检测一直存在着检测准确率低、漏检率高的问题。基于此,以改进的DCL算法处理遥感影像,实现了区块划分,再对各区块的显著性区域进行提取。同时利用深度学习SSD网络,针对密集小目标,进行了目标数量及间距占比研究,并得出定量关系。实验结果显示该方法的检测准确率大大提高,漏检率大大降低,检测时间明显缩短,成功实现了大尺寸遥感影像中的目标自动识别问题。

基于改进DCL算法的模糊控制规则提取

文章以机器人的模糊控制为背景,基于Kohonen自组织竞争网络和改进的DCL算法,从输入输出数据中提取模糊控制规则,所得结果明显优于Kong和Kosko[1]的结果。

改进DCL的花卉子类细粒度分类算法

针对现有的单一细粒度识别模型不能识别无训练样本花卉子类这一实际情况,结合DCL与KNN提出了一种将细粒度特征映射到高维空间自动分类的方法,实现无训练样本的子类分类。同时针对同一花卉子类特征较为相似且可能存在类间样本不均衡问题,改进了DCL模型的损失函数(focal loss),通过对比损失(contrastive loss)加大子类的类间距,用focal loss平衡类别损失。最后在308类样本不均衡的牡丹花上进行实验。实验结果表明:改进算法后有训练样本的子类准确率为0.932,F1值为0.925,较原始DCL算法有了较大的提升,对未训练样本的子类准确率为0.903,F1值为0.888。