侦月天狼的博客

本文提出了一种新的神经模糊系统的结构和学习方法，该方法能自动确定神经元的数目、成员函数的中心位置以及在线模式下处理速度快的接收场参数。这种方法的基本思想是在有监督学习和自学习范式的帮助下调整突触权重和成员函数。解决这个问题的方法与在线神经模糊系统的发展有关，该系统可以在不确定条件下处理数据。结果证明了所开发的体系结构和学习过程的有效性。

摘要边缘检测在图像处理中起着重要的作用，有助于对目标进行分类和识别等操作。这是提高图像清晰度的唯一方法。常用的边缘检测技术如Sobel、Prewitt、Canny、Laplacian of Gaussian（对数）、Roberts和Zero Crossing等都吸引了研究者的注意，对这些技术进行了比较分析，但使用了不同类型的图像进行模糊处理除外。基于模糊逻辑的边缘检测算法的发展和与现有算法的比较变得非常重要，因为像素的边界识别图像DEG如预期的那样清晰，因此使用CRISP值的其他边缘检测算法将忽略一些重要的信息像素，这会降低图像的质量。图像边缘检测，并通过适当的解释进一步应用。本研究进一步扩展了边缘检测技术的最优性研究，通过比较Sobel、Prewitt、Canny、Laplacian和Roberts的边缘检测算法与我们使用Matlab设计的基于模糊的边缘检测算法。结果表明，在三种不同的图像实验中，本研究开发的模糊边缘检测算法优于Canny、Sobel、Prewitt、Roberts和Log边缘检测算法。

自动驾驶汽车引入具有挑战性的研究领域学科。一个挑战是用双传感器探测障碍物信息的组合，以生成环境，可用于路径规划和决策。利用两个Velodyne多光束激光扫描仪演示传感器融合。但是可以扩展所提出的双租金传感器的传感器融合框架类型。传感器融合方法高度依赖于精确的姿态估计， 在任何情况下都不能保证。基于考虑姿态估计不确定性的德普斯特-沙弗理论使用一个示例进行讨论和比较，尽管没有在测试中实现车辆。基于融合的占用网格图，对动态障碍物进行跟踪，得速度估计不需要任何对象或轨道关联方法。实验在实际数据和模拟测量中进行，为其提供了基本事实参考。占用网格映射算法在中央和图形处理上运行单位，允许对两种方法进行比较并强调根据应用情况，最好使用哪种方法。

对比度增强是一种新兴的图像增强方法，在特定的应用中，对图像进行更清晰的分析，以便在空间领域进行解释和分析。对比度增强的目标是为输入图像提供服务，以便生成的图像更适合特定的应用程序。黑白灰度阶跃较好的图像通常是人类感知的最佳图像，本文提出了一种基于模糊逻辑的新方法。为了提高基于不同隶属度函数（MFS）的图像对比度，开发了MADMANI模糊推理系统模型。