本文研究在云环境中手机故障案例检索时的案例匹配问题,提出了一种基于粗糙集和欧式距离的案例相似度匹配算法CMARE(Case Matching Algorithm based on Rough sets and Euclidean distance)。首先云计算平台收集手机故障参数,根据参数...本文研究在云环境中手机故障案例检索时的案例匹配问题,提出了一种基于粗糙集和欧式距离的案例相似度匹配算法CMARE(Case Matching Algorithm based on Rough sets and Euclidean distance)。首先云计算平台收集手机故障参数,根据参数构建粗糙集信息表,利用粗糙集求出信息表里各案例特征参数的属性客观权重值并结合专家经验给出综合的属性权重值,最后利用此权重值和欧式距离计算案例间的相似度,找出案例库中与新案例最相似的案例。该算法的创新之处在于确定案例属性权重值时基于数据本身和人工经验,避免了过分依靠人工经验知识设定属性权重的不足;与规则推理方式不同,本文使用案例推理的方式。仿真实例说明了算法的有效性。展开更多
文摘本文研究在云环境中手机故障案例检索时的案例匹配问题,提出了一种基于粗糙集和欧式距离的案例相似度匹配算法CMARE(Case Matching Algorithm based on Rough sets and Euclidean distance)。首先云计算平台收集手机故障参数,根据参数构建粗糙集信息表,利用粗糙集求出信息表里各案例特征参数的属性客观权重值并结合专家经验给出综合的属性权重值,最后利用此权重值和欧式距离计算案例间的相似度,找出案例库中与新案例最相似的案例。该算法的创新之处在于确定案例属性权重值时基于数据本身和人工经验,避免了过分依靠人工经验知识设定属性权重的不足;与规则推理方式不同,本文使用案例推理的方式。仿真实例说明了算法的有效性。
文摘随机散布在自然图像里的噪声失真一般会破坏图像的原始概率密度分布。研究发现,无失真自然图像和它对应的噪声图像在离散小波变换(Discrete Wavelet Transform,DWT)系数分布上有很大区别:对于自然图像,其DWT系数分布比较尖锐,峰值高,拖尾短;对于噪声图像,其系数分布则比较扁平,峰值低,拖尾长。作为一种常用的统计特征描述,峰态值可以度量和区分不同失真程度的噪声图像的DWT系数分布,而且,DWT系数分布的峰态值具有很好的频率尺度不变性。基于以上特性,提出了一种无参考噪声图像质量评价模型(Blind Noisy Image Quality Assessment model using Kurtosis,BNIQAK)。实验测试了三个最大的质量评价图像库中的五种噪声失真图像,结果表明,和现有无参考噪声评价模型、一般无参考评价模型和全参考(Full-Reference,FR)评价模型相比,BNIQAK具有更好的评价效果。
