改进萤火虫优化算法的Renyi熵污油图像分割

针对传统Renyi熵方法在分割污油图像时存在图片差距大、无法根据不同图片进行最优分割的问题,提出改进萤火虫算法对二维Renyi熵分割算法中的α值进行寻优来解决上述问题。分析了采集的污油图片特点以及对污油图片进行分割的必要性;针对多目标寻优精度不高和后期收敛速度较慢的问题,对萤火虫算法进行了改进,并对初始萤火虫位置进行混沌优化处理,使结果达到全局最优;利用基于改进萤火虫算法的Renyi熵图像分割算法对采集的污油图片进行阈值分割实验,并与二维Renyi熵分割、粒子群算法(PSO)Renyi熵分割方法进行比较。实验结果表明:本文提出的算法可以有效地对污油区域进行分割,能够快速地实现复杂图像的精确处理。     

一种基于广义互信息的图像配准算法

互信息作为图像配准中的相关度矩阵有着广泛的应用,通常采用的是基于Shannon熵的互信息。采用一个广义的信息熵——Renyi熵,提出了一种基于广义互信息的图像配准方法。在全局搜索阶段,采用q取较小值的Renyi熵,此时,Renyi熵可以消除局部极值,再通过局部优化方法对当前的局部最优解进行局部寻优,以找到全局最优解;在局部优化阶段,使用基于q→1时的Renyi熵的归一化互信息测度作为目标函数。实验结果表明:相对于归一化互信息图像配准算法,基于Renyi熵的互信息配准算法有良好的配准效果,且提高了配准速度。     

基于蚁群优化的无线传感器网络最适路由算法

如何在资源有限的条件下进行实时、高效的数据路由是无线传感器网络的研究热点之一。针对不同应用设计目标的差异性问题,提出一种基于改进蚁群算法的最适路由选择算法。因设计目标的不同,引入一个新的路由选择度量,兼顾实时性、能源效率和负载均衡等方面,并结合蚁群算法的寻优特点,对无线传感器网络最适路由选择问题进行优化。仿真结果表明,最适路由选择算法能够在满足不同设计目标的前提下,延长网络寿命,实现无线传感器网络实时、高效的路由。     

基于混合互信息的医学图像配准

通常的互信息测度是基于Shannon熵的,对Renyi熵进行分析,根据某些参数下的Renyi熵可以消除局部极值、而Shannon熵对于局部极值具有很强吸引域的特点,提出一种使用Renyi熵和Shannon熵的混合互信息测度,将两种测度分别用于不同的搜索阶段,首先使用全局搜索算法寻找基于Renyi熵的归一化互信息测度的局部极值,再通过局部优化方法对当前的局部最优解进行局部寻优以找到全局最优解,在局部优化阶段使用基于Shannon熵的归一化互信息测度作为目标函数。实验表明,这种配准算法比单纯使用Shannon熵能够取得更准确的配准结果,而且求解速度得到提高。     

基于多态蚁群系统的无线传感器网络数据聚集算法

针对无线传感器网络能量受限的特点，将多态蚁群系统原理用于无线传感器网络的数据查询和聚集中，提出并仿真实现了一种能够均衡无线传感器网络能耗的算法。仿真结果表明，基于多态蚁群系统的无线传感器网络数据聚集算法能够有效延长无线传感器网络在执行数据查询和聚集任务时的生存时间。     

混沌粒子群算法在矩阵秩RSSI算法中的研究

为了解决RSSI算法中矩阵的冗余度并且延长整个无线传感器网络的生命周期,在RSSI算法的基础上提出了一种基于矩阵秩的混沌粒子群的RSSI算法。由于无线传感器网络中的节点的内存和能源的有限性,故引入了混沌粒子寻优的算法和矩阵秩的概念来解决这方面缺陷,并通过迭代得到最佳节点坐标。仿真结果表明,基于矩阵秩的混沌粒子群的RSSI算法不仅具有良好的定位精度,并且节约了节点内存和能源。     

基于DIJKSTRA的无线传感器网络分簇路由算法

为加快无线传感器网络最优路径搜索速度、减少路径寻优能量消耗和延长网络寿命,提出了基于改进的DIJKSTRA算法的无线传感器网络分簇路由算法;运用DIJKSTRA算法在无线传感器网络内以多跳接力的方式来搜寻从源节点到目的节点的最短路径;结合能耗优化策略,避免网络能耗热点问题,实现网络能耗均衡;通过与基于蚁群算法的路由算法对比分析,基于Dijkstra的网络分簇路由算法能优化网络分簇并建立较优传输路径,其快速收敛性能减缓了网络中簇头节点的能耗,延长了网络寿命,提高了网络鲁棒性。     

基于 ROS 改进算法的无线传感器网络耗能研究

成对广播同步（PBS）是无线传感器网络同步研究的重要协议。无线传感器节点具有体积受限、通信能力有限、存储空间较低、能量有限等特点,对传统的时钟同步协议改进是非常有必要的。因此,研究无线传感器网络的时钟同步算法将具有重要的意义。文章建立在仅接收端（ROS）同步基础上实现范围广阔的网络同步,并且能够在无线传感器网络节点的能耗方向有着不可忽视的作用。通过对单簇网络同步的研究,提出多簇网络同步并对多簇网络同步在无线传感器网络同步中全网成对选择算法（NPA）和基于组的成对选择算法（GPA）做出研究,并且做出了仿真对比。结果显示：在传感器节点数目较少的情况下,NPA 算法与 GPA算法处理消息包数目的性能几乎相同;在网络中传感器节点数目比较多的情况下,GPA 算法明显优于 NPA 算法,信息处理过程中大大减少了消息包数目。最后,对广播同步技术在应用中所出现的问题,提出了基于此算法的新的研究方向。     

无线传感器网络路径寻优的仿真研究

研究无线传感器网络路径寻优问题.针对无线传感器网络路径寻优同时涉及到数据传输路径的长度、传感器节点能量以及整个网络的能量均量均衡,传统的数学模型对其进行求解存在求解时间长,速度慢,得到的路径并非最优,导致网络的能量不均衡,网络生命周期短.为了快速找到传感器网络最优路径,提出一种传感器路径混合寻优方法.算法首先利用遗传算法进行全局寻优,使网络最优路径稳定地分布在解空间区域,然后采用禁忌算法进行网络路径局部寻优,最后找到无线传感器最优路径.仿真结果表明,混合算法能快速找到无线传感器网络最优路径,且消耗的能量最少,有效实现了网络负载均衡,延长了网络的生命周期.     

利用混沌布谷鸟优化的二维Renyi灰度熵图像阈值选取

为了进一步降低现有的Renyi熵阈值法的计算复杂度,提出了基于混沌布谷鸟算法和二维Renyi灰度熵的阈值选取。首先,引入一维Renyi灰度熵阈值选取公式,建立基于像素灰度和邻域梯度的二维直方图,推导出基于该直方图的二维Renyi灰度熵阈值选取公式,通过快速递推公式来减少阈值准则函数的计算量;最后,采用混沌布谷鸟算法搜索最优阈值来完成图像分割。结果表明,与二维Arimoto熵法、基于粒子群的二维Renyi熵法、基于混沌粒子群的二维Tsallis灰度熵法、基于布谷鸟算法的二维Renyi灰度熵法相比,所提出的方法能够准确实现图像分割,且运算速度有所提升。     

一种新的图像阈值分割算法

提出了一种基于区域灰度均值-梯度共生矩阵模型和二维Renyi熵原理的阈值分割方法.该方法不仅利用了图像的灰度信息,而且也利用了梯度信息,通过计算基于灰度-梯度共生矩阵的二维Renyi熵,并使边缘区域的熵最大来选择阈值.二维Renyi熵比其它二维熵多了一个参数,此参数使得二维Renyi熵能处理更多类型的图像.将上述方法进行仿真实验,并且仿真其它二维熵方法,仿真结果显示,该算法比其他二维熵方法效果更有效更一般化.     

一种新的基于二值面积形态学的车牌定位算法

车牌定位是车牌识别中的关键步骤,传统方法对车牌图像的要求较高,存一定程度上影响了车牌的识别率.提出了一种新的基于Renyi熵和二值面积形态学的车牌定位算法.首先用一维Renyi熵最小差值法将车牌灰度图像二值化,然后计算车牌图像中连通区域的面积,根据车牌图像的实际情况确定面积阈值,用二值面积形态学的开运算和闭运算去除噪声,最后实现车牌的精确定位.仿真实验结果表明此算法不仅定位精度高,运算简单,而且能够有效地滤除噪声.     

Generalized information potential criterion for adaptive system training

We have previously proposed the quadratic Renyi's error entropy as an alternative cost function for supervised adaptive system training. An entropy criterion instructs the minimization of the average information content of the error signal rather than merely trying to minimize its energy. In this paper, we propose a generalization of the error entropy criterion that enables the use of any order of Renyi's entropy and any suitable kernel function in density estimation. It is shown that the proposed entropy estimator preserves the global minimum of actual entropy. The equivalence between global optimization by convolution smoothing and the convolution by the kernel in Parzen windowing is also discussed. Simulation results are presented for time-series prediction and classification where experimental demonstration of all the theoretical concepts is presented.     

A thresholding method based on two-dimensional Renyi's entropy

In this paper, we present a new thresholding technique based on two-dimensional Renyi's entropy. The two-dimensional Renyi's entropy was obtained from the two-dimensional histogram which was determined by using the gray value of the pixels and the local average gray value of the pixels. This new method extends a method due to Sahoo et al. (Pattern Recognition 30 (1997) 71) and includes a previously proposed global thresholding method due to Abutaleb (Pattern Recognition 47 (1989) 22). Further, our method extends a global thresholding method due to Chang et al. (IEEE Trans. Image Process. 4 (1995) 370) to the two-dimensional setting. The effectiveness of the proposed method is demonstrated by using examples from the real-world and synthetic images.     

对二维Renyi熵阈值法的错误纠正

熵阈值法因其实现简单、性能稳定、具有良好的信息论背景而成为图像分割中最基本、最有效的分割方法,并在实际中得到了大量的应用。论文首先指出了有关“二维Renyi熵阈值法”一文推导过程中存在的错误;其次,给出了有关二维直方图熵阈值法的正确结论。最后,用实验结果表明结论是正确的。     

Advanced search algorithms for information-theoretic learning with kernel-based estimators

Recent publications have proposed various information-theoretic learning (ITL) criteria based on Renyi's quadratic entropy with nonparametric kernel-based density estimation as alternative performance metrics for both supervised and unsupervised adaptive system training. These metrics, based on entropy and mutual information, take into account higher order statistics unlike the mean-square error (MSE) criterion. The drawback of these information-based metrics is the increased computational complexity, which underscores the importance of efficient training algorithms. In this paper, we examine familiar advanced-parameter search algorithms and propose modifications to allow training of systems with these ITL criteria. The well known algorithms tailored here for ITL include various improved gradient-descent methods, conjugate gradient approaches, and the Levenberg-Marquardt (LM) algorithm. Sample problems and metrics are presented to illustrate the computational efficiency attained by employing the proposed algorithms.     

一种基于熵的聚类算法

给出了一种以Reny熵为评价准则的聚类算法，通过非参数估计法估计密度函数，再利用类内熵和类间熵进行聚类和确定聚类的数目。这种算法不需要用户输入与聚类有关的参数，能根据由数据的分布的特性自动获取要聚类的数目，并能发现任意形状和任意大小的聚类。实验结果显示了算法的有效性和优越性。     

Renyi熵与Tsallis熵的等价关系

描述了Tsallis熵和Renyi熵的等价关系及其在图像分割领域的应用.Tsallis熵和Renyi熵在图像分割中的应用是两种重要的全局阈值选取方法,是Shannon熵的广义形式,不仅在形式上具有等价关系,而且在应用于图像分割中也具有特殊的等价关系.这种特殊的等价关系应用在图像分割时只需任选一种熵来选取阈值.还讨论了它们自带的参数的取值对阈值选取的影响,这个参数可以针对不同类型的图像进行调节,可以得到很好的分割效果.     

基于二次Renyi熵的正则化互信息特征选择方法

提出了一种基于二次Renyi's熵的正则化互信息特征选择方法,该方法能高效地对互信息进行估计从而使计算复杂度大大降低。同时把正则化互信息特征选择方法与嵌入式方法相结合得到一个两段式特征选择算法,该算法可以找出更具特征的特征子集。通过实验比较了该方法与其他基于互信息的特征选择算法的效率与分类精度,结果表明该方法能够有效改善计算复杂度。