排序方式: 共有56条查询结果,搜索用时 31 毫秒
51.
目标函数与搜索策略有效地结合可以提高软子空间聚类算法的性能。传统的软子空间聚类算法迭代求解时受初始聚类中心和噪声数据的影响极易陷入局部最优。针对该问题,提出一种改进萤火虫优化的软子空间聚类算法。算法引入目标函数和隶属度计算方法对界约束的权值矩阵进行评估并对数据样本进行分簇,将权值矩阵看成聚类问题的可行解,运用改进萤火虫算法优化求得较优的权值矩阵,从而改善聚类效果。在UCI数据集上的实验结果表明,改进后的算法能有效收敛于全局最优解,具有良好的聚类效果。 相似文献
52.
《南昌水专学报》2019,(6):102-109
非负矩阵分解(NMF)作为一种盲源分离的方法,在高光谱图像解混方面已得到广泛应用。然而由于NMF的目标函数具有非凸性,使得其极易陷入局部最小值,为了提高解混精度,通常会根据具体的问题加入一定的约束条件。受丰度矩阵体现出的稀疏性启发,基于稀疏约束的非负矩阵分解高光谱解混算法得到迅猛发展。然而目前该类方法存在对丰度系数稀疏性先验表征不充分导致算法稳定性差的问题。针对该问题,提出了一种基于光谱加权稀疏非负矩阵分解高光谱解混方法,该方法在非负矩阵分解解混模型中引入光谱加权因子刻画丰度系数的稀疏性,以促进所有像元之间的联合稀疏性。通过采用乘性迭代规则法求解该模型。模拟和真实的高光谱数据实验结果均表明本文提出的方法与现有同类算法相比在端元提取精度和丰度估计精度上都更为准确。 相似文献
53.
55.
为高效、快速求解水库优化调度问题,提出基于聚集度自适应反向学习粒子群算法。此算法首先采用聚集度策略分析种群的聚散状态,并在此基础上,提出自适应反向学习策略,生成种群中心的反向解参与进化,引导种群改变聚散状态,进一步平衡算法的勘探与开发能力。将基于聚集度自适应反向学习粒子群算法与经典的和最新的高水平粒子群算法进行比较,在所测的基准函数中,本算法在5个基准函数上都取得最优解,验证了其对连续变量函数的优化能力强于所对比算法。在求解水布垭、隔河岩和高坝洲梯级水库优化调度问题上,本算法求得总发电量为86.335 71×10~8 kW·h,求解所需时间为721 ms,相较所对比算法的调度结果,总发电量最大提高了11.860 2×10~8 kW·h,所需计算时间最大降低了21 380 ms,由此验证了基于聚集度自适应反向学习粒子群算法对水库优化问题的可行性。 相似文献
56.