基于微分演化的PSO参数选择策略

粒子群优化方法（Particle Swarm Optimization，PSO）是由Kennedy和Eberhart于1995年提出的一种基于群体智能（Swarm Intelligence）的演化计算技术，用于求解各类优化问题。PSO方法通过各种参数控制粒子的运行轨迹，并对参数设置有很强的敏感性。因此，如何为PSO方法选择最优的参数是PSO方法的关键。本文提出了一种不依赖个人经验的参数选则策略，针对特定问题，将PSO方法的性能表示成参数的函数，从而将参数选择问题转变成函数优化问题。采用微分演化（Differential Evolution，DE）方法对该函数进行优化，来确定PSO的最佳参数，收到了较好的效果。     

关于PSO方法中粒子运行轨迹的修正

粒子群优化方法（PSO Particle Swarm Optimization）由Kennedy和Eberhart于1995年提出,基于群体智能行为的演化计算方法,并广泛应用于各类优化问题.在一些研究中,对PSO的粒子收敛性及粒子运行轨迹进行了分析,有一定理论价值和指导意义,本文针对一些分析过程中存在的问题进行了讨论,并对相关结论进行了修正.     

求解不确定TSP问题的蚂蚁算法

提出了不确定旅行商问题模型,该模型将路径长度看作动态可变的。从实际应用来说,该模型考虑了交通运行中的不确定情况,比经典旅行商问题更具有灵活性及实用价值,利用该模型得到的结果将更适于指导车辆对运行路线的选择。同时提出了一种基于蚂蚁算法的混合方法求解不确定旅行商问题,并给出了解的评价标准。实验结果显示,该方法能够加速蚂蚁算法的收敛性,可以有效求解不确定旅行商问题。     

基于稀疏张量的人脸图像特征提取

在多线性主成分分析(Multi-linear principal component analysis,MPCA)的基础上提出了用于特征提取的稀疏张量主成分分析(STPCA)方法。该方法把MPCA中的特征值分解问题转化为线性回归问题,以此得到稀疏的投影矩阵,并通过该投影矩阵来降低遮挡对特征提取效果的影响。最后在Georgia tech和AR人脸库上进行对比实验,结果表明:本文方法无论在识别的精确度上还是在对遮挡的鲁棒性上都优于原有的MPCA算法。     

基于元分析的差异表达基因识别

针对传统差异表达基因识别方法不能处理异质性数据集以及分析结果偏差较大的问题,提出了一个基于元分析及标准差过滤技术的差异表达基因识别算法标准差排序分析(RS-DM)。对来自于不同实验平台的数据进行整合分析,过滤掉伪差异表达基因PDEGs,并找出遗失的真正的差异表达基因TDEGs。经实验验证,算法简单有效。     

一种基于BP网络的人体肤色模型

人脸识别已在出入安全检查、视频编码、视频监测与跟踪,基于内容的检索等方面都有着极其重要的应用。皮肤检测是人脸识别和跟踪的关键步骤。其中基于颜色的皮肤检测具有简单、快速、直观,不受物体形状变化、视点改变等影响的优点。提出了一种使用BP人工神经网络建立的人体肤色模型。该模型在不同的颜色的光照下有很好的鲁棒性。     

基于最小不确定性神经网络的茶味觉信号识别

提出了一种基于最小不确定性神经网络方法的味觉信号识别模型,使用贝叶斯概率理论和粒子群优化算法(PSO),快速而有效地确定网络结构参数,实现了对10种茶味觉信号的识别,实验结果表明了将该模型引入到茶味觉信号识别的可行性和有效性。