基于镜像阈值分解的层叠滤波器优化

层叠滤波器的优化设计是层叠滤波理论研究中最为关键的问题.阈值分解是层叠滤波器的特性之一,它有传统阈值分解和镜像阈值分解2种形式,镜像阈值分解定义的层叠滤波器不仅具有低通滤波的特性,还具有带通和高通的特性.文中在MAE准则下,提出一种基于镜像阈值分解的快速自适应层叠滤波器优化算法,该算法在迭代过程中约束代价向量的层叠性并判断其收敛性,最终获得最优层叠滤波器的正布尔函数.通过仿真实验验证最优层叠滤波器的性能.结果表明该算法设计的层叠滤波器具有良好的细节保持能力和去噪声能力,有效地改善了滤波性能.     

基于克隆选择算法的层叠滤波器的优化设计

层叠滤波器是一种非线性数字滤波器,具有良好的去除噪声能力和图像细节保持能力,近年来成为研究的热点问题之一．层叠滤波器设计的核心实际上是一个正布尔函数的优化问题,在MAE准则下,提出了一种基于克隆选择算法的层叠滤波器的优化方法．仿真实验结果表明,基于这种克隆选择算法的最优层叠滤波器不仅在滤波效果上好于基于遗传算法和基于粒子群算法的最优层叠滤波器,而且可以快速实现其优化过程,在较短时间内得到较好的效果,是一种有效的层叠滤波器的优化算法．     

遗传算法在模拟有源滤波器设计中的应用

遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。首先，该文给出了应用遗传算法求解问题的一般步骤，然后将遗传算法用于模拟有源滤波器的优化设计，其仿真结果验证了算法的有效性。     

柔性形态滤波的神经网络实现及遗传算法优化

柔性形态滤波是一种重要的非线性滤波方法.柔性形态滤波器的研究可分解为形态滤波运算和结构系统选择2个基本问题,一旦形态滤波运算选定后,柔性形态滤波性能就主要取决于结构系统的选择.该文提出了一种柔性形态滤波的神经网络模型及其网络参数(即滤波器结构系统)的遗传算法优化方法.进行优化训练的目的是为了使结构系统自适应地反映图像的形态结构特征,自动调整结构系统中硬核、边界和重复度的组成,从而提高对复杂噪声图像的滤波性能.实验仿真结果显示,该算法优化后的柔性形态滤波器性能得到较大改善,在收敛速度和滤波效果方面,其优化结果要优于简单的遗传算法.     

基于自适应遗传算法的激光图像处理

针对激光图像分割处理的问题,提出了一种基于自适应遗传算法的激光图像分割处理算法.该算法将自适应遗传算法与最大类间方差分割方法相结合,将图像类间方差作为适应度函数,利用交叉概率和变异概率动态调整自适应遗传算法求解最大类间方差的最优阈值.为了衡量该算法的处理效果,分别采用本文算法和最大类间方差图像分割算法对图像进行处理.结果表明,该算法的CI值为0. 417,能够对图像进行有效分割,且分割的准确性和运算速率均优于传统的最大类间方差分割方法,具有较高的实践价值.     

改进的自适应均值滤波算法及应用

燃煤锅炉的燃烧过程复杂且不稳定,监视系统的图像可能受到各种噪声的干扰,针对此问题,提出一种改进的自适应均值滤波算法。此算法利用自适应阈值和图像的全局统计特性对滤波系数加以优化。实验结果表明,该方法可以更有效地减少噪声,并可以保护图像的边缘信息。由于阈值选取具有自适应性,可推广应用到其它去噪领域。     

基于遗传算法的车牌定位研究

车牌识别过程中,车牌定位起着重要作用.采用基于颜色的方法对车牌进行定位时,结果显示图像下边缘丢失,不能正确定位车牌,原因是未找到最优阈值.对此,尝试提出一种自适应变异算子的改进遗传算法,该自适应变异概率改进遗传算法可以随着进化代数自适应改变,在前期具有更好的全局搜索能力,在后期也拥有更高的收敛精度.经过两个典型测试函数性能测试,改进遗传算法的有效性高于标准遗传算法.将改进遗传算法应用到车牌定位中,能够实现车牌的准确定位.     

基于小生境技术遗传算法的局部动态阈值选取

为有效地对受噪声影响的图像进行分割,引入了一种基于改进型遗传算法的局部动态阈值选取算法.该算法以灰度图的最大类间差作为适应度评价函数,将图像分割问题转化成一个最优化问题,利用遗传算法的全局优化的特点,在整个求解空间中搜索到最优分割图像的阈值.针对基本遗传算法的一些不足之处,利用小生境的思想,对其进行了一些优化.实验结果表明,基于小生境技术遗传算法的局部动态阈值选取方法具有较强的鲁棒性.     

一种新的自适应图像分割方法

目的研究图像分割的最佳阈值．方法一种基于灰度图像直方图嫡和遗传算法的自适应图像分割算法．结果在此研究中,分割问题被定义为一个优化问题,由于遗传算法能够有效地搜索分割参数空间,则以遗传算法的适应值作为质量标准．结论此方法可用于最佳阈值分割．     

一种无参考自适应的图像运动模糊修复算法

论文研究镜头运动产生图像模糊的数学建模问题,并探讨运动模糊的自适应恢复的方法。提出一种结合Weiner滤波器和遗传算法的自适应模糊去除算法。选择无参考的图像质量评价方法,对恢复图像的质量在线评价,并结合遗传算法自适应的优化处理参数,实现图像处理效果的优化。实验表明,本研究可以将以往的同类方法进行增强,提高修复图像的可辨识程度。     

混沌模拟退火粒子群优化算法研究及应用

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,提出混沌模拟退火粒子群优化(PSO)算法.引入混沌理论对粒子群优化算法的参数进行自适应调整,提高了算法的全局收敛性能|采用模拟退火(SA)算法,依据概率性的劣向转移,以一定概率接受劣解,使算法具有跳出局部最优而实现全局最优的能力.引入自适应温度衰变系数,使模拟退火算法能够根据当前环境自动调整搜索条件,从而提高算法的搜索效率.通过7个经典函数测试混沌模拟退火粒子群优化算法的性能,并将其应用于Job Shop调度问题.仿真实验结果表明,采用新算法有效地克服了停滞现象,增强了全局搜索能力,与遗传算法、粒子群优化算法相比寻优性能更佳.     

一种新的自适应退火遗传算法

在函数的全局优化算法中,模拟退火算法和遗传算法的结合可较好地改善算法的性能。基于这个思想提出一种新的自适应退火策略用于遗传算法中选择概率的计算以增强算法的收敛性,在交叉和变异概率的选取上也进行了自适应处理,以进一步改善算法的稳定性和收敛性。基于典型算例的仿真结果验证了该算法对高维复杂函数最优化的有效性和高效性,其性能明显优于传统遗传退火算法、改进的进化规划方法。     

一种求解Job-shop问题的混合排序遗传算法

利用遗传算法和模拟退火算法的优点,提出一种新的基于工序的混合排序遗传算法(HSGA).新算法具有优秀的全局搜索能力和避免陷入局部极小的特性,有很高的收敛精度.对Job-shop调度问题进行仿真试验,结果优于其他同类算法,验证了HSGA的可行性和高效性.     

采用混合遗传算法的敏捷卫星自主观测任务规划

为改进敏捷卫星观测大规模地面目标点时传统的遗传算法求解效率低下的问题,提高智能优化算法的求解效率,改进了传统的遗传算法,提出了禁忌退火遗传混合算法。首先,考虑到航天器在观测地面目标点的过程中所面临的时间约束、姿态轨道动力学约束等多种约束条件,建立了相应的适应度函数。所提出的适应度函数能够兼顾高观测收益与低观测能耗,反应了实际工程问题的观测需求。随后,为改进传统遗传算法的变异过程,提出了禁忌退火变异方法。这一变异方法在个体变异寻优的过程中,引入了禁忌搜索方法与Metropolis法则,提高了算法搜寻到全局最优解的概率,加快了算法的收敛速度。研究结果表明,与传统的遗传算法相比,禁忌退火遗传混合算法节省了约40%的算法运行时间,该算法的运行效率也高于退火遗传算法、禁忌遗传算法等其他种类改进的遗传算法,从而验证了禁忌退火遗传混合算法求解敏捷观测卫星任务规划问题的高效性。     

基于模拟退火的粒子群算法在函数优化中的应用

为了克服标准粒子群搜索算法在函数优化中出现的迭代速度慢、精度低且易陷入局部最优等缺点,提出了一种基于模拟退火的粒子群优化算法.该混合算法利用模拟退火算法中的概率突变能力,在接受新解时既能接受好解也能以一定的概率接受坏解,能够跳出算法的局部最优解,不仅提高了算法的灵活性与多样性,还能提高粒子的多样性,从而获得了较强的全局与局部优化能力.对5个非线性基准函数进行仿真实验对比后发现,混合算法在非线性复杂函数优化中具有更好的寻优能力,表现出调节精度高,收敛速度快等优点,同时避免了"早熟"现象和陷入局部最优的问题.     

七号信令网的A／B平面划分问题及其启发式解法

七号信令网拓扑优化中存在高级信令转接点(HSTP)的A/B平面划分问题,其可归纳为一类新的图的划分问题.该问题被证明难度是NP完备的,神经网络、遗传算法和模拟退火等启发式算法被应用于该问题的求解.为了算法的可比性,精心设计了试验方案,计算结果显示遗传算法和模拟退火可以很高的概率和效率搜索到该问题的最优解.     

基于遗传模拟退火算法的结构可靠性分析

为了克服一次二矩法在迭代求可靠性指标时可能不收敛或收敛于局部验算点的缺点以及现有遗传算法局部搜索效率不高的问题,提出了采用混合模拟退火与遗传算法计算结构可靠性的新方法.先采用遗传算法开始随机搜索,通过选择、交叉、变异等遗传操作产生新的个体,再对这些个体分别进行模拟退火,以其结果作为下一代群体中的个体.结合有限元计算,给出了船舶三维空间梁板结构的功能函数,并采用遗传模拟退火算法求结构可靠性指标.算例分析表明该方法计算精度高,为求解结构可靠性指标提供了一种新的思路.     

基于模拟退火算法的空间度量物化选择

为了解决空间OLAP的响应速度存在着存储空间和时间代价的矛盾,通过空间立方体的选择物化方法来实现空间要素有效而实用的选择合并,提高联机分析的响应速度.采用模拟退火算法,以空间对象面状区域的合并为例,进行空间度量物化选择,将模拟退火算法融入PIA算法中,同时把空间对象(面状)与其它类型的空间对象(点状、线状)的关联关系(交、含、邻)作为空间对象合并的共享性与实用性的考查指标,加入目标函数当中.实验结果表明:随着空间对象数据的增加,模拟退火算法与PIA算法,两种算法的时间代价仅有较少的增长,均具较好的伸缩性,在空间对象数目100~400时,PIA算法优于模拟退火算法,当空间对象数目大于400后模拟退火算法时间代价缓慢增长,而PIA算法时间代价急剧增大;在模拟退火算法中空间对象集合的空间关联度越高,选中几率越高.融入PIA的模拟退火算法具有良好的伸缩性,并提高了空间度量合并解的优化,增加了空间度量选择物化的实用性.