基于测点优化的亚像素数字图像相关方法

鉴于传统数字图像相关（DIC）方法采用的布点方式（水平成行,垂直成列）很可能会将一些测点分布在散斑质量较差的位置,提出了一种基于测点优化、Newton-Raphson（N-R）迭代与粒子群优化（PSO）算法的DIC方法。首先,通过在原始测点周围寻找散斑质量较好的区域来优化测点位置;然后,采用基于N-R迭代与PSO的粗细搜索方法计算优化后（非均匀分布）测点的位移场;最后,采用二维格林样条插值算法对该位移场进行插值以获得原始测点处的位移场,再由中心差分方法获得应变场。对3幅散斑质量差别较大的散斑图上的测点进行了优化,并将传统方法和提出方法获得的应变的各种结果进行了比较。研究发现,当样本子区尺寸在21~41 pixel之间时,对于平均灰度梯度处于10~20 pixel-3,且预加应变量处于0.01~0.05之间的散斑图,采用该方法可以获得较好的测量结果,这与优化测点位置有关。若采用该方法仅对原始测点中分布在散斑质量较差位置处的那些测点进行优化,有望获得更为理想的测量结果。     

基于Newton-Raphson迭代与PSO数字图像相关方法

鉴于基于Newton-Raphson（N-R）迭代的数字图像相关方法对迭代初值的敏感性问题,提出了一种基于N-R迭代与粒子群优化（PSO）算法的数字图像相关方法。该方法利用了PSO算法中的全局搜索能力与N-R迭代中的局部搜索能力,通过它们的交替迭代以改善初值;以改善后的初值进行最后的N-R迭代。经检验,该方法比N-R迭代对初值的要求宽松。这是由于在N-R迭代与PSO算法多次交替迭代之后,位移和应变的初值都得到了一定的改善。对相似材料模型受载破坏后表面上的点的位移和应变进行了计算,获得了较好的结果。     

基于Chebyshev映射的混沌粒子群融合FCM聚类算法

在PSO融合FCM实施聚类分析中,为克服PSO迭代后期易于发生早熟这一问题,选用Chebyshev映射产生混沌序列。在粒子群初始化时,使用该映射分别初始化各粒子位置和速度,同时,在粒子群算法各次迭代运行中,使用该映射计算惯性系数,并利用适应度方差判定粒子群算法是否发生早熟。若未发生早熟,则依基于混沌惯性系数粒子群搜索最优解,当发生早熟时,则按当前粒子群迄今为止搜索到的最优位置为起点进行混沌搜索,并用搜到的最优位置替换粒子群中最差粒子位置,进而将该混沌粒子群算法同FCM算法融合完成聚类分析任务。提出一种基于Chebyshev映射的混沌粒子群融合FCM均值聚类算法。实验结果显示该算法具有较好的寻优能力并提高了样本分类精度。     

基于最优能耗多播树构造的Ad hoc网络节点路由算法研究

针对Ad hoc网络中最小能耗多播树的生成和优化问题,提出了基于最优能耗多播树构造的Ad hoc网络节点路由算法。在该算法中,首先将最小能耗多播树生成问题转化为不同中继节点集合幂空间中的动态寻优问题,构建基于最优能耗多播树求解模型;然后利用改进的粒子群算法对不同维度空间上代表中继节点链路的粒子的权值进行映射和修正计算,再依据粒子适应度值对粒子的局部极值和全局极值进行更新;最后根据粒子位置和速度更新机制进行迭代计算,将最终的全局极值点和极值作为最优多播树的节点位置和能耗值。实验仿真证明,该算法具有较好的粒子多样性,全局搜索和局部搜索能力较好,并且优化能力较强。     

自适应种群更新策略的多目标粒子群算法

针对粒子种群较差的局部搜索能力,提出了一种自适应种群更新策略的多目标粒子群算法。该算法在每次种群进行迭代时,根据种群的多样性测度以及每个粒子的适应度值,自适应地改变速度权重,以此来提高种群粒子在局部搜索时的活性,使算法具有较强的局部搜索能力同时又保留了足够的全局搜索能力。最后利用多组经典测试样例进行仿真,并与传统的粒子群算法以及速度线性衰减算法做比较,在单目标优化中,自适应粒子群算法能够更快地寻找最优位置;在多目标优化中,自适应粒子群算法能够更快速地收敛于帕累托最优边界。     

基于自适应选择和变异的改进粒子群算法

针对基本粒子群优化算法搜索精度低和易早熟的缺点,提出了一种基于自适应选择和变异算子的改进粒子群算法。选择算子可提高粒子群的整体适应度,增强粒子群的局部搜索能力;变异算子则能扩大粒子群的搜索范围,防止粒子群陷入局部最优。搜索时,根据全局极值在迭代过程中的变化情况,自适应地调整选择算子和变异算子使粒子群飞向全局最优。典型函数的算例测试表明,改进的粒子群算法较传统算法具有更高的搜索精度和更强的抗早熟能力。     

基于混沌序列的粒子群优化算法

提出一种改进粒子群局部搜索能力的优化算法,对于陷入局部极小点的情性粒子,引入混沌序列重新初始化,在迭代中产生局部最优解的邻域点,帮助情性粒子逃商束缚并快速搜寻到最优解．对经典函数的测试计算表明。改进的混合算法通过微粒自适应更新机制确保了全局搜索性能和局部搜索性能的动态平衡,而且保持了PSO计算简洁的特点,在收敛速度和精度上均优于普通的PSO算法.     

基于改进粒子群算法的剪切散斑相位图去噪方法

空间相移剪切散斑干涉技术具有全场、非接触、高灵敏度等特点,是动态无损检测的关键技术。针对瞬态剪切散斑干涉获得的高噪声相位条纹图中噪声强度大、条纹复杂等情况,常规粒子群优化算法在高噪声相位图像的去噪处理中存在处理不完整、无法较好保持条纹细节等问题,因此提出一种基于优化粒子群算法的剪切散斑相位图去噪方法。该方法在常规粒子群优化算法的基础上,改进了传统线性惯性权值调整方法,提出非线性权值分配方法,同时通过调整聚集度系数提高了算法局部搜索能力。实验结果表明,该方法能够有效地保护条纹的边缘纹理和相位信息,与常规粒子群优化算法相比速度提高了15%,相位奇异点数减少了21.3%,与其他现有方法相比,所提出的算法的去噪效果更好。     

一种改进的基于粒子群的粗糙K-medoids算法

针对K-medoids算法的全局搜索能力弱和迭代计算过程计算量大的不足,提出了一种改进的基于粒子群的粗糙K-medoids算法。该算法通过粒子群算法来改善K-medoids全局搜索能力,通过计算样本集的相异度矩阵来简化粒子群编码,引入粗糙集理论处理边界模糊数据,并利用记忆技术对K-medoids的迭代过程进行优化,降低算法的复杂度。通过对UCI中的Iris、Mushroom数据集测试,该算法的准确率提高,运行时间减少。     

粒子群遗传优化算法

针对粒子群优化算法易早熟的缺点,本文在粒子群优化算法中引入遗传算法的变异算子和克隆选择算子,提出了一种改进的粒子群优化算法—粒子群遗传优化算法。粒子群遗传算法在传统粒子群优化迭代公式的基础上,通过变异率和克隆选择率两个参数自适应地调整变异操作和克隆选择操作。当粒子群最优粒子的适应度在优化迭代过程中陷入停滞时,利用变异算子对粒子群中部分粒子进行随机变异操作,扩大粒子群搜索范围,防止粒子群陷入局部最优;而当粒子群最优粒子适应度随优化迭代过程不断提高时,则利用克隆选择算子淘汰适应度较低的粒子,提高粒子群整体的平均适应度,增强粒子群对局部的搜索能力,提高算法的计算效率。典型函数的算例测试表明,粒子群遗传优化算法不但具有粒子群优化算法所具有的易于工程实现、计算效率高等优点,还克服了粒子群优化算法易陷入局部最优的缺点,提高了算法的抗早熟性。     

改进CPSO-SVM在人脸识别中的应用

为使粒子群优化算法初始粒子均匀分布在解空间,增强全局的搜索能力,通过对混沌运动的遍历性和粒子群优化算法中惯性权重的分析,提出了一种改进型混沌粒子群算法。该算法采用Circle映射,产生了分布均匀的混沌变量轨道点,并结合动态调整惯性权重的思想来避免粒子群算法陷入局部最优。同时,给出了应用混沌粒子群算法训练SVM的方法,并将其应用于人脸识别。仿真实验结果表明,改进CPSO-SVM方法比基本粒子群方法能获得更好的识别性能。     

基于微粒群优化和粗糙熵的图像分割算法

提出一种基于微粒群优化(PSO)的边界区域粗糙熵的阈值图像分割算法。该算法采用边界粗糙熵作为图像分割的评价标准,利用优化领域的PSO功能把图像分割问题转化为优化问题。实验结果表明,该方法使用PSO算法避免了早期大量熵的计算,相对于分块大小的敏感性较小,得到较好的分割效果,并且能提高计算速度,是一种实用有效的图像分割方法。     

改进的RVM在肺结节检测中的研究与应用

在模式识别问题中,相关向量机（RVM）作为一种新的机器学习方法备受关注,近年来,多核RVM方法的提出使得RVM得到更广泛的应用。多核RVM模型中核参数的取值及不同核函数组合权重系数的取值对模型分类性能至关重要,然而在实际应用中其值却多由经验值给定而非定量分析计算得到。为此,对基于粒子群算法（PSO）及基于二阶锥规划（SOCP）的多核RVM参数优化模型进行研究,构造合理的核函数组合,并给出快速求解方法。最后将该方法应用到肺结节检测中,采用公共数据集LIDC中的肺部CT图像,通过图像处理模块,提取候选结节的特征信息,利用改进的多核RVM模型对肺结节进行分类验证。实验结果表明,与基于PSO的多核RVM模型相比,基于PSO与SOCP相结合的多核RVM模型不仅提高了运算效率而且取得了更好的分类性能。     

基于相似度的改进粒子群优化算法

针对粒子群算法易于过早收敛的不足,通过引入粒子间新的相似度的概念来度量粒子群的多样性程度,并用自适应变化阈值手段来控制调整粒子群算法的收敛速度,使其缓缓趋向于全局最优,在粒子群算法迭代过程中以相似度为基础,通过高斯等噪声扰动来重新调整粒子的位置从而避免算法陷入局部最优,从而得到了一种PSO算法的改进算法,实验和性能分析表明,新算法可以有效提高算法的全局搜索能力,并有效回避收敛早熟问题。     

学习-考试型的粒子群优化算法

标准的粒子群算法在进化后期常易于陷入局部最优。为提高粒子群算法的寻优性能,首先对学生学习-考试机制进行分析,得到学习-考试机制的基本原则,然后,利用该原则和粒子局部最优的信息,在粒子陷入局部最优时,对粒子的位置分量进行有机地组合,即考试策略。数值实验结果证明了新策略极大地提高了粒子的寻优性能。     

色彩量化的模糊粒子群优化技术

把粒子群算法应用到色彩量化中,结合已有的模糊C均值聚类量化方法,提出了一种基于粒子群优化的色彩量化算法。模糊C均值聚类量化算法是一种局部搜索算法,对初始值较为敏感,容易陷入局部极小值而不能得到全局最优解;PSO算法是一种基于群体的具有全局寻优能力的优化方法。将模糊C均值聚类量化算法和PSO算法结合起来,把模糊C均值聚类量化算法的聚类准则函数作为PSO算法中的粒子适应度函数。仿真实验表明,新算法在均方根误差和峰值信噪比评判准则下能够得到最优的量化结果。     

嵌入列维变异的混合动态粒子群算法

针对标准粒子群优化算法易陷入局部最优、收敛精度不高的问题,提出一种嵌入列维变异的混合动态粒子群算法（DLPSO）。算法在进化过程中采用动态拓扑Dbest策略以降低粒子趋同性,每次迭代时根据解的好坏将粒子分为全局最优粒子、探索粒子及无目标粒子,并对探索粒子进行分簇,簇内粒子的更新受到全局最优粒子及簇内最优粒子的共同影响;为确保粒子多样性,平衡局部搜索与全局搜索,采用免疫机制与自适应列维变异相结合的方式对粒子进行变异。利用7个测试函数对算法进行性能评价,数值仿真结果表明该算法搜索精度高且稳定性好,具有良好的收敛性能。     

基于PAM和均匀设计的并行粒子群优化算法

聚类技术是数据挖掘中的一个重要方法,PAM（Partitioning Around Medoids）是基于分区的聚类算法的一种,它试图将[n]个数据对象分成[k]个部分。在并行粒子群PSO（Particle Swarm Optimization）算法中,需要划分整个种群为几个相互不重叠的子种群。因此,引入PAM来划分整个种群。通过聚类,相同子种群的粒子相对集中,从而能够较容易地相互学习。这使得有限的时间能够花费在最有效的搜索上,以便提高算法的搜索效率。为了均匀地探测整个解空间,引入均匀设计来产生初始种群,使种群成员均匀地分散在可行解空间中。进化过程中,均匀设计也被引入来替换种群中的较差个体。提出基于PAM和均匀设计的并行粒子群算法,它结合并充分利用了二者的优点。对几个测试问题的实验结果证明,提出的算法比传统的并行粒子群算法具有更高的性能和更好的收敛准确性。     

求解分布式顺序统计CFAR检测器参数的新方法

复杂条件下,分布式顺序统计恒虚警率（OS-CFAR）检测系统的参数选择和检测性能分析是一个典型的非线性优化问题,通常采用数值求解和计算机搜索的方法。但在复杂条件下,特别是当传感器数量较多,或采用分布式OS-CFAR这种双门限参数检测方式时,其计算量会异常庞大。提出了一种基于模拟退火的微粒群优化算法,将模拟退火思想引入到具有杂交和高斯变异的粒子群优化算法中,并采用具有递减w算法,保证算法具有较好的全局搜索能力和较好的收敛性。使用这种方法,在进化100代后,在保证精度达到0.000 001,可使所有的系统参数同时得到优化。仿真结果表明,同遗传算法比,虽然该方法收敛速度稍慢,但是可避免遗传算法的早熟问题,同时该方法实施简单方便,便于工程应用。