基于粒子群优化算法的多阈值图像分割

为确定图像分割的最佳阈值，基于粒子群优化算法提出了一种多闽值图像分割方法．由最大熵或最大类间方差法得到优化的目标函数，用粒子群算法对其进行优化，得到分割的最佳阈值，并用该阈值对图像进行分割．将分割结果与遗传算法的多阈值分割结果相比较可以看出，该算法不仅可实现正确的图像分割，并可使分割速度大大提高．     

基于粒子群优化算法的多阈值图像分割

为确定图像分割的最佳阈值,基于粒子群优化算法提出了一种多阈值图像分割方法.由最大熵或最大类间方差法得到优化的目标函数,用粒子群算法对其进行优化,得到分割的最佳阈值,并用该阈值对图像进行分割.将分割结果与遗传算法的多阈值分割结果相比较可以看出,该算法不仅可实现正确的图像分割,并可使分割速度大大提高.     

基于PSO和GA混合优化的FCM算法

模糊C-均值(Fuzzy C-means,FCM)算法的初始聚类中心是随机确定的,因此存在着易受初始聚类中心和隶属度矩阵影响,可能收敛到局部极小值的缺点,从而影响图像分割效果.针对此问题,将粒子群优化(P S O)算法与遗传算法(GA)相结合更新种群和搜索最优点,进行全局搜索优化FCM初始聚类中心,实现了基于PSO和GA相结合的模糊C-均值图像分割算法,并用于分割乳腺钼靶图像.实验结果表明,提出的优化算法具有更好搜索全局最优解的能力,可以提高分割精度,得到更好的图像分割结果.     

一种基于PSO的分割聚类算法

为了求得一个数据集的最优分割,提出了一种基于PSO的分割聚类算法-PKPSO,将PSO算法和K均值聚类算法有效地结合在一起,对群体中的候选解有选择地利用K均值算法做进一步优化以提高解的精度。通过对算法的分析,给出了控制参数选择依据。并将此算法与单独使用K均值、PSO算法及QPSO算法聚类进行比较,试验测试结果表明:PKPSO算法有更好的全局收敛性,不仅能有效地克服传统算法易陷入局部极小值的缺点,而且求得解的精度和算法的稳定性都明显优于其他方法。     

基于粒子群算法的电站锅炉效率优化研究

该文以电站锅炉燃烧系统为研究对象,针对电站现场无法在线计算锅炉热效率的问题,利用BP神经网络建立了锅炉的热效率模型,并在此基础上,采用粒子群优化算法对锅炉运行参数进行优化。仿真结果表明,BP神经网络效率模型具有较高的精度,粒子群优化算法优化算法可以用于电站锅炉的热效率优化。     

基于粒子群算法的Otsu法图像阈值分割

图像分割是由图像处理到图像分析的关键步骤,Otsu法是一种效果较好、实现简单的阈值分割方法.针对传统的Otsu阈值计算方法需要在全灰度范围内搜索一个最佳门限组合,耗时较多,难以实际应用这一问题,采用协同和带压缩因子的粒子群改进算法求解Otsu阈值,通过分别用改进粒子群算法和标准粒子群算法对lena测试图像的实验表明,前者相较于后者有更高的精度.而在计算时间方面,两者都不到传统方法的百分之一,有利于提高图像处理的实时性,也证实了将粒子群算法用于阈值分割是可行的.     

粒子群优化算法研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法．介绍了PSO算法的基本原理和一些改进措施及PSO算法的应用，并对其将来的发展进行了展望．     

结合粒子群算法优化归一割的图像阈值分割方法

为了快速得到图像分割的最佳阈值,依据图论知识,利用灰度级相似矩阵代替像素级权值矩阵,将归一化切割准则作为优化函数.利用粒子群优化算法代替穷举法优化归一化划分准则,提出粒子群算法优化归一割的图像阈值分割方法.实验表明在分割性能上有较大的提高,在分割速度上也有较大的改进,能够满足实时性要求.     

基于粒子群算法的RBF神经网络的优化方法

本文用粒子群算法来优化RBF神经网络的中心值和连接权值,使之具有更强的非线性逼近能力,并将优化后的RBF神经网络和未经优化的RBF神经网络用于非线性函数的逼近,实例证明优化后的RBF神经网络比未经优化的RBF神经网络具有更强的非线性函数的逼近能力。     

基于粒子群优化算法的BP神经网络在图像识别中的应用

介绍了一种采用微粒群算法与BP算法相结合的方法用于BP神经网络模型优化，来提高模型的收敛速度和精度。仿真结果表明，与BP算法相比较，PSO—BP学习算法训练的神经网络不仅训练时间明显缩短，而且其预报精度也得到了较大的提高。     

基于图像质量参数优化的异质手背静脉图像识别算法的研究

为更好地解决手异质背静脉图像识别问题,本文综合分析了图像采集过程及手背图像的自身特性.图像的有效区域、旋转、位置偏移、对比度、模糊度是造成异质的重要参数.为解决异质手背图像识别问题,提升同类样本的结构相似度,对上述5个质量参数进行优化调整,然后通过实验找出适合不同算法的最佳感兴趣区域(ROI)尺寸.实验结果表明,该方法可以有效提升不同算法对异质手背图像的识别率.     

基于二进制粒子群的图像分割算法

基于最大类间方差的分隔方法思想简单、稳定有效,对于简单图像的分割效果良好。为了改善对复杂图像的分割效果,将算法推广到多阈值分割法;针对计算复杂度问题,引入二进制粒子群算法来解决,提高了算法的求解性能。通过对图像分割的实验,证明了算法的可行性和有效性。     

基于粒子群优化算法的小波神经网络

针对粒子群算法具有不易陷入局部极小、收敛速度快等特点,提出了一种基于粒子群的小波神经网络学习算法,优化了小波神经网络中的各个参数,并将该方法应用于函数仿真试验。试验表明,该算法能减少迭代次数、提高收敛精度,是小波网络的有效训练算法。     

基于QPSO优化ELM算法的井下快速定位方法研究

近年来,基于WiFi的井下人员定位算法受到了广泛关注,为进一步提高定位算法的速度和精度,提出了一种基于量子粒子群(QPSO)优化极限学习机(ELM)算法的井下人员快速定位方法。首先将优化的K均值聚类算法(K-means)引入定位流程,通过对位置指纹库进行聚类划分,降低单次识别需要的时间;其次利用QPSO算法优越的优化能力,提高ELM算法的定位精度,最终实现对井下人员的高效、准确定位。仿真实验结果表明,提出的基于量子粒子群优化极限学习机的井下快速定位方法,能够提高定位的精度和效率,具有较高的实用价值和工程意义。     

基于多尺度特征融合的水果图像识别算法研究

水果图像识别是智能采摘系统中最重要的组成部分.针对现阶段水果图像识别过程中存在的漏检和误检现象,为进一步提高识别准确率,研究了基于多尺度特征融合的水果图像识别算法.首先,为避免训练过程中出现欠拟合现象,对Fruits-360中的水果图像进行数据扩充,并进一步灰度归一化处理以减少计算量.随后采用ResNet-50作为骨干网络,并在骨干网络的基础上建立多尺度采样层,使用1×1、3×3和5×5的卷积核在拓宽网络宽度的同时进行特征提取,多尺度网络层整体增加BN层,即在每个卷积层之后都增加BN层.使在ResNet-50提取的原始特征基础上获取语义信息更加丰富的特征图.最后采用梯度下降法优化网络,得到最终的识别模型.实验结果表明,所提算法识别精度高,可准确的对水果图像经识别,识别精度高达99.4％,在相同数据集的情况下,优于目前主流算法,可为水果自动采摘技术提供帮助.     

基于差分进化的量子粒子群优化算法的研究

为了提高量子粒子群算法(QPSO)的性能,利用差分进化对量子粒子群算法进行了优化.该优化算法(DE -QPSO)在粒子更新过程中,首先通过添加一个扰动来产生一个变异粒子,然后对变异粒子进行交叉操作产生新的试验粒子,最后对试验粒子进行选择操作,确定进入下一次迭代的个体.用5种标准测试函数对DE -QPSO、QPSO和 粒子群算法(PSO)的性能进行对比测试,结果表明DE-QPSO算法的性能明显优于PSO和QPSO算法,具有较好的应用价值.     

粒子群优化算法研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法.介绍了PSO算法的基本原理和一些改进措施及PSO算法的应用,并对其将来的发展进行了展望.     

基于新型Memetic算法的多目标优化

为了更好地解决多目标优化问题,提出一种求解多目标优化问题的新型memetic算法。该算法利用微粒子群算法的全局搜索能力和同步启发式局部搜索相结合进行局部微调;利用基于模糊全局极值的概念处理种群中过早出现收敛以及解多样性保持等问题。通过进一步检测得出新算法的特点并展示其在多目标优化问题上的独立性和综合效应。同时应用新型算法对IEEE14节点标准电网进行无功优化计算。结果证明,该新型memetic算法具有很好的寻优能力,验证了该算法的有效性及科学性。     

基于粒子群优化算法和RBF神经网络的水质评价方法研究

将粒子群优化算法和RBF神经网络相结合,建立了基于神经网络的水质评价模型,实现了对水质的合理评价。通过采用粒子群优化算法对RBF神经网络的参数进行优化,提高了神经网络的收敛速度和精度,进一步提高了水质评价方法的精确程度。通过与传统的神经网络水质评价方法的对比,验证了本文方法的可靠性和优越性。     

基于PSO-ConvK卷积神经网络的肺部肿瘤图像识别

针对卷积核随机初始化以及梯度下降法训练卷积神经网络易陷入局部最值问题,提出粒子群算法优化卷积核(particle swarm optimization-convolution kernel, PSO-ConvK)的图像识别方法。使用参数迁移法构造卷积神经网络,并提取卷积核,利用PSO不断更新粒子的速度和位置,寻找全局最优值以初始化卷积核,将其传递到卷积神经网络,用肺部肿瘤数据训练卷积神经网络,结合梯度下降法修正网络权重,使得PSO算法的全局优化能力与梯度下降法的局部搜索能力相结合。试验通过批次大小、迭代次数以及网络层数3个角度验证方法的有效性,并与高斯函数优化卷积核进行对比。结果显示, PSO优化卷积核的识别率始终高于随机化卷积核和高斯卷积核,识别率最终达到98.3%,具有一定的可行性和优越性。