基于波形结构特征和支持向量机的水面目标识别

借鉴语音声学的研究成果,音色可作为区分不同目标的依据。由于舰船辐射噪声的音色信息包含在其信号的波形结构特征中,可以通过提取舰船辐射噪声的波形结构特征判断目标类型。该文对水面目标信号时域波形结构特征提取进行了研究,构建了基于信号统计特性的特征矢量,包括过零点波长、峰峰幅度、过零点波长差分以及波列面积等。应用支持向量机(Support Vector Machine, SVM)作为分类器识别两类水面目标信号,核函数为径向基函数(RBF)。提出了差分进化和粒子群算法的混合算法,优化了惩罚因子和径向基函数参数的选取,两类目标的识别率较常规的网格搜索法有显著提高。     

一种确定径向基核函数参数的方法

径向基核函数在支撑向量机中应用最广，其参数取值直接影响着SVM分类器的性能．目前核函数参数选择广泛采用k-遍交叉验证法，该方法计算精度较高，但计算量很大．本文从径向基核函数构造的Gram矩阵的意义出发，定义了理想核函数所对应的Gram矩阵，并采用基于距离测度的方法确定其参数．通过对标准数据集进行实验表明，该方法计算精度与k-遍交叉验证法相当，而且计算量可以明显减少．为了进一步验证该方法的有效性，本文将其应用于中医舌色、苔色样本进行实验，实验结果也是令人满意的．     

基于粒子群优化-支持向量机方法的下肢肌电信号步态识别

为提高下肢表面肌电信号步态识别的准确性和实时性,该文提出一种基于粒子群优化(PSO)算法优化支持向量机(SVM)的模式识别方法。首先对消噪后的肌电信号提取积分肌电值和方差作为特征样本,然后利用PSO算法优化SVM的惩罚参数和核函数参数,最后利用步态动作的肌电信号样本数据对构造的SVM分类器进行训练、测试。实验结果表明PSO-SVM分类器对下肢正常行走5个步态的识别率,明显高于未经参数优化的SVM分类器,优化后平均识别率达到97.8%,并兼顾了分类的准确性和自适应性。     

基于粒子群优化的直觉模糊核匹配追踪算法

针对现有直觉模糊核匹配追踪算法采用贪婪算法搜索最优基函数而导致学习时间过长的问题,汲取了粒子群优化算法全局搜索能力强、收敛速度快的优势对最优基函数的搜索过程进行优化,提出了一种基于粒子群优化的直觉模糊核匹配追踪算法,并将该算法应用于时效性要求更高的空天目标识别领域.实验结果表明,与传统方法相比,本文方法在识别率相当的情况下有效缩短一次匹配追踪时间,计算效率明显提高,且所得模型具有稀疏性好,泛化能力高等优点,特别适用于兼顾识别率和实时性的应用领域.     

粒子群优化的SVM在雷达目标识别中的应用

支持向量机(SVM)在雷达目标高分辨距离像(HRRP)识别中可获得较高的正确识别率和更好的泛化性能,然而其性能很大程度上取决于其参数包括核函数参数σ2和惩罚因子C的合理选择。所以利用粒子群优化算法(PSO)全局搜索能力强的优点来搜寻最优参数,并针对粒子群优化易陷入局部最优的问题,提出一种惯性权重自适应改变的改进方法。通过对雷达目标高分辨率距离像(HRRP)的识别实验发现,利用PSO优化SVM参数的方法克服了传统SVM存在的很难精确找到最优参数的缺点,识别准确率也有很大提高;同时惯性权重自适应改变的方法也有效解决了PSO优化的"早熟"问题,大大缩短参数寻优时间。     

基于混合粒子群算法求解TSP问题

遗传算法是研究TSP问题中最为广泛的一种算法,它具有全局搜索的能力。而粒子群算法收敛速度较快,但容易造成局部最优的情况。本文基于遗传算法的交叉变异设计了混合粒子群算法,通过对TSP问题求解分析,证实该方法提高了标准粒子群的搜索能力,获得了较高的收敛速度和近似最优解。     

基于支持向量机的未知雷达用途识别技术

雷达用途识别是雷达目标威胁评估的重要方面.在简要阐述支持向量机(SVM)基本原理的基础上,系统地论述了基于优化惩罚因子C参数的支持向量机算法和交叉验证法相结合的未知雷达用途识别方法.在训练集中,该方法能自动优化出(寻找最佳)支持向量机的核函数参数γ和惩罚因子C,利用优化的参数对训练集进行训练,可得到最佳的支持向量机模型,并用该模型对测试集进行分类,从而对未知雷达用途进行识别.识别实例表明,该方法识别结果令人满意,使基于常规分类方法可能存在的无法识别或误识别等现象得到了明显的改善.     

基于径向基-Galerkin解的反馈粒子滤波器

反馈粒子滤波器(FPF)是一种连续时间最优贝叶斯估计器.针对FPF对系统采样率要求较高的问题,提出一种基于径向基函数-Galerkin法求解的反馈粒子滤波器.该算法推导了反馈增益势函数所满足偏微分方程的弱形式,结合径向基函数对势函数进行近似,利用Galerkin法和蒙特卡罗积分得到了反馈增益近似解,并给出了一种径向基参数选取方法,从数值上分析了径向基函数参数选取对于滤波精度的影响.仿真算例表明反馈粒子滤波器在低系统采样率下会严重发散,而本文算法能够避免这一问题,且提高了FPF在低系统采样率下的滤波精度和稳定性.     

一种参数自适应调整和边界约束的粒子群算法

粒子群优化算法的核心思想是每个粒子根据自己和周围粒子的"信息共享"寻优,达到全空间搜索最优解的目的。收敛速度快,全局寻优能力强。针对基本粒子群算法寻优精度较低,结果易发散的缺点,提出了一种参数自适应调整和边界条件约束的粒子群算法,惯性权重,学习因子随着迭代过程线性递加或递减,从而在算法初期个体能搜索整个空间,后期能够朝着全局最优值收敛而找到全局最优值。同时设置粒子边界条件约束,保证算法寻优解的准确性。理论分析和数值仿真结果表明了所设计方法的高效性,在保证算法效率的前提下,有效地提高了算法的寻优精度。     

基于CPSO－AdaBoost算法的人脸检测方法

Ada Boost分类器训练算法对特征搜索的时间复杂度较高,改进的PSO-Ada Boost算法采用最佳特征搜索方式训练耗时减少,但在迭代过程中容易陷入局部最优解。为此,提出用混沌粒子群优化Ada Boost训练算法的CPSO-Ada Boost算法。通过引入混沌优化序列增加种群的多样性并扩大粒子搜索范围,帮助粒子克服"惰性"摆脱局部最优解,从而在训练分类器时可以快速寻找到性能更好的弱分类器。在MIT样本库上训练人脸检测分类器结果表明,CPSO-Ada Boost算法减少了训练过程中所需要的特征数量,缩短了训练时间,有效地提高了人脸检测率。     

一种新的数字调制信号分类特征选择算法

针对调制信号分类特征选择问题,提出了自适应惯性权重模拟退火二进制离散粒子群算法。该算法将模拟退火算法嵌入到离散粒子群算法循环体中,利用模拟退火算法具有较强的局部搜索能力和避免陷入局部最优解的特点,解决了简单智能优化算法早熟收敛和局部搜索能力弱等问题。仿真结果表明,该算法能有效选取最优特征,性能优于简单离散粒子群算法和遗传算法。     

RSSI和粒子群混合VLC室内精确定位方法

传统的基于可见光通信(VLC)的室内定位算法,精度相对较低,误差较大。提出一种RSSI和粒子群混合VLC室内精确定位方法,该方法通过RSSI算法进行未知节点的初定位,并利用高斯分布函数剔除误差较大的定位数据,减少了其对最终定位结果的影响。同时,通过自适应权重粒子群算法搜索未知节点的最优解,使得该算法前期较长时间具有最优全局搜索能力,后期较长时间具有最优局部搜索能力,能尽快找到未知节点的精确位置。仿真结果表明,该定位方法比传统的RSSI算法和粒子群算法的定位误差小,可以大大提高VLC室内定位的精度。     

区域分割的自适应变异粒子群算法

为了提高粒子群算法（PSO）的收敛性及多样性,提出一种基于区域分割的自适应变异粒子群算法（RSVPSO）.算法采用区域分割的思想,利用粒子间信息交叉,使粒子搜索区间快速缩小;同时在迭代后期与自适应变异策略相结合,提高粒子跳出局部最优陷阱的能力和增强粒子多样性,达到寻优的目的.将所提出的算法应用于8个测试函数,并与精英免疫克隆选择的协同进化粒子群等算法进行比较,结果表明,新算法在收敛速度、搜索精度及寻优效率等方面有较大提高.     

基于多特征提取和粒子群算法的图像分类

现有图像分类大都采用单一特征,不能利用多个特征之间性能互补优势,且将特征选择与分类器构造分割开来,影响图像分类的精度和分类器的泛化能力。针对以上问题提出一种基于混沌二进制粒子群算法(CBPSO)的特征选择和SVM参数同步优化方法,利用图像的综合特征,将特征选择和SVM分类器构造结合同步优化,仿真实验结果表明,该算法能同步找出最优的特征子集和合适的SVM参数,提高了图像分类精度和分类器泛化能力。     

应用粒子群优化的非线性系统辨识

提出了一种应用粒子群优化的非线性系统辨识方法。首先将非线性系统的辨识问题转化为参数空间上的优化问题,然后利用粒子群优化算法对整个参数空间进行高效并行搜索以获得系统参数的最优估计。以Hammerstein模型的辨识为例说明了本方法的可行性。     

基于三值多样性粒子群算法的MPRM电路综合优化

通过对离散三值粒子群算法的研究,提出一种三值多样性粒子群算法以求解MPRM（Mixed-Polarity Reed-Muller,MPRM）电路综合优化问题.首先根据混合极性XNOR/OR展开式的特点和几率换算法则,推导出三值粒子群算法的运动方程,在此基础上,采用广泛学习策略和三值变异操作进行算法改进;然后建立三值多样性粒子群算法的粒子与MPRM电路极性的参数映射关系,结合估计模型和XNOR/OR电路混合极性转换方法,将所提算法应用于MPRM电路的最佳功耗和面积极性搜索;最后对10个PLA格式MCNC Benchmark电路进行测试.结果表明：与已发表的方法相比,该文的优化算法表现出了总体显著性的性能优势.     

基于AJTF的ISAR成像算法研究

自适应联合时间-频率（AJTF）分析是一种被证实了的基于刚体目标二维运动模型的逆合成孔径雷达（ISAR）成像算法,但它在进行运动补偿参数搜索时使用的穷尽搜索方法收敛不稳定且计算量较大。介绍了一种改进的AJTF算法,它用粒子群优化方法进行运动补偿参数的搜索,提高了算法的稳定性和效率。仿真结果证明了该算法的优越性。     

基于改进混合遗传的医学图像模糊增强研究*

针对现有医学图像中存在有采集后图像质量不高、图像过暗等现象,对遗传算法中的选择、交叉、变异特性进行研究,同时结合粒子群优化、禁忌搜索及模糊增强算法,提出一种基于改进混合遗传的医学图像模糊增强方法.该方法通过对传统遗传算法改进,将粒子群优化思想及粒子空间对称分布原理引入以改善遗传算法缺乏明确的目标指向性、“突变”性过高的现象,并且为有效降低粒子的同一位置二次搜索,在算法执行过程中加入了禁忌搜索算法.最后,通过与模糊增强算法相结合,并设置二维方向寻优,可自适应的同时寻找到两个模糊参数Fp、Fe最优值,完成医学图像的模糊增强.实验结果表明,改进后算法可有效改善过暗医学CT图像的质量,增强效果较好.     

基于克隆粒子群算法的图像分割方法

最大熵阈值法是目前图像分割中应用最广泛的方法之一。为了快速准确地自动确定图像分割阈值,把克隆选择算法和粒子群算法相结合,提出克隆粒子群优化算法。利用这种改进方法对最大熵图像分割函数进行全局寻优。克隆选择算法和粒子群算法的结合克服了各自的缺点,克隆选择的多样性补偿了粒子群的多样性差的缺点,粒子群的快速性补偿了克隆选择的收敛速度慢的缺点。克隆粒子群方法克服了传统遗传算法易出现早熟、陷入局部最优等的问题,加快了图像分割函数收敛速度,最后能够快速准确地得到图像分割的最佳阈值。实验表明,改进后的算法分割速度较快,易于收敛到最优解,并且得到的分割阈值更加稳定。     

基于粒子群分类器的遥感图像目标识别

设计了一种用于遥感图像目标识别的粒子群分类算法。首先对数据样本预处理，利用粒子群优化算法通过训练数据进行分类规则的提取，根据提取得到的规则对遥感图像的目标进行分类识别。通过对实测遥感图像中飞机和舰船目标的识别实验，验证了此算法对遥感图像目标具有较高的识别率。