一种解决早熟收敛的自适应遗传算法设计

为了解决简单遗传算法(SimpleGeneticAlgorithm,SGA)易陷入局部最优解的问题,及以往自适应遗传算法只考虑与进化代数相关的交叉与变异概率,而忽略个体分布情况及种群规模不可变等问题,本文在保留以往自适应遗传算法优点的同时,设计了与种群中个体分布相关的可变交叉概率与变异概率。同时考虑了种群规模的波动情况,使算法在相对稳定的动态种群规模中寻找优质解。     

嵌套式模糊自适应遗传算法

针对简单遗传算法(SGA)收敛速度慢和早熟收敛现象,将模糊逻辑理论应用于遗传算法,并采用两级嵌套的遗传算法,随主遗传算法GA1求解优化问题的进化进程用模糊控制的方法自适应地调整遗传算法的交叉概率和变异概率;利用另一个遗传算法GA2优化模糊规则库,实现了一种嵌套式模糊自适应遗传算法(NFAGA)。仿真结果表明,这种算法的全局搜索收敛速度和解的质量明显优于SGA和一般的自适应遗传算法(AGA)。     

自适应分层粒子群稠密视差图估计

分析了遗传算法的缺陷,提出了自适应分层粒子群(PSO)立体匹配算法计算稠密视差图。首先采用SIFT(scale invariant feature transform)特征检测和匹配算法准确地确定视差范围;其次根据图像和视差范围的大小分层,建立由粗及细的自适应分层图像金字塔结构,加快搜索速度、减少错误匹配;然后在优化函数中引入能根据匹配窗口大小自动变化的因子来调整灰度项和平滑项数据的权重,并用改进的带变异算子的整数形式的PSO进行优化,避免了遗传算法搜索的盲目性以及容易陷入局部最优的缺陷,更快、更好地找到最优解。最后合成图像以及真实图像的实验结果表明该方法精度较高,速度较快。     

基于KNN的特征自适应加权自然图像分类研究

针对自然图像类型广泛、结构复杂、分类精度不高的实际问题, 提出了一种为自然图像不同特征自动加权值的K-近邻（K-nearest neighbors, KNN）分类方法。通过分析自然图像的不同特征对于分类结果的影响, 采用基因遗传算法求得一组最优分类权值向量解, 利用该最优权值对自然图像纹理和颜色两个特征分别进行加权, 最后用自适应加权K-近邻算法实现对自然图像的分类。实验结果表明, 在用户给定分类精度需求和低时间复杂度的约束下, 算法能快速、高精度地进行自然图像分类。提出的自适应加权K-近邻分类方法对于门类繁多的自然图像具有普遍适用性, 可以有效地提高自然图像的分类性能。     

基于灾变遗传算法的超分辨率图像恢复

采用简单遗传算法进行超分辨率图像恢复时,往往由于种群多样性的不足而导致早熟收敛,得到的图像恢复质量不理想。针对该问题,提出了一种基于灾变遗传算法求解高分辨率图像最优估计的方法。在简单遗传算法的基础上,该算法以适应值方差作为灾变的判断条件,将共轭梯度算法作为灾变算子重新构建种群,从而增加了种群多样性。同时对灾变条件和灾变规模进行了分析,并且给出了根据进化代数自适应调节灾变条件的方法。仿真实验表明了该算法的有效性。     

一种新的改进遗传算法及其应用

研究并提出了一种基于模式的改进遗传算法,该算法加强了好的模式对群体的影响,在收敛速度和防止陷入局部最优解取得了平衡.在一个经典测试函数的仿真实验中,与基本遗传算法(SGA)和自适应遗传算法(AGA)相比,该改进遗传算法表现了良好的效果.     

垂直交叉双向搜索策略的自适应窗口匹配算法

目的 基于区域的局部匹配算法是一种简单高效的立体匹配方法.针对局部算法中窗口的抉择问题,提出了基于垂直交叉双向搜索的自适应窗口匹配算法.方法 该算法考虑到局部区域内灰度值与视差值的相关性,通过垂直交叉双向搜索策略自适应地调节窗口的形状和大小,并获得相应掩码窗口;再利用积分图像计算掩码窗口的匹配代价,获取视差图;最后采用米字投票和双边滤波器两个步骤对视差图进行修复.结果 针对不同图像采用提出的自适应窗口算法,得到了适用于各种图像结构的匹配窗口,相较于原始垂直交叉算法的匹配精度提高了约30％ (Teddy),同时两步骤视差后处理较好地保持了图像边缘.结论 实验结果表明,该算法改善了规则窗口产生的视差边缘扩充问题,在提高视差精度的同时提高了算法鲁棒性.     

AABC算法优化ELM的心脏病辅助诊断

针对ELM算法在心脏病辅助诊断中分类精度不高的缺陷,提出自适应人工蜂群算法优化ELM隐层输入权值和偏置的心脏病辅助诊断方法。采用自适应遗传算法对数据进行特征选择,以最优特征子集构造样本输入自适应人工蜂群算法优化ELM的分类模型。自适应人工蜂群算法改进原算法的跟随蜂概率选择机制,在搜索阶段引入最优解与次优解,通过自适应算子调整二者的引导作用。仿真结果表明,该方法相比于其它方法提高了分类精度,减少了总体耗时。     

基于QPSO训练支持向量机的人脸识别

遗传算法和粒子群算法等智能搜索技术可在较少的时间开销内给出问题的近似解.量子粒子群优化(QPSO)算法是在经典的微粒群算法的基础上所提出的一种高效的收敛性,稳定性的进化算法.将操作简单而收敛快速的QPSO算法运用于训练支持向量机(SVM),结合KPCA特征提取方法,用于人脸图像的分类识别中,为人脸识别问题的研究开辟了新的途径.     

基于改进遗传算法的图像恢复方法

通过对遗传算法在进行图像恢复时存在的早熟现象的研究,指出了在图像恢复中早熟现象产生的原因是种群多样性的迅速减少引起的.针对应用遗传算法进行图像恢复时存在的局限性,提出了一种改进的遗传算法.该算法通过加入随机种群弥补种群中减少的多样性,通过改进变异算予使算法加速向最优解收敛.实验结果表明,该算法不论以峰值信噪比为标准,还是以人的主观感觉判断,都明显优于简单遗传算法.而且,该方法能较好地抑制早熟现象,恢复效果对图像的模糊程度依赖性小,可以恢复严重模糊的图像.     

基于云遗传算法的图像相关匹配

针对图像相关匹配计算量大的问题,提出基于云遗传算法的图像相关匹配方法。考虑到图像平均量的存在会增加匹配的难度,对传统归一化相关测度进行修正。为寻找最佳匹配点,将修正后的相关测度作为适应度函数,采用云遗传算法进行寻优。由于云遗传算法具有收敛速度快、局部寻优能力强和不易产生早熟现象等优点,新方法的匹配精度和速度都得到提高,且抗噪声能力强。仿真实验结果表明,新方法对无噪声和有噪声图像都能实现高精度匹配,在匹配精度和速度上优于基于自适应遗传算法的匹配方法。     

基于引导滤波和多尺度局部自相似单幅红外图像超分辨率方法

本文针对红外图像存在分辨率不高、对比度低的特点,提出了基于引导滤波和多尺度局部自相似性红外单幅图像超分辨率算法。首先,该方法引进了类高斯分布的“类高斯核”,在此基础上构建均值引导滤波器,该滤波器是一种线性边缘保持滤波器,可以得到图像的高频细节。其次,根据图像的自相似性,对初始高分辨率图像和原始低分辨率图像进行分块,得到待匹配窗和搜索窗,根据非局部均值（NLM）,待匹配窗图像块的值利用搜索窗中相似块的加权平均计算得到。再次,利用图像自相似性,待匹配窗在搜索窗的邻域内进行匹配搜索,找到与待匹配窗最相似的匹配块,计算出最佳匹配块的高频细节图像块,与相似块的加权平均值相加,重构出高分辨率待匹配窗。最后,合并所有的超分辨率重构的待匹配窗,相邻图像块重叠区域的像素值使用平均融合得到,得到最终的超分辨率图像。实验结果表明,本文算法不仅能很好重构图像的高频细节,还能很好的恢复图像的纹理特征,得到的结果不仅边缘更清晰更真实,而且纹理更加丰富。     

基于遗传算法的彩色图像滤波器研究

为实现彩色图像噪声的滤波,基于遗传算法技术构建了一种新型的彩色图像滤波器,在彩色图像的矢量中值滤波过程中,该滤波器利用遗传算法具有寻找全局最优解的能力,获得滤波器窗口的最优权值。从滤波效果看,有一定提高,并进一步提出了一种基于个体相似性的遗传算法：当种群的多样性较好时,采用标准的交叉策略;当种群的多样性较差时,根据个体的相似性选择个体配对,避免相同的个体配对交叉,减少高度相似个体进行配对交叉的概率,从而提高交叉操作的效率。     

分拣扫描设备不规则物料分类自动控制方法研究

为了提高分拣扫描设备不规则物料的分类能力,提出基于粒子群进化寻优的分拣扫描设备不规则物料分类自动控制方法。构建不规则物料分类自动控制的图像扫描模型,采用网格分类方法对扫描的不规则物料图像大数据进行自适应分类,在邻域内采用超像素特征分解方法进行不规则物料分拣扫描图像区域融合滤波处理,进行不规则物料分拣扫描图像的颜色分量合并和模板匹配,挖掘不规则物料扫描图像的边缘轮廓特征量,根据不规则物料的边缘轮廓特征扫描结果进行大数据信息融合和分类,采用粒子群寻优算法,根据不规则物料的边缘轮廓特征量,更新粒子群中每个粒子的空间位置,进行不规则物料分拣过程中的外观匹配,实现对不规则物料分拣扫描分类的自动控制。仿真结果表明,采用该方法进行分拣扫描设备不规则物料分类自动控制的收敛性较好,分类结果准确可靠,提高了不规则物料分拣的效率。     

一种鲁棒的序列图像自动拼接方法

针对传统图像拼接方法中鲁棒性差、计算量大及自动化程度低等问题,提出一种鲁棒性高的序列图像自动拼接方法。该方法首先采用Harris角点检测算子对经Wallis滤波后的序列图像进行特征点提取,并结合Forstner算子对特征点进行精确定位。然后基于所提取的特征点,采用邻域灰度互相关法进行序列图像的特征点匹配,得到粗匹配点集,并运用RANSAC算法对粗匹配点集处理得到精匹配点集,由精匹配点集求出较高精度的基础矩阵及极线,并由极线约束引导匹配得到高精度的匹配点对,再运用双向松弛整体匹配算法进一步剔除少数位于极线上的误匹配点。最后利用所得的高精度匹配点对,求解序列图像间的仿射变换关系,并进行图像的坐标变换和融合,从而实现序列图像的自动拼接。实验结果表明,该方法拼接效果理想,鲁棒性高,整个拼接过程全自动,不需要人工干预,具有较高的实用价值。     

一种基于遗传算法和卡尔曼滤波的运动目标跟踪方法

提出了一种基于遗传算法和卡尔曼滤波的运动目标跟踪方法。该方法利用卡尔曼滤波预测目标中心在下一帧图像中可能出现的位置,以该位置为中心,建立候选的目标搜索区域。以跟踪目标的灰度统计特征为模板,以Bhattacharyya系数来度量目标模板与候选目标区域的相似性,并以此相似性作为遗传算法适应度函数,以候选目标中心坐标作为参数编码,利用遗传算法进行匹配搜索,最终获得最佳候选区域中心位置,同时以该位置作为观测值,进行下一帧预测。实验结果表明,该方法具有较好的实时性和鲁棒性。     

融合边缘保持与改进代价聚合的立体匹配算法

目的 立体匹配是计算机双目视觉的重要研究方向,主要分为全局匹配算法与局部匹配算法两类。传统的局部立体匹配算法计算复杂度低,可以满足实时性的需要,但是未能充分利用图像的边缘纹理信息,因此在非遮挡、视差不连续区域的匹配精度欠佳。为此,提出了融合边缘保持与改进代价聚合的立体匹配。方法 首先利用图像的边缘空间信息构建权重矩阵,与灰度差绝对值和梯度代价进行加权融合,形成新的代价计算方式,同时将边缘区域像素点的权重信息与引导滤波的正则化项相结合,并在多分辨率尺度的框架下进行代价聚合。所得结果经过视差计算,得到初始视差图,再通过左右一致性检测、加权中值滤波等视差优化步骤获得最终的视差图。结果 在Middlebury立体匹配平台上进行实验,结果表明,融合边缘权重信息对边缘处像素点的代价量进行了更加有效地区分,能够提升算法在各区域的匹配精度。其中,未加入视差优化步骤的21组扩展图像对的平均误匹配率较改进前减少3.48%,峰值信噪比提升3.57 dB,在标准4幅图中venus上经过视差优化后非遮挡区域的误匹配率仅为0.18%。结论 融合边缘保持的多尺度立体匹配算法有效提升了图像在边缘纹理处的匹配精度,进一步降低了非遮挡区域与视差不连续区域的误匹配率。     

融合边缘信息和扩展邻域的异源图像匹配

针对可见光图像和红外图像的匹配问题，提出一种基于边缘信息的Harris-SIFT匹配算法。匹配过程中，对红外图像进行Retinex边缘增强，再分别对可见光图像和处理后的红外图像进行双边滤波预处理，以增强两类图像边缘结构的相似度。采用Sobel算子提取图像边缘信息，并基于Harris-SIFT算法对边缘信息进行特征点检测和描述，再分别通过最近邻和次近邻比值法，以及RANSAC算法完成粗匹配和精匹配。在精匹配的基础上，通过快速校验边缘图像中匹配点对在扩展邻域内的结构特征一致性，检测并筛除部分误匹配点对，从而进一步提高匹配精度。通过采用多幅图像进行实验，处理结果表明，该算法能够有效改善可见光图像与红外图像的匹配效果。     

SURF特征及预处理RANSAC算法在人脸识别中的应用

针对人脸识别问题,提出了一种基于SURF特征的人脸图像快速识别方法。首先,对经预处理后的人脸图像提取SURF特征点,采用最近邻匹配法对特征点进行粗匹配;其次,利用KMeans聚类算法对粗匹配的特征点进行预处理来过滤明显不合适的匹配点,再利用RANSAC算法对过滤后的特征点实现精匹配,以达到对人脸的特征点比较准确地识别匹配。实验结果表明,该方法适用于手机终端的人脸图像的快速匹配,具有较强的鲁棒性及一定的实用价值。     

Classification of human cancer diseases by gene expression profiles

A cancers disease in virtually any of its types presents a significant reason behind death surrounding the world. In cancer analysis, classification of varied tumor types is of the greatest importance. Microarray gene expressions datasets investigation has been seemed to provide a successful framework for revising tumor and genetic diseases. Despite the fact that standard machine learning ML strategies have effectively been valuable to realize significant genes and classify category type for new cases, regular limitations of DNA microarray data analysis, for example, the small size of an instance, an incredible feature number, yet reason for limitation its investigative, medical and logical uses. Extending the interpretability of expectation and forecast approaches while holding a great precision would help to analysis genes expression profiles information in DNA microarray dataset all the most reasonable and proficiently. This paper presents a new methodology based on the gene expression profiles to classify human cancer diseases. The proposed methodology combines both Information Gain (IG) and Standard Genetic Algorithm (SGA). It first uses Information Gain for feature selection, then uses Genetic Algorithm (GA) for feature reduction and finally uses Genetic Programming (GP) for cancer types’ classification. The suggested system is evaluated by classifying cancer diseases in seven cancer datasets and the results are compared with most latest approaches. The use of proposed system on cancers datasets matching with other machine learning methodologies shows that no classification technique commonly outperforms all the others, however, Genetic Algorithm improve the classification performance of other classifiers generally.