基于混沌粒子群优化的图像相关匹配算法研究

该文将混沌优化搜索技术应用于粒子群优化算法(PSO),提出了一种基于混沌搜索的粒子群优化算法(CPSO),该算法利用了PSO算法的收敛快速性和混沌运动的遍历性、随机性等特点,采用混沌初始化粒子初始位置,在运行过程中根据粒子群适应度的方差来自适应混沌更新粒子位置。几种典型函数的测试结果表明：CPSO提高了对多维空间的全局搜索能力,并可以有效避免早熟现象。将该方法用于图像相关匹配算法,提出了一种新的基于CPSO的图像相关匹配算法。实验结果证明该方法对解决噪声情况下的图像匹配问题十分有效。     

基于混沌免疫遗传算法的神经网络及应用

借助混沌随机序列构造初始种群,将免疫机制引入传统遗传进化过程,有效克服传统遗传算法种群“退化”和“早熟”的不足,保持种群多样性,构造得到混沌免疫遗传优化算法.进而将混沌免疫遗传优化算法与BP神经网络相结合,分别用混沌免疫遗传优化算法和自适应BP算法对网络权值进行全局优化和局部二次优化,建立基于混沌免疫遗传算法的神经网络...     

基于混沌粒子群优化的图像相关匹配算法研究

该文将混沌优化搜索技术应用于粒子群优化算法（PSO）,提出了一种基于混沌搜索的粒子群优化算法（CPSO）,该算法利用了PSO算法的收敛快速性和混沌运动的遍历性、随机性等特点,采用混沌初始化粒子初始位置,在运行过程中根据粒子群适应度的方差来自适应混沌更新粒子位置。几种典型函数的测试结果表明：CPSO提高了对多维空间的全局搜索能力,并可以有效避免早熟现象。将该方法用于图像相关匹配算法,提出了一种新的基于CPSO的图像相关匹配算法。实验结果证明该方法对解决噪声情况下的图像匹配问题十分有效。     

基于混沌免疫遗传算法的神经网络及应用

借助混沌随机序列构造初始种群,将免疫机制引入传统遗传进化过程,有效克服传统遗传算法种群“退化”和“早熟”的不足,保持种群多样性,构造得到混沌免疫遗传优化算法。进而将混沌免疫遗传优化算法与BP神经网络相结合,分别用混沌免疫遗传优化算法和自适应BP算法对网络权值进行全局优化和局部二次优化,建立基于混沌免疫遗传算法的神经网络模型。利用所建立的混合神经网络模型对渤海某海域年极值冰厚进行训练预测,并将模型预测结果与实际数据以及动态拓扑预测的结果进行对比,表日周基于混沌免疫遗传算法的神经网络模型具有很高的预测精度和工程适用性。     

一种基于粒子群优化算法的混沌控制方法

提出了一种基于粒子群优化算法的神经网络控制混沌的方法。用粒子群优化算法来训练神经网络,利用训练好的神经网络作为混沌控制器,使混沌系统产生预期的运动。该方法无需了解被控系统的确切的动力学机制,实现方法简单。并对Logistic和Hénon映射进行了仿真,结果表明该方法能将系统控制到预定的轨道。因此,该方法能对混沌系统实施有效的控制,且能够应用于动力学模型未知而仅获得实验数据的情况。     

基于GLCM、CGA和Adaboost的人脸表情识别方法研究

提出基于灰度共生矩阵(GLCM)和混沌遗传优化算法(CGA)的人脸表情识别方法(FER)。为了消除遗传算法中个体在解空间内分布的不均匀性,利用混沌的随机性、遍历性和规律性,将混沌引入到遗传算法中,由此得到了混沌遗传优化算法(CGA);通过灰度共生矩阵提取出的特征和改进后的混沌遗传优化算法,将人脸表情识别的寻找感兴趣区域(ROI)和特征提取结合成一步;利用Adaboost算法进行图像分类。经过理论和实验证明,该方法实现简单、切实可行。     

基于混沌搜索的蚁群优化算法

文中算法将蚁群算法与混沌搜索相结合,蚁群算法陷入局部最优时,利用混沌搜索对局部最优解进行二次寻优;对二次寻优结果再重复利用蚁群算法,扩大了搜索范围,避免了算法易陷入局部最优的特点。最后通过三个TSP问题进行实验对比,结果表明基于混沌搜索的蚁群算法充分利用了混沌搜索的随机性和蚁群算法的并行性,在收敛性和优化性方面得到了提高。     

混沌粒子群优化粒子滤波算法

针对基于粒子群优化算法的粒子滤波计算复杂度大,并且容易陷入局部最优,提出了一种新的基于混沌的粒子群优化粒子滤波算法。该算法在粒子群优化的基础上,引入混沌序列,利用混沌运动的遍历性、随机性等特点改善了初始样本的质量,同时利用混沌扰动避免搜索过程陷入局部最优,使算法具有更快的收敛速度和更好的全局搜索能力。最后利用UNGM模型将该算法与标准粒子滤波和粒子群粒子滤波进行仿真对比,并利用纯角度目标跟踪模型验证了算法的有效性。实验结果表明,该算法改善了粒子群优化算法的粒子滤波易陷入局部最优的现象,提高了粒子滤波的精度和速度,具有较高的应用价值。     

一种混沌萤火虫算法的WSN节点分布优化研究

针对无线传感器网络节点分布优化问题,提出了一种有效的混沌萤火虫优化算法。在保证节点相互连通的前提下,建立了无线传感器网络对目标区域覆盖的数学模型,并将节点分布优化问题转换为求解函数最大值问题;利用萤火虫算法优越的寻优能力来实现最优的网络节点分布,并引入立方映射混沌算子来提高算法的局部搜索能力和保持种群的多样性。通过标准函数测试与无线网络覆盖优化仿真对所提算法进行了验证,结果表明:与其他算法相比,所提算法能够较好地跳出局部最优的束缚,具有优化效果佳、稳定性好、鲁棒性强的优点,能够满足无线传感器网络节点分布优化的要求。     

基于MCM和CGA的人脸表情识别方法研究

提出基于灰度共生矩阵(MCM)和混沌遗传优化算法(CGA)的人脸表情识别方法(FER).为了消除遗传算法中个体在解空间内分布的不均匀性,利用混沌的随机性、遍历性和规律性,将混沌引入到遗传算法中,由此得到了混沌遗传优化算法(CGA);通过颜色共生矩阵提取出的特征和改进后的混沌遗传优化算法,将人脸表情识别的寻找感兴趣区域(ROI)和特征提取结合成一步;最后利用支持向量机(SVM)进行图像分类.经过理论和实验证明,该方法实现简单且切实可行.     

混沌差分进化粒子群协同优化算法

为有效地改善差分进化粒子群算法的性能,结合反向学习策略和信息交互机制,提出了一种新的混沌差分粒子群协同优化算法.该算法采用反向学习策略产生初始种群,使得初始个体尽可能均匀分布,然后将初始种群随机等分为双种群,对双种群分别采用改进的混沌差分进化算法和混沌粒子群优化算法进行协同寻优,并在双种群中引入信息交互学习机制,在维持种群多样性的同时加快收敛速度.通过对四个复杂高维的标准函数寻优测试,仿真结果表明,该算法能有效避免早熟收敛,收敛速度快,寻优精度较高,具有良好的全局搜索能力,鲁棒性好.     

改进量子遗传算法辨识超混沌系统

混沌系统的参数辨识是非线性科学中混沌控制与同步的关键问题。提出改进量子遗传算法,该算法具有良好的全局搜索能力,将其应用在混沌系统参数辨识问题。通过尽量减小实际系统与数学模型的状态同步误差来构造适应度函数,将参数辨识问题转化为一个多维优化问题。对超混沌Chen系统进行研究,并与基本量子遗传算法比较。实验仿真结果表明,改进量子遗传算法的有效和可行性,为混沌系统辨识开拓了一种新方法。     

语音信号的混沌遮掩及其正定盲提取算法

利用小波变换提取语音信号的能量聚集带,将其隐藏在混沌载体信号中进行传输,设计一种盲提取算法实现不同混沌动力学系统下语音信号的有效提取。以3种不同维数的混沌动力学系统为背景,仿真实验定性和定量地分析了所提出算法的性能,验证了噪声环境下算法的可靠性,证明盲提取算法可作为对混沌保密通信系统保密性验证的有效方法。     

参数自适应混沌粒子群算法在盲源分离中的应用

独立分量分析(ICA)是盲源信号分离中应用最为广泛技术,其应用过程需要对目标函数进行优化,传统粒子算法(PSO)对其进行优化时,存在易陷入局部最优、稳定性差等缺陷,针对此问题,提出采用参数自适应混沌粒子群算法对ICA进行优化.首先采用对PSO的参数进行自适应调整,提高粒子的搜索能力,然后对粒子群进行混沌扰动,提高算法收敛速度.仿真结果表明,使用参数自适应混沌粒子群算法可以有效解决ICA的目标函数优化问题,极大提高了盲源信号的分离效果.     

基于增殖系数的混沌信号提取算法

本文提出一种基于混沌信号特性的信号盲提取算法,由于不同的混沌信号在相空间里面对应着不同的吸引子二阶增长率,利用这个特点定义了增殖系数（Proliferation Exponent,PE）并将其作为混沌信号提取的目标函数.首先分析基于增殖系数的梯度搜索方法在解决盲提取问题时存在不足,并将混沌信号的盲提取问题转化为带约束的优化问题,提出利用改进的粒子群优化算法解决信号盲提取的优化问题,通过惯性系数动态调整和最优位置的扰动,提高算法的寻优性能.实验结果表明基于增殖系数的信号提取算法能有效地提取混沌信号,提取的信号在时域和相空间与源信号接近,同时算法也表现出对噪声污染的鲁棒性.     

基于改进入侵杂草算法的稀疏线性阵列综合方法

针对大孔径情况下稀疏阵列方向图综合问题,提出了一种基于混沌序列的入侵杂草优化算法,通过减少阵列单元总数以降低系统成本。首先,在算法执行的初始阶段,利用混沌序列初始化可行解以增强搜索多样性;其次,在寻优的循环迭代过程中,当杂草间的曼哈顿距离小于设定阈值时,再次用混沌序列重新初始化杂草,使得全局搜索结果能够避免局部极小值;最后,通过将种群分为多个部分并行进化,可有效提高算法的收敛速度和寻优精度,克服早熟现象。仿真结果表明了该算法的有效性。     

Agent协商优化问题的快速混沌遗传算法

随着Internet的日益完善和电子商务的普及，如何快速、高效地进行Agent协商是我们必须面对和解决的一个重要问题。文章在Bazaar协商模型下，给出了一种快速混沌遗传算法，该算法首先将混沌机制引入遗传算法，并在搜索中，以具有一定保证的当前最优解为中心不断压缩优化变量的搜索区间，对算法进行加速。这样即克服了遗传算法过早收敛的缺点，又解决了引入混沌后遗传算法收敛慢的问题。仿真实验表明，它是解决Agent协商优化问题的一种快速有效算法。     

基于混沌遗传的异构无线网络接入选择策略

为了解决异构无线网络接入选择问题,提出一种基于混沌遗传算法的解决方法.将网络接入选择转换为一个多属性优化问题,利用混沌遗传算法解决全局寻优问题.算法首先通过超混沌系统产生初始种群和混沌扰动向量,对遗传算法进行改进;然后利用混沌遗传算法对适应度函数求解得到网络选择评价指标权重.仿真结果表明,该算法能够使新到达的用户更均匀地分布在各备选网络中,有效降低网络阻塞率并减小各候选网络阻塞率差距,实现网络的负载均衡.     

混沌优化算法在组合优化问题中的应用

组合优化问题一直都受到理论界和工程界的重视,此类问题的求解方法也有很多,却各有缺点和局限性,不能满足实际应用的需要。混沌优化算法在解决数值优化问题上具有一定的普遍性,可以很快找到全局最优解,不过组合优化问题的解不是一个数值,因此在前人研究的基础上,提出求解组合优化问题的混沌优化算法。首先分析混沌优化,并针对组合优化问题中的TSP问题,提出一种混沌优化策略,探讨在TSP问题中应用混沌优化算法的方法。结果表明了该方法的有效性。     

基于神经网络集成的微带天线谐振频率建模

谐振频率是微带天线设计过程中最重要的一个参数,直接决定设计的成败.提出基于十进制粒子群优化(DePSO)算法和二进制粒子群优化(BiPSO)算法的选择性神经网络集成方法,通过粒子群优化(PSO)算法合理选择组成神经网络集成的各个神经网络,使个体间保持较大的差异度,减小"多维共线性"和样本噪声的影响.为有效保证PSO算法的粒子多样性,在迭代过程中加入混沌变异策略.仿真试验表明:混沌PSO算法可以有效提高神经网络集成的泛化能力,基于混沌PSO算法的选择性神经网络集成所建立的微带天线的谐振频率模型好于此问题的已有结论.