排序方式: 共有16条查询结果,搜索用时 15 毫秒
2.
脉冲耦合神经网络(Pulse Coded Neural Network,PCNN)在图像处理中得到了十分广泛的应用,但是其多个参数的设置给实际应用造成很大的困难。尤其是在图像分割中,不同类型的图像要求不同的分割参数,不同的参数对图像分割的结果影响很大。而微粒群优化算法(Partide Swarm Optimization,PSO)具有对参数自动寻优的优势,为此,将PSO和PCNN相结合,以改进的最大熵函数为适应度函数,提出了一种基于PSO和PCNN算法的图像自动分割算法。实验仿真结果验证了该方法的有效性,即不仅可以正确地实现图像分割,而且参数可以自动设置,省去了人工实验的麻烦,同时分割速度也有所提高。 相似文献
3.
4.
5.
基于微粒群算法和脉冲耦合神经网络的图像分割算法 总被引:2,自引:1,他引:1
脉冲耦合神经网络(Pulse Coded Neural Network, PCNN)在图像处理中得到了十分广泛的应用,但是其多个参数的设置给实际应用造成很大的困难.尤其是在图像分割中,不同类型的图像要求不同的分割参数,不同的参数对图像分割的结果影响很大.而微粒群优化算法(Particle Swarm Optimization, PSO)具有对参数自动寻优的优势,为此,将PSO和PCNN相结合,以改进的最大熵函数为适应度函数,提出了一种基于PSO和PCNN算法的图像自动分割算法.实验仿真结果验证了该方法的有效性,即不仅可以正确地实现图像分割,而且参数可以自动设置,省去TAT实验的麻烦,同时分割速度也有所提高. 相似文献
6.
7.
8.
高心墙堆石坝填筑分期分区优化模型 总被引:1,自引:0,他引:1
高心墙堆石坝填筑分期分区问题涉及关系复杂的众多因素,包括:计划工期、坝体上坝道路布置、料场开采与存储规划、坝面作业的施工组织方式与作业空间大小、施工机械类型与运行参数以及环境因素等.通过对心墙堆石坝填筑系统的分析,确定了各影响因素对填筑分期分区规划的制约关系,以满足约束条件下的各期填筑强度不均衡度最小为优化目标,建立了堆石坝填筑分期分区优化模型,并提出了一种求解该模型的混合智能优化算法.综合考虑坝面作业方式、坝面空间大小、施工机械等因素的影响,提出了填筑可达强度的概念,作为优化的一个重要指标.以提出的模型和算法为基础,利用Visual C#平台开发了高心墙堆石坝填筑分期优化软件(OSFD-nzd),并成功应用于糯扎渡心墙堆石坝填筑分期规划问题中,获得了较优的分期分区参数. 相似文献
9.
10.