利用MKLD准则的自适应PF算法设计及其应用

为降低PF算法的计算量,提出了基于最大Kullback-Leibler距离(MKLD)准则的PF-AMCMC算法。该算法可在自适应地选择粒子数的前提下,同时自适应地选择粒子滤波算法中MCMC移动步骤实施的时刻,在保证一定的状态估计精度的条件下,减少粒子滤波的计算量。大量的数值试验和GPS/DR组合导航仿真试验表明,本文提出的算法较标准粒子滤波算法在克服粒子滤波计算量大的缺陷方面有显著的效果,且获得了精度更高的状态估计。     

应用高斯粒子群优化的无迹粒子滤波

针对粒子滤波算法中存在的粒子退化与粒子匮乏的缺陷,提出了利用高斯粒子群优化无迹粒子滤波的新算法。算法使用无迹粒子滤波进行重要性采样,并将高斯粒子群优化算法融入重采样过程中。该算法选取的概率密度更加接近系统真实状态,有效增加了粒子的多样性,提高了抽样效率,降低了粒子退化程度,缓解了粒子匮乏现象。试验结果表明,该算法的滤波精度明显优于粒子滤波与无迹粒子滤波算法所得到的滤波精度。     

基于均值漂移的粒子滤波算法设计及其在导航数据处理中的应用

针对标准粒子滤波算法中存在的计算量大和粒子的权值退化的缺陷,将均值漂移算法和PF算法进行融合,设计基于均值漂移搜索算法的粒子滤波新算法。该算法仍遵从粒子滤波算法的计算框架,基本原理是利用MS算法对粒子的聚类作用,将均值漂移思想融合到粒子滤波算法的重要性采样过程中,对粒子集进行确定性搜索,使每个粒子收敛于局部最优值,这样粒子的状态表示更接近真实的状态分布,因此只需较少的粒子数便可达到未嵌入MS的使用大量粒子数的粒子滤波状态估计的性能,从而在缓解粒子的权值退化的同时提高粒子滤波算法的实时性。大量的数值试验和对GPS/DR组合导航数据处理的结果验证了该方法的有效性。     

露天矿边坡变形监测中BP神经网络模型优化设计

提出了一种提升露天矿边坡位移量预测精度和收敛速度的基于自适应混合跳跃粒子群算法(AHJPSO)改进的BP(Back Propagation)神经网络模型。传统的BP神经网络模型在位移量预测过程中存在收敛速度慢、预测精度低、易陷入局部极小值的问题,而自适应混合跳跃粒子群算法具有快速寻优能力以及能够在迭代计算的过程中有效避免陷入局部极小值的能力,所以采用自适应混合跳跃粒子群算法优化后的BP神经网络模型,能够使BP神经网络模型对露天矿边坡位移量的预测精度更高、算法收敛速度更快,并有效跳出局部极小值。     

基于粒子群优化算法的多因子自适应滤波

在抗差多因子自适应滤波的基础上,提出基于粒子群优化智能算法进一步搜索自适应因子的优化值,提高自适应因子的可靠性.在基于状态不符值构造的自适应因子的基础上,构造适应性函数,采用粒子群优化算法搜索更有效的自适应多因子.利用动态导航数据进行验证,结果表明,基于粒子群优化的多因子自适应滤波能更有效地控制异常影响,提高动态导航精度.     

粒子群算法在极化SAR目标对比增强中的应用

针对SAR极化对比增强中存在计算复杂的问题,将粒子群算法应用到极化SAR目标增强当中,并通过数据实验,验证了其优越性。该方法将对比增强问题抽象成最优化问题,将统计得到的区域平均协方差矩阵作为粒子群优化算法的输入,计算每个粒子的适应度值,更新粒子群的个体最优和全局最优值,通过迭代得到最优对比度。实验结果表明,与传统的最优极化对比增强算法相比,基于粒子群优化算法的极化对比增强方法能达到更好的对比度,而且实现较为简单。     

多目标微观邻域粒子群算法及其在土壤空间优化抽样中的应用

提出一种基于多目标微观邻域粒子群的土壤空间优化抽样方法。方法面向土壤空间调查的多目标特征,构建了基于最小克里金方差（MKV）和极大熵准则（ME）的粒子群多目标适应度函数,设计了最小样本量限制、样点可达性、采样成本限制和最小空间关联性四类粒子微观邻域操作策略,能高效协调土壤空间抽样精度、代表性、成本、样本量与样点布局等多目标冲突。实验结果表明,相比单目标粒子群算法和模拟退火算法,该方法的目标冲突协同能力强、收敛效率高,所设计抽样方案最优,为土壤质量精确调查与高效监测提供了技术支持。     

Contourlet变换和Tsallis熵的多源遥感图像匹配

提出了一种利用Contourlet变换、Tsallis熵和改进粒子群优化的多源遥感图像匹配算法。在分别对参考图像和目标图像进行Contourlet分解的基础上,以基于Tsallis熵的互信息量作为相似性度量准则,利用改进的带极值扰动的简化粒子群优化算法对低分辨率的遥感图像进行匹配操作,逐级上推,最终实现全分辨率情况下多源遥感图像的匹配。实验结果表明,与常用的遥感图像匹配算法相比,该算法匹配精度高,稳健性好,且运算量大幅减少。     

观测值含有粗差的抗差粒子滤波算法

作为非线性滤波的代表，粒子滤波得到广泛应用。该算法通过随机生成的具有权重的样本（粒子）来计算后验概率密度。其中赋权的过程需要综合系统信息和观测信息，当观测值含有粗差时，会使粒子错误赋权影响滤波结果。提出一种新的基于抗差估计的抗差粒子滤波算法，通过计算粒子等价权，抑制观测值粗差的影响。模拟计算分析表明，当观测值含有粗差时，与标准粒子滤波相比，该方法能有效提高滤波精度。     

地图匹配辅助的KF-PF室内定位算法模型

针对使用智能手机进行行人航迹推算（pedestrain dead reckoning,PDR）时航向角漂移,定位精度不高,误差累积的问题,提出了一种地图匹配辅助的卡尔曼滤波-粒子滤波（Kalman filter-particle filter,KF-PF）多重滤波算法对PDR算法进行优化。在传统PDR算法的基础上,使用KF融合陀螺仪数据和地图信息解算航向角,然后采用基于地图匹配的粒子滤波算法对轨迹结果进行处理。实验结果表明,该方法消除了航向角误差过大对定位结果的影响,在提高室内定位的灵活性的同时增强了定位的稳定性和精度,并通过地图匹配减少了传统粒子滤波采样点数,降低了运算量,使其在手机平台上实时运行成为可能。     

基于免疫粒子群优化算法的影像纹理分类

粒子群优化算法是基于群智能的随机全局优化方法,它源于对鸟群简化社会系统的模拟。为了提高标准粒子群优化算法的收敛性能,将生物免疫系统的记忆能力和多样性引入标准粒子群优化算法,提出一种免疫粒子群优化算法。在提取纹理样本Laws纹理能量模板特征、小波特征等纹理特征的基础上,提出针对分类问题的粒子表达方法和群体寻优策略,实现了基于免疫粒子群算法的纹理分类。实验结果表明,与标准粒子群优化算法相比,免疫粒子群优化算法在获取训练样本类别中心时具有较好的收敛性能,并且基于该算法的影像纹理分类具有较高的分类精度。     

递进式预测模型在滑坡变形预测中的应用

为达到提高滑坡变形预测精度的目的,利用量子算法和粒子群算法对支持向量机进行优化,并利用马尔科夫链对滑坡变形预测误差进行修正,综合构建滑坡变形的递进式预测模型。结果表明:通过量子算法及粒子群算法对支持向量机优化,克服支持向量机参数选取困难,实现预测过程的全局优化,并经过MC误差修正模型对滑坡变形预测值误差修正,提高预测精度及预测值稳定性,验证预测模型可行性和有效性,为滑坡变形预测提供一种新的预测方法。     

基于粒子群优化算法的最大类间方差多阈值图像分割

最大类间方差法是图像分割中一种常用的阈值分割方法,对于单阈值分割具有显著的效果,但是对于多阈值分割,计算复杂度大、耗时较多。本文将粒子群优化算法与最大类间方差法结合,提出了一种新的图像分割方法,该方法利用粒子群优化算法的寻优高效性,并由灰度图像的最大类间方差值作为适应值,搜索最优分割阈值,实现图像的多阈值分割。实验结果显示,新方法大大缩短了寻找最优阈值的时间,降低了运算复杂度,提高了图像分割速度,说明基于粒子群优化算法的图像分割算法是可行的、有效的。     

城市土地利用空间优化配置的多智能体系统与微粒群集成优化算法

在多目标约束下,构建了应用于城市土地利用空间优化配置的多智能体系统与微粒群集成优化算法,并以长株潭城市群的核心区域为例,开展了基于该算法的城市土地利用空间优化配置应用研究。研究结果表明,集成优化算法的Agent平均适应值和运行效率分别较微粒群优化和标准遗传算法得到了大幅度提高,从而证明了算法的可行性与先进性。     

基于自适应粒子群优化的SVM算法在建筑物沉降预测中的应用

针对传统支持向量机算法在预测方面的不足,采用自适应粒子群算法(APSO)对支持向量机参数选择进行分析和优化,建立基于自适应粒子群优化的SVM算法建筑物沉降预测模型,并对建筑物进行沉降预测。实验表明,相比于传统的支持向量机算法,自适应粒子群优化的SVM算法预测精度较高,为建筑物沉降预测提供一种新方法。     

基于粒子群优化的BP神经网络在GPS高程拟合中的应用

讨论了利用粒子群优化(PSO)算法来训练BP神经网络的权值和阀值的原理,分析了三种GPS高程拟合实例,结果表明PSO-BP模型可以应用于GPS高程拟合中。     

BP神经网络遥感水深反演算法的改进

针对BP神经网络遥感水深反演算法（简称传统BP算法）的缺点,提出了改进型BP神经网络遥感水深反演算法（简称改进型BP算法）,其基本原理是在模型训练过程中反复运用粒子群算法对BP神经网络的权值和阈值进行优化以弥补传统BP算法的不足。试验表明：改进型BP算法的训练迭代收敛速度明显快于传统BP算法,浅水区的水深反演精度优于传统BP算法,且学习算法对初始权值和阈值不敏感。