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。     

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。     

An improved SVM model for relevance feedback in remote sensing image retrieval

With the rapid development of satellite remote sensing technology and an ever-increasing number of Earth observation satellites being launched, the global volume of remotely sensed imagery has been growing exponentially. Processing the variety of remotely sensed data has increasingly been complex and difficult. It is also hard to efficiently and intelligently retrieve what users need from a massive database of images. This paper introduces an improved support vector machine (SVM) model, which optimizes the model parameters and selects the feature subset based on the particle swarm optimization (PSO) method and genetic algorithm (GA) for remote sensing image retrieval. The results from an image retrieval experiment show that our method outperforms traditional methods such as GRID, PSO, and GA in terms of consistency and stability.     

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。     

A new pan-sharpening method using multiobjective particle swarm optimization and the shiftable contourlet transform

In this paper, a novel approach based on multiobjective particle swarm optimization (MOPSO) is presented for panchromatic (Pan) sharpening of a multispectral (MS) image. This new method could transfer spatial details of the pan image into a high-resolution version of the MS image, while color information from the low-resolution MS image is well preserved. The pan and MS images are locally different because of different resolutions, and therefore we cannot directly combine them in the spatial domain. For this reason, we generate two initial results, which are more appropriate for a weighted combination. First, the pan and the MS images are histogram matched. Then we use the shiftable contourlet transform (SCT) to decompose the histogram-matched pan and MS images. The SCT is a new shiftable and modified version of the contourlet transform. In this step, an algorithm based on the SCT is used to generate two initial results of the high-resolution MS images. Our objective is to produce two modified high-resolution MS images, in which one has high spatial similarity to the pan image and the other one has high radiometric quality in each band. Therefore, we have used two different fusion rules to integrate the high-frequency contourlet coefficients of the pan and MS images to generate two initial results of high-resolution MS image or the pan-sharpened (PS) image. Finally, we can find the optimal PS image by applying the MOPSO algorithm and using the two initial PS results. Specifically, the PS image is obtained via a weighted combination of the two initial results, in which the weights are locally estimated via a multiobjective particle swarm optimization algorithm to generate a PS image with high spatial and radiometric qualities. Based on experimental results obtained, the produced pan-sharpened image also has good spectral quality. The efficiency of the proposed method is tested by performing pan-sharpening of high-resolution (Quickbird and Wordview2) and medium-resolution (Landsat-7 ETM +) datasets. Extensive comparisons with the state-of-the-art pan-sharpening algorithms indicate that our new method provides improved subjective and objective results.     

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MKLD准则的PSOPF算法设计及其应用

针对标准粒子滤波算法中存在的粒子权值退化和计算量大的缺陷,提出了基于MKLD准则的粒子群优化粒子滤波算法。该方法将粒子群优化算法嵌入到粒子滤波算法的重要性采样过程中,对采样过程进行了优化,提高了粒子集的优良性的同时保证了粒子滤波状态估计的性能。同时,为了降低计算量,算法设计时基于MKLD准则自适应地选择粒子群优化算法所...     

微粒群优化方法的遥感影像变化检测研究

针对目前多时相光谱直接变化检测方法存在训练样本分布限制和样本特征组合单一的缺陷问题,本文将微粒群优化方法引入遥感信息变化检测领域,构建了基于微粒群优化方法的遥感信息变化检测方法,在变化监测的过程中,通过变化规则的自动搜索和建立,实现了遥感影像变化信息的一次性直接提取。在方法验证过程中,选择北京为实验区,成功实现了应用微粒群优化方法对实验区2000年至2006年、2006年至2009年两个时间段的遥感影像进行了土地覆盖类型的变化信息检测,并将应用微粒群优化方法与决策树（C4.5和PART）、最大似然等方法的变化检测结果进行了对比分析。结果表明,微粒群优化方法能够自动搜索变化规则,得到的变化规则比决策树方法更简单,并能够获得更高的检测精度。     

改进分数阶达尔文粒子群的多Renyi熵图像分割算法

针对智能优化图像分割算法易陷入局部最优、分割精度不高等问题,本文融合改进的分数阶达尔文粒子群算法和二维Renyi熵多阈值,提出了一种新的多阈值遥感图像分割算法。算法利用粒子自身进化信息来定义进化因子,结合进化因子并利用高斯图函数调整分数阶次a系数以实现精确计算和快速收敛;根据局部最优概率因子对局部最优位置进行Levy飞行随机扰动以提高算法跳出局部最优的能力;同时将二维Renyi熵单阈值扩展到多阈值分割上,并结合改进的分数阶达尔文粒子群算法,将二维Renyi熵多阈值应用于遥感图像分割中仿真结果表明,与其他2种智能优化分割算法相比,本文分割算法在细节处理和分割精度上均有明显优势,在PRI上至少提升7.27%、VOI至少降低6.5%、GCE至少降低10.4%.     

将微粒群和支持向量机用于耕地驱动因子选择的研究

结合微粒群算法(PSO)具有执行速度快、受问题维数变化影响小的优点及支持向量机算法(SVM)结构风险最小化原理,构建了基于离散二进制微粒群(BPSO)与支持向量机的耕地驱动力因子选择方法,使用特征子集中确定的特征来训练支持向量回归机,用适应度函数来评价回归机的性能,指导BPSO的搜索。实验表明,该方法能有效地提取出耕地驱动因子的特征子集,从而降低了指标的维数,保留了关键信息,以获得知识的最小表达。     

模拟退火机制下优化离散粒子群的端元提取算法

针对离散粒子群优化(Discrete Particle Swarm Optimization,DPSO)端元提取算法初始种群质量差、收敛性能低且易于陷入局部最优,本文将模拟退火算法引入到DPSO的不同阶段,模拟退火算法能以一定的概率接受和舍弃新状态,使种群内粒子渐趋有序、达到平衡,收敛到全局最优,有效避免了搜索陷入局部最优。因此,该算法不仅保持了DPSO的全局组合优化特点,克服了初始种群质量差、易陷入局部最优等缺点,而且还提高了收敛速度和端元提取精度。     

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。     

遥感影像融合AIHS转换与粒子群优化算法

Pan-sharpening是通过将低分辨率多光谱图像(LMS)与高分辨率全色图像(PAN)进行合成而获得高光谱高空间分辨率的多光谱图像(HMS)的过程。本文提出一种Pan-sharpening方法,称为PAIHS。该方法基于自适应亮度-色度-饱和度(AIHS)转换和变分Pan-sharpening框架以及两个假设(①Pan-sharpening图像和原始多光谱图像(MS)具有相同的光谱信息;②Pan-sharpening图像与全色图像(PAN)包含的几何信息保持一致),同时确定目标函数,然后用粒子群算法(PSO)进行优化,目的是得到最佳控制参数并求得目标函数最小值,此时对应着最好的Pan-sharpening质量。试验结果表明,本文提出的方法具有高效性和可靠性,获得的性能指标也优于目前一些主流的融合方法。     

基于粒子群优化的支持向量机在地表沉降预测中的应用

讨论了利用粒子群优化（PSO）算法来优化选择支持向量机（SVM）参数的原理,分析了三种方法在地表沉降预测中的实例,结果表明PSO-SVM模型预测精度高。     

粒子群优化BP神经网络的滑坡敏感性评价

滑坡敏感性评价是地质灾害预测预报的关键环节。针对BP神经网络易陷入局部最小值、收敛速度慢等问题,该文以三峡库区秭归县境内为研究区,采用粒子群优化(PSO)算法对BP神经网络的初始权值和阈值进行优化,构建PSO-BP神经网络滑坡敏感性预测模型,实现研究区滑坡敏感性评价。采用受试者工作特征曲线分析模型预测精度,得到PSO-BP神经网络预测精度为0.931,预测结果与实际滑坡总体空间分布具有良好的一致性,且预测能力优于BP神经网络。实验结果表明,PSO-BP神经网络耦合模型在实现滑坡敏感性评价上具有理想的预测精度和良好的适用性。     

GPS重力数据的粒子群算法联合反演断层三维滑动速率

联合反演是解释地球动力问题的有力手段,本文利用近年来发展的新优化算法-粒子群算法结合位错理论模型,比较了模拟数值的联合反演与单一数据反演的结果.并采用青藏高原东北缘2001-2004年间的GPS数据,及2003 -2004年间的重力数据,对皇城-塔尔庄断层的三维滑动速率进行了附有相对权比的联合反演计算.结果表明,多种数...     

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。     

基于主成分分析与粒子群优化的遥感影像变化检测

针对变化检测中差异影像上变化阈值选择困难的问题,该文提出了使用粒子群优化算法自动地从差异影像上选择最优变化阈值的方法。该方法首先利用主成分分析法从影像中提取包含最大信息的主分量,利用主分量构建差异影像;在此基础上,使用高斯混合模型估算差异影像的初始阈值,最后通过粒子群算法计算出最优的变化阈值。实验结果表明,该方法能够迅速地获取变化阈值,避免了人工选择时繁琐重复的尝试,且检测结果精度较高。