混沌离散粒子群优化的高光谱影像端元提取算法

针对离散粒子群优化算法在进行端元搜索时易陷入局部最优值等缺陷,提出了混沌机制扰动下的离散粒子群优化的端元提取算法(CDPSO-EE)。研究了混沌理论特有的随机性、遍历性以及对初始值敏感性等特点,将混沌理论引入到DPSO端元提取算法的初始化阶段,优化了初始种群质量;将混沌变量附加到粒子自身历史最优位置获得扰动新位置,对比混沌扰动前后粒子所在位置的适应度函数值,选择最优位置为粒子新的位置,让粒子有能力跳出局部最优值。结果表明CDPSO-EE在高光谱影像端元提取方面具有更好的端元提取质量。     

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%.     

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。     

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。     

基于改进粒子群算法在GIS最优路径中的研究

在GIS环境下研究最优路径问题具有很多优势,本文研究的最优路径问题是基于传统粒子群算法存在的早熟收敛问题,并提出了一种改进的粒子群算法,该算法在后期引入变异算子,变异操作能够提高算法跳出局部最优的能力,同时又保持了前期搜索速度快的优点。     

模拟退火粒子群与小波的地基沉降预测应用

针对粒子群优化算法易陷入局部极小值问题,改进学习因子使其自适应调整,并与具有良好全局搜索能力的模拟退火算法结合,充分利用两种算法各自的优点,同时结合小波分析去噪,优化神经网络参数,对地基累计沉降数据进行预测,并与标准粒子群优化算法做了对比,实验表明两种方法的结合具有良好的全局和局部搜索能力,预测精度高。     

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。     

基于混沌粒子群优化神经网络的GPS高程拟合研究

针对普通神经网络模型存在预测精度低等问题,采用粒子群优化神经网络权值和阈值的预测方法,建立基于该方法的BP神经网络高程异常拟合模型。为克服粒子群算法易陷入局部最优,提出并建立改进算法,即先用混沌变量初始化粒子位置,当出现早熟收敛时,对局部较优的部分粒子和全局极值采用混沌优化策略,从而提高了模型的训练精度。试验结果表明,该方法具有更好的准确性和稳定性。     

PSO-RBF应用于航空和卫星遥感影像的纹理分类

粒子群优化算法(PSO)是基于群体智能的新型进化计算技术,将核函数参数选取问题转换为优化问题,用PSO来进行处理,并将PSO与RBF联合(PSO-RBF)应用于航空和卫星遥感影像的纹理分类,实验结果验证了此方法的有效性。     

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。     

改进型果蝇算法优化的灰色神经网络变形预测

针对灰色神经网络权值阈值的不确定性,该文提出改进型果蝇优化算法优化的灰色神经网络预测模型。通过添加逃脱系数修改适应度函数,同时引入三维空间搜索的概念扩大了果蝇搜索范围对基本果蝇优化算法进行改进,避免算法陷入早熟收敛的陷阱,加快收敛速度,有效地提高了算法的优化性能。利用改进型果蝇优化算法优化灰色神经网络参数建立预测模型。选用实际工程沉降数据仿真模拟,验证该模型的预测性能,并将预测结果与果蝇优化算法灰色神经网络、粒子群优化灰色神经网络和灰色神经网络进行比较。结果表明,改进型果蝇优化算法优化的灰色神经网络预测模型预测精度更高,拟合程度更好。     

利用自适应TS-IPSO优化的灰色系统预报卫星钟差

在传统灰色系统预报模型的基础上,提出了一种自适应双子群改进粒子群算法（improved particle swarm optimization algorithm by two subgroups,TS-IPSO）和灰色系统相结合的预报模型。首先对钟差序列进行平滑性检验,对不满足平滑条件的序列作对数平滑处理;然后对灰色系统模型进行优化,为避免粒子群算法陷入局部最优,建立了主辅子群协同进化,惯性权重非线性递减机制。通过TS-IPSO优化发展灰数和内生控制灰数,增强了灰色系统模型的泛化能力。选取来自4种不同钟型的卫星钟差数据进行计算分析。结果表明,模型对6 h和24 h的预报精度和稳定性均优于传统模型,特别是对短期稳定性较差的铯钟,实现了6 h预报误差小于1.60 ns,24 h预报误差小于5.71 ns。     

利用粒子群算法的小波神经网络探讨

小波神经网络(WNN)具有较强的逼近和容错能力,并具有良好的收敛性和鲁棒性。然而其网络收敛速度慢、搜索成功率低和易陷入局部极小值等缺点使得传统的小波神经网络难以得到广泛应用。本文介绍一种基于粒子群(PSO)算法的小波神经网络,其通过利用种群间信息共享进行寻优,以获得结构化的神经网络,克服了传统小波网络的诸多缺点,结合工程实例,检验了其具有较好的适用性和可靠性。     

Ionosphere tomography using wavelet neural network and particle swarm optimization training algorithm in Iranian case study

GPS Solutions - Computerized tomography provides valuable information for imaging the ionospheric electron density distribution. We use a wavelet neural network with a particle swarm optimization...     

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。