粒子群优化算法理论及应用创新.ppt

基于PSO的神经网络训练方法 （2）确定粒子编码及初始化方式 （6-17） （6-16） 式中： ， 是隐含层的节点数， 为输入特征向量的维数， 表示群体中第 个粒子位置向量的第 维分量， 对应于RBF网络核函数参数， ， ， 。 基于PSO的神经网络训练方法 （3）确定粒子适应度函数 （6-18） 式中： 为第 个粒子的适应度函数值； 为核函数参数为 的情况下网络的平均误差平方和。 算法流程图 基于PSO的神经网络训练方法 实验结果与分析 实验影像采用第五章实验中的两组纹理样本，本文提取影像纹理样本的灰度共生矩阵特征、Laws纹理能量特征和小波变换特征中的5个特征，并将它们进行归一化处理。 基于PSO的神经网络训练方法 基于PSO的神经网络训练方法 实验结论 实验结果表明，传统的K均值算法没有得到最优的核函数参数，与K均值算法相比，本文方法具有较好的训练效果，能够得到较优的核函数参数，由此建立的RBF网络具有较高的分类精度。 PSO研究展望 PSO理论研究集中在算法收敛性分析上，很难对其收敛速度进行估计，对于算法性能，有待于进行更深入的理论研究。 如何根据影像处理与分析问题的特点，提出更合理的评价标准和适应度函数，有待于进一步研究。 进一步拓宽PSO的应用领域，研究如何将PSO用于解决影像处理与分析中的其它问题，比如边缘提取、影像匹配等。 进一步研究PSO与其它类型神经网络的结合方式，研究PSO与其它智能算法的结合方式，比如，支持向量机、遗传算法、免疫算法等，形成多智能联合算法，更好地解决影像处理与分析中的问题。 谢谢大家，欢迎交流! 基于PSO的影像模糊阈值分割方法 由于本文方法的分割效果取决于模糊参数组 和模糊阈值 的取值，因此，有必要将用本文方法得到的模糊参数组 和模糊阈值 的取值与用穷尽法得到的取值进行比较。 基于PSO的影像模糊阈值分割方法 基于PSO的影像模糊阈值分割方法 基于PSO的影像模糊阈值分割方法 基于PSO的影像模糊阈值分割方法 实验结论 实验结果表明，本文方法具有较好的影像分割效果，将PSO用于模糊阈值自适应选取，不仅能得到与穷尽法相同的最优模糊阈值，而且具有较高的搜索效率和可靠性。 基于PSO的影像模糊纹理分类方法 存在的难点 （1）模糊特征选择 （2）模糊类别中心选取 基于PSO的影像模糊纹理分类方法 模糊分类原理 模糊分类方法首先计算待识别模糊模式与已知模糊集的贴近度，再根据择近原则来判断待识别模糊模式的类别。几种常用的贴近度表达式，如下： 海明贴近度 欧氏贴近度 明氏贴近度 模糊贴近度 （5-22） （5-21） （5-24） （5-23） 基于PSO的影像模糊纹理分类方法 模糊分类算法流程 基于PSO的影像模糊纹理分类方法 模糊特征选择方法可行性分析 首先确定最优特征组合评价标准和特征组合的可行取值范围，将特征选择问题转换为组合优化问题进行处理；接着确定粒子具体表达方法，每个粒子的空间位置是一个可行的特征组合；最后确定群体寻优策略，通过利用信息共享机制，粒子不断调整自身的飞行速度和空间位置，以搜索最优空间位置，即最优特征组合。 基于PSO的影像模糊纹理分类方法 算法设计中的关键问题 （1）将问题转换为优化问题进行处理 本文提出最优特征组合评价标准，如下： 设 为在 这一特征组合情况下进行分类得到的综合评价指标值， 为1或者0， ， 为特征总数， 表示第 个特征被选择， 表示第 个特征未被选择，若对于在特征组合可行域中的每一 有 成立，则 为最优特征组合。 式中： 为综合评价指标， , 和 分别为总体精度和Kappa系数。 基于PSO的影像模糊纹理分类方法 （2）确定粒子编码及初始化方式 （5-35） （5-34） 式中： 为0或者1的随机数， 表示群体中第 个粒子位置向量的第 维分量，第 个粒子位置向量 表示一个可行的特征组合， 表示第 个特征被选择， 表示第个特征未被选择。 基于PSO的影像模糊纹理分类方法 （3）确定粒子适应度函数 （5-36） 式中