粒子群优化算法理论及的应用.ppt

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。 离散二进制PSO PSO最初多用于解决连续优化问题，Kennedy等提出了一种离散二进制PSO，用于解决组合优化问题，在该算法中，粒子的空间位置被表示为由0或1组成的向量，对于每一次迭代，分别按下式计算粒子在搜索空间的运动速度和空间位置： （2-7） （2-6） 式中： 算法流程图 PSO的特点 算法只需目标函数的输出值，而无需其相关梯度信息； 算法需要调整的参数很少； 算法仅涉及各种基本数学操作，易于实现； 算法无集中控制约束，不因个别个体故障而影响整个问题的求解，具有很强的鲁棒性； 算法可以进行并行分布式处理，可以充分利用多处理器，在搜索空间上进行并行操作，每个个体的搜索过程可以并行进行。 PSO的设计原则 适用性原则 指算法所能适用的问题种类，这取决于具体问题所需的限制和假设。 可靠性原则 指算法能对优化问题提供可靠解。PSO是随机优化算法，其结果往往带有一定的随机性和不确定性，应尽量通过反复检验以确认算法的可靠性。 收敛性原则 指算法能否收敛到全局最优解，并且具有一定的收敛速度。 稳定性原则 指算法对其控制参数和优化问题数据的敏感程度。 PSO设计中的关键问题 将待解决问题转换为优化问题进行处理 明确需要确定的参数或者组合，确定其最优评价标准，将问题转换为优化问题进行处理。根据优化问题的类型，采用相应的PSO算法模型。 确定粒子编码及初始化方式 粒子编码方式会对算法性能产生影响，根据选定的PSO算法模型，采用相应的编码方式。 确定粒子适应度函数 适应度函数是对粒子空间位置优劣的度量，引导着优化过程的进行。通常，适应度函数的确定依赖于需要解决的具体优化问题。 PSO在遥感领域中的应用研究 各种飞机和卫星系统提供了以TB级计的海量航空和卫星遥感影像数据，但其中大量数据得不到充分利用，实现影像处理与分析的自动化和智能化是摄影测量与遥感学科亟待解决的瓶颈问题。 PSO是基于群体智能的新型进化计算技术，具有自适应、自组织等智能特性，具有强大的寻找最优解的能力，将PSO应用于航空和卫星遥感影像的处理与分析，探索出PSO用于解决影像分割、影像分类等关键问题的有效途径，为实现影像处理与分析的自动化和智能化打下一定的基础。 基于PSO的影像自适应增强方法 存在的难点 增强参数选取