基于LDQPSO算法的非刚体配准（教学资料）.docVIP

基于LDQPSO算法的非刚体配准（教学资料） 文档信息 ： 文档作为关于“高等教育”中“大学课件”的参考范文，为解决如何写好实用应用文、正确编写文案格式、内容素材摘取等相关工作提供支持。正文7013字，doc格式，可编辑。质优实惠，欢迎下载！ 目录 TOC \o 1-9 \h \z \u 目录 1 正文 2 文1：基于LDQPSO算法的非刚体配准 2 1 非线性自适应QPSO算法原理 3 （10） 4 2 基于NLAPSO算法的非刚体配准原理 5 （11） 5 3 仿真研究 5 （1）闭合曲线点云仿真实例。 6 （2）手写字体点云仿真实例。 6 4 结语 7 文2：基于智能排课算法的设计与实现 7 一.时间表的初始化： 7 二.排课算法的粗流程： 7 1、给所有班级进行排课粗流程： 7 2)判断i是否为0，如果是则程序结束，否则继续下面的流程。 8 2、给某一班级排完它所有的课程的粗流程： 8 2)判断i是否为0，如果是则程序结束，否则继续下面的流程。 8 三. 排课算法的实现： 8 1) 统计所有要排课班级的总数: 9 2)判断一个班级是否已编排课程 9 4）统计某一班级要上的课程的总数: 9 5)判断某班级的某课程是否已编排 9 四.排课算法的详细流程 11 参考文摘引言： 13 原创性声明（模板） 14 文章致谢（模板） 15 正文 基于LDQPSO算法的非刚体配准（教学资料） 文1：基于LDQPSO算法的非刚体配准 基于点的特征匹配问题一直是计算机视觉、模式识别等领域中一个基础而重要的课题。在实际应用中，如目标跟踪，常常需要对存在非刚性形变的场合进行快速精确的配准，进而实现高效的目标跟踪，因此，如何实现准确快速的配准尤其是非刚体配准显得尤为重要。 2003年，Chui等[1]提出的基于TPS构造能量函数，用于非刚体点云配准中，然而该算法是基于SA算法实现的，实际求解对于多峰函数寻优具有局限性。PSO算法需控制的参数少，易实现且对多峰函数寻优具有很好的效果。2004年，冯林[2]提出基于PSO算法的点匹配方法。但标准PSO算法并不能以绝对概率寻得全局最优，故文献[2]算法易陷入局部最优。 一个好的优化算法，必须能够很好地平衡算法的“开发能力”和“探索能力”。种群多样性是衡量算法“开发能力”和“探索能力”的重要依据。2011年，Shi等[3]给出了多样性的定义，并指出量子粒子群优化算法本质上是一种PSO多样性控制的算法。因此，多样性控制研究中，对量子粒子群优化算法进行研究，具有实际的价值和意义。基于此，该文对QPSO算法的惯性权重系数采用线性+自适应的策略进行更新，提出了LDQPSO算法（Linear adaptive QPSO），有效地解决了标准PSO算法过早收敛到局部最优的问题。并进一步将LDQPSO应用于非刚体配准的一一对应关系和映射函数参数的优化中，有效地提高了非刚体点云配准问题的精确性性和快速性。 1 非线性自适应QPSO算法原理 该节首先简要介绍标准QPSO的基本原理，接着详细介绍该文所提出的LDQPSO算法原理及实现步骤。 标准QPSO算法原理简介 2004年，Sun[6]从量子力学的角度提出了QPSO算法，粒子的位置方程为： （1） 其中，u为在[0，1]之间的随机数，L由式（2）确定： ·β· （2） 最后，得到QPSO算法的进化方程为： （3） （4） 其中，D表示粒子的维数，表示所有粒子的平均最优值，N表示粒子数目，u是在[0， 1]均匀分布的随机数。第i个粒子的最优。β是算法收敛的重要且唯一参数。 LDQPSO算法原理 参数对于算法寻优性能至关重要，如何选择最优策略确定最佳参数促进算法寻优性能是相当复杂的问题。受SA启发，分析式（3）容易发现，β较大时算法以较快速度在全局寻优，但此时的解往往不是最精确的；β较小时算法以较慢速度在局部寻优，此时更易寻得全局最优解。因此，可设置随着迭代进行β在一定范围内逐步递减，最终搜索到最优解。 该文提出的LDQPSO算法基本思想为：初期为粗匹配，对β控制采用式（6）策略，此时β值较大，算法收敛速度较快，侧重于促进算法在全局搜索所有的解，粒子之间进行信息交互，向当β前全局最优解“聚拢”；当达到预设值时算法进入精匹配，对β控制采用式（7）策略，算法寻优速度较初始有所降低，粒子集中在局部搜索更精准的最优值。 β=f （a，e）=β-s·β01+a·β02 （6） （7） 其中，β0和β1分别为β的最大、最小值；t表示算法当前的迭代次数；表示算法的最大迭代次数；s为进化速度因子，s的取值范围为0 （8） （9） 上式