基于膜计算粒子群优化的FastSLAM算法改进

针对FastSLAM算法存在的粒子退化和粒子多样性缺失问题,提出了一种基于膜计算粒子群优化的FastSLAM算法.该算法将膜计算和粒子群优化算法相结合,利用膜计算的并行性、分布式的特点和粒子群优化算法的简单高效的优点,加速调整FastSLAM算法中粒子群的建议分布向全局最优解处收敛,在保证算法局部搜索精度的同时,扩大搜索范围,提高全局搜索的多样性,促使预测粒子更快的朝着真实的机器人位姿状态逼近,减缓粒子退化.最后利用MATLAB平台进行仿真实验.实验结果表明该算法提高了FastSLAM算法的定位精度,同时减少了系统运行时间,效率得到有效提高.

基于狮群优化的FastSLAM算法

针对传统FastSLAM算法存在的粒子退化和粒子多样性缺失,从而导致精度方面退化的问题,提出一种基于狮群优化的FastSLAM算法。利用狮群优化方法对FastSLAM中预测粒子进行更新,调整粒子的建议分布,对粒子群进行分工合作扩大搜索范围,增加粒子多样性;通过"适者生存"的竞争法则促使粒子更快地朝着真实的机器人位姿状态逼近,减缓粒子退化。利用MATLAB平台进行仿真实验,实验结果表明,该算法具有可行性和优越性,有效提高了SLAM精度。

基于狮群优化的FCM图像分割算法研究

为了解决模糊C均值聚类(FCM)算法进行图像分割时容易陷入局部最优和随机初始化聚类中心的问题,研究人员提出了基于改进的狮群优化和模糊C均值聚类的混合图像分割算法。该算法首先利用改进的狮群算法优化模糊C均值的目标函数,增强算法全局最佳值搜索能力,使其避免陷入局部最优,同时引入聚类有效性指标,通过迭代更新搜索到合理的分割类别数实现自动确定图像分割最佳类别数,并根据最佳类别数确定最优聚类中心的选取,最终实现图像的自适应分割。实验结果表明,该方法可自适应地确定图像分割最佳类别数,能快速准确地实现图像分割。

一种基于FCM的噪声图像分割算法研究

针对噪声污染的图像进行有效分割困难问题,提出了一种基于模糊C均值的噪声图像分割方法.该方法首先应用离散小波变换(DWT)将图像进行分解获取不同尺度的小波系数;然后利用粒子群(PSO)算法自适应搜索最优的阈值对小波系数进行处理,将处理好的系数利用小波重构得到重构图像;最后利用模糊C均值聚类完成图像分割.该算法在Berkeley数据集上进行实验,结果表明与其他算法相比,该算法具有更好的性能.