改进的粒子群算法在传感器温度补偿中的应用

针对红外气体传感器测量精度受环境温度影响较大的问题,提出了一种基于嵌入自适应Levy变异免疫粒子群-最小二乘支持向量机(ALIPSO-LSSVM)的温度补偿算法。ALIPSO算法引入Levy flight对子代粒子进行自适应变异,确保粒子多样性,并在每次迭代之前,采用相对基学习方法初始化粒子群,提高算法的收敛速度。通过5个基准测试函数对ALIPSO算法进行性能评价,仿真结果表明该算法收敛速度较快、精度高,且具有较强的全局搜索能力。利用ALIPSO算法对LS-SVM的参数进行优化,并将该混合算法应用于红外气体传感器温度补偿,数值仿真结果表明采用该算法可将补偿结果的相对误差控制在6%范围内。

嵌入列维变异的混合动态粒子群算法

针对标准粒子群优化算法易陷入局部最优、收敛精度不高的问题,提出一种嵌入列维变异的混合动态粒子群算法(DLPSO)。算法在进化过程中采用动态拓扑Dbest策略以降低粒子趋同性,每次迭代时根据解的好坏将粒子分为全局最优粒子、探索粒子及无目标粒子,并对探索粒子进行分簇,簇内粒子的更新受到全局最优粒子及簇内最优粒子的共同影响;为确保粒子多样性,平衡局部搜索与全局搜索,采用免疫机制与自适应列维变异相结合的方式对粒子进行变异。利用7个测试函数对算法进行性能评价,数值仿真结果表明该算法搜索精度高且稳定性好,具有良好的收敛性能。

基于改进PSO算法的红外气体传感器温度补偿

针对红外型气体传感器测量精度受环境温度影响较大的问题,提出一种基于嵌入自适应列维变异的动态拓扑免疫粒子群-最小二乘支持向量机(DLIPSO-LSSVM)温度补偿算法。DLIPSO算法在粒子群优化过程中采用动态拓扑Dbest机制以更好地适应粒子群进化过程;为确保粒子多样性,平衡局部搜索与全局搜索,算法嵌入自适应列维变异对粒子进行变异。利用基准测试函数对DLIPSO算法进行性能对比评价,仿真结果表明算法具有较强的全局搜索能力、精度高且稳定性较好。利用DLIPSO算法对LS-SVM的参数进行优化,将混合算法用于实际红外气体传感器的温度补偿,实验数值结果表明算法可将补偿结果的相对误差控制在5%范围内。

基于曲波变换和Retinex人脸光照处理算法

针对光照对人脸识别影响问题,提出了一种基于曲波变换和Retinex人脸光照处理的算法。该算法对光照变化人脸对数变化后的图片进行曲波变换(Curvelet);利用Kimmel变分模型作为平滑滤波算子对低频图像进行平滑滤波,对高频系数进行阈值去噪。通过曲波逆变换得到光照亮度成分图像;利用Retinex模型提取光照不变成分。通过Yale B与CMU PIE人脸库的实验结果表明:该算法能有效地消除光照变化对人脸识别的影响并提高人脸识别率。