基于“数据驱动+智能学习”的合成孔径雷达学习成像

对感兴趣目标的数量、位置、型号等参数信息的精确获取一直是合成孔径雷达(SAR)技术中最为重要的研究内容之一。现阶段的SAR信息处理主要分为成像和解译两大部分,两者的研究相对独立。SAR成像和解译各自开发了大量算法,复杂度越来越高,但SAR解译并未因成像分辨率提升而变得简单,特别是对重点目标识别率低的问题并未从本质上得以解决。针对上述问题,该文从SAR成像解译一体化角度出发,尝试利用“数据驱动+智能学习”的方法提升机载SAR的信息处理能力。首先分析了基于“数据驱动+智能学习”方法的SAR成像解译一体化的可行性及现阶段存在的主要问题;在此基础上,提出一种“数据驱动+智能学习”的SAR学习成像方法,给出了学习成像框架、网络参数选取方法、网络训练方法和初步的仿真结果,并分析了需要解决的关键性技术问题。

一种基于算术运算和透镜成像学习策略的改进灰狼优化算法

针对基本灰狼优化算法收敛速度慢,易陷入局部搜索的情况,提出一种基于算术运算和透镜成像学习策略的改进灰狼优化算法。该算法在基本灰狼优化算法的基础上,引入算术优化算法的乘除算子,利用带透镜成像的反向学习策略增强最优个体的多样性,增强算法的全局探索能力,提高收敛速度。对比实验结果表明,改进的灰狼优化算法具有收敛速度快、易跳出局部寻优状态,在30个基准测试函数的求解中获得了28个测试函数的最优均值,并且求解质量及普适性均优于最新的几种对比算法。

基于自适应权重与透镜成像学习的麻雀算法

为了解决麻雀搜索算法(SSA)存在的跳出局部最优值能力弱、寻优精度不理想等缺陷,提出了一种基于自适应权重因子与透镜成像反向学习的麻雀搜索算法(LIW-SSA)。利用Circle映射和一般反向学习策略生成麻雀种群,提升了初始种群的质量以及丰富性。将自适应权重因子引入到麻雀种群警戒者更新公式中,能有效平衡算法前后期搜索能力。采用透镜成像学习机制对当前麻雀最优个体实施干扰,提高了算法的跳出局部最优以及寻优性能。通过对基准测试函数的寻优对比,验证了提出的LIW-SSA算法相较于基本麻雀搜索算法以及其他优化算法,在算法稳定性以及寻优精度上得到了很大的提高。

基于平面镜反射成像学习的海洋捕食者算法及特征选择

针对基本海洋捕食者算法在求解复杂优化问题时存在收敛速度慢、解精度低和易陷入局部最优的缺点,提出一种改进的海洋捕食者算法。一方面,该算法在迭代前期引入当前全局最优个体引导群体中其他个体进行搜索的策略,从而加快算法的收敛速度;另一方面,在迭代后期引入平面镜反射成像学习策略,从而帮助群体逃离局部最优和提高求解精度。将改进算法应用于12个基准测试函数的寻优,结果表明,该算法比在求解精度和收敛速度方面均获得了显著提高。再将改进算法应用于求解21个特征选择问题,结果表明,该算法能有效去除冗余特征,提高数据分类的准确度。通过以上对比实验,显示出该改进算法的性能具有较强竞争力。

动态透镜成像学习人工兔优化算法及应用

针对基本人工兔优化(Artificial Rabbits Optimization, ARO)算法在解决复杂优化问题时存在收敛慢、精度不高和容易陷入局部最优等缺陷,本文提出一种改进的ARO算法(记为IARO算法)。IARO算法中的基于正弦函数的非线性递减能量因子能够帮助算法实现从探索阶段到开发阶段的良好过渡,从而提高算法的收敛速度和解的质量。此外,为了提高算法跳出局部最优的概率,IARO算法引入了一种动态透镜成像学习策略。为了证明IARO算法的优越性,首先选取了6个基准测试函数进行数值实验,然后用其求解2个工程设计优化问题和1个包括15个数据集的特征选择问题,并与灰狼优化(GWO)算法、鲸鱼优化算法(WOA)、正弦余弦算法(SCA)和基本ARO算法进行对比。结果表明,IARO算法有着比其他对比算法更优越的性能。

透镜成像反向学习的精英池侏儒猫鼬优化算法

侏儒猫鼬优化算法(dwarf mongoose optimization,DMO)是新提出的一种元启发式算法,该算法具有较强的全局探索能力和稳定性,但由于原始算法中仅依靠雌性首领带领整个猫鼬种群进行搜索,会产生收敛速度较慢、易陷入局部最优以及探索阶段与开发阶段之间的平衡较差等问题。针对上述问题,提出一种融合透镜成像反向学习的精英池侏儒猫鼬优化算法(improved dwarf mongoose optimization,IDMO),采用透镜成像反向学习策略,避免算法在迭代过程中陷入局部最优,增强算法的探索能力;在阿尔法组觅食时引入精英池策略,提高了算法的收敛精度,进一步增强算法探索能力。通过基准测试函数进行实验,表明IDMO算法具有良好的寻优性能和鲁棒性,且算法收敛速度得到显著提升。通过对汽车碰撞优化问题的求解,进一步验证了IDMO算法具有良好的适用性和有效性。

基于透镜成像学习策略的灰狼优化算法

在灰狼优化算法中,C是一个重要的参数,其功能是负责算法的勘探能力.目前,针对参数C的研究工作相对较少.另外,在算法进化过程中,群体中其他个体均向α、β和δ所在区域靠近以加快收敛速度.然而,算法易陷入局部最优.为解决以上问题,本文提出一种改进的灰狼优化算法(Lens imaging learning grey wolf optimizer algorithm,LIL-GWO).该算法首先分析了参数C的作用,提出一种新的参数C策略以平衡算法的勘探和开采能力;同时,分析了灰狼优化算法后期个体均向决策层区域聚集,从而导致群体多样性较差,提出一种基于光学透镜成像原理的反向学习策略以避免算法陷入局部最优.对LIL-GWO算法的收敛性进行了证明.选取12个通用的标准测试函数和30个CEC 2014测试函数进行实验,在相同的适应度函数评价次数条件下,LIL-GWO算法在总体性能上优于基本GWO算法、改进GWO算法和其他比较算法.最后,将LIL-GWO算法应用于辨识光伏模型的参数,获得了满意的结果.

基于混沌透镜成像学习的哈里斯鹰算法及其应用

针对哈里斯鹰算法(HHO)很难在探索和开发之间取得平衡,且易陷于局部最优和种群低多样性等问题,本文提出一种基于混沌透镜成像学习的哈里斯鹰算法(FLHHO)。首先,利用Fuch无限折叠混沌策略初始化种群,丰富种群多样性;其次,在探索阶段引入黄金正弦策略,提高算法的求解精度;最后,利用混合透镜成像学习和柯西变异策略,对哈里斯鹰最佳位置进行扰动,提高算法跳出局部最优的能力。将改进后的哈里斯鹰算法(FLHHO)在10个经典测试函数和29个CEC2017测试函数上进行求解精度,仿真结果表明,FLHHO算法优于HHO算法、其他改进HHO算法和其他最新算法。同时,将FLHHO应用到工业物联网中来优化频谱分配,将能量效率作为评价指标,实验结果表明基于FLHHO算法的能量效率优于其他算法,验证了FLHHO应用到实际中的可行性。

基于高斯映射和小孔成像学习策略的鲸鱼优化算法

针对鲸鱼优化算法(WOA)容易陷入局部最优解、收敛速度慢等缺陷,提出一种基于小孔成像反向学习策略的鲸鱼优化算法。首先采用高斯映射生成的混沌序列取代原始算法中随机产生的初始种群,增加种群的多样性;其次,提出了一种小孔成像反向学习策略,并结合最优最差反向学习思想,增加了寻优位置的多样性,提高了算法跳出局部最优的能力;最后,在算法中加入了一个非线性收敛因子和一个对数形式的概率阈值,在保留鲸鱼算法优点的前提下,协调了算法的全局搜索和局部开发能力。通过对10个基准函数进行仿真测试,实验结果表明改进算法在收敛速度和收敛精度等方面有明显的提高。

透镜成像学习和局部开采增强的人工蜂群算法

为改善人工蜂群算法对蜜源的局部开采能力和全局搜索能力,本文提出了基于透镜成像学习和局部开采增强的人工蜂群算法(LLABC),通过增加局部采蜜蜂的数量来增强局部开采能力,提高算法的收敛速度。同时,提出了基于透镜成像学习的侦察蜂寻找新蜜源策略,利用历史信息反向学习得到新的蜜源位置,加强了侦察蜂的全局搜索能力。实验结果表明,对比其它改进人工蜂群算法,本文的方法(LLABC)可以在大多数基准函数上获得更好的性能。

改进的北方苍鹰算法优化粒子滤波算法

针对标准粒子滤波过程的权值退化和样本贫化问题,提出一种改进的北方苍鹰算法优化粒子滤波算法INGOPF(Improved Northern Goshawk Optimization for Particle Filter)。首先,利用透镜成像学习策略增加种群多样性,在优化初始解的同时增加种群搜索范围,使算法尽可能搜索到潜在的最优解,增加算法的搜索能力。其次,将改进的北方苍鹰位置更新公式用于优化迭代更新,然后将最优最差学习策略与透镜成像学习策略结合,克服算法陷入局部最优和易早熟的情况,提高算法的收敛精度。最后,将INGOPF应用于锂电池的寿命预测。仿真结果表明:与标准粒子滤波以及粒子群算法优化的粒子滤波方法相比,INGOPF有效提升了粒子多样性、系统状态估计精度、滤波稳定性和实际运用能力。

改进?鱼优化算法和熵测度的图像多阈值分割

针对传统图像多阈值分割方法存在效率低、分割质量差等问题,提出一种改进?鱼优化算法并结合熵测度(weight lens remora optimization algorithm,WLROA)的图像多阈值分割方法。针对?鱼优化算法易陷入局部极值等缺陷,引入透镜成像反向学习策略,生成透镜反向解来增加种群多样性,进而提高算法跳出局部极值能力;提出一种自适应权重因子,对个体位置进行自适应扰动,提高算法探索能力。以最小化交叉熵作为优化目标,利用WLROA确定最小交叉熵并获得相应分割阈值。选取部分伯克利大学分割数据集图像和遥感图像测试提出算法的分割性能,测试结果表明,WLROA与其他知名算法相比具有更好的分割效果,能够有效实现复杂图像的精确处理。

Research progresses of artificial intelligence in MRI of lumbar degenerative diseases

The incidence of lumbar degenerative diseases is increasing year by year,and MRI is often used in clinical diagnosis.In recent years,artificial intelligence(AI)has rapidly developed in medical field and can be used for image segmentation and auxiliary diagnosis of lumbar degenerative diseases.The research progresses of AI in MRI of lumbar degenerative diseases were reviewed in this article.

混合策略改进的减法平均优化算法

减法平均的优化算法(Subtraction-Average-Based Optimizer,SABO)是一种新的元启发式算法,具有参数少、易实现、结构简单等优点,为了进一步提高SABO算法性能,提出了一种混合策略改进的减法平均的优化算法(HSABO)。首先,在种群初始化时,通过引入Tent混沌映射,使初始化种群成员能够均匀分布;其次,在计算种群新个体位置时,加入了自适应惯性权重,提高了算法的局部搜索能力;最后,引入透镜成像反向学习策略,对新个体位置以一定的概率进行扰动变异,避免陷入局部最优,增强算法全局探索的能力。通过14个标准测试函数,对改进算法与其他优化算法进行测试比较。仿真结果表明,HSABO算法是可行有效的,相比于其他基本算法,其寻优精度和收敛速度都有了很大的提高。

多策略鼠群优化算法的无人机三维航迹规划

针对在复杂电力检测环境中无人机三维航迹规划问题,提出一种基于跳跃式自适应小孔成像反向学习鼠群优化(JAPRSO)算法的无人机三维航迹规划方法。JAPRSO算法引入了Sobol序列初始化种群以增强种群多样性;引入了非线性自适应因子实现动态权衡局部开发和全局搜索能力;嵌入了跳跃式围捕猎物机制以避免算法陷入局部最优;同时,引入跳跃式自适应小孔成像反向学习追赶猎物机制以提高算法的全局寻优能力。仿真结果表明:所提出的路径规划方法寻优性能优于RSO算法、灰狼优化(GWO)算法,金枪鱼群优化(TSO)算法和海鸥优化(SOA)算法,能够有效地躲避威胁区,快速获得航迹代价最小的安全可行航迹,可适用于求解电力检测方面的无人机三维航迹规划问题。

基于ICOA算法的三维无人机路径规划

针对浣熊算法(COA)全局寻优能力不足的问题,提出改进的浣熊算法(ICOA)。通过SPM混沌映射初始化种群,引入莱维飞行和透镜成像反向学习综合的位置更新策略,提高了算法跳出局部最优解和全局搜索能力。采用基准函数测试,结果表明,ICOA算法与COA算法、麻雀搜索算法(SSA)和算术搜索算法(AOA)相比拥有更优的收敛速度和收敛精度。针对各种地形、威胁和约束三维无人机的路径规划问题,构建丘陵地貌的仿真环境模拟无人机执行古建筑群勘探任务的场景,并使用ICOA算法、COA算法、SSA算法和AOA算法进行路径规划。仿真结果表明,ICOA算法规划路径的适应度值更优,路径距离更短且俯仰角度更小,进一步验证了ICOA算法的有效性及其应用于丘陵地区无人机勘探任务的可行性。

融合多狩猎协调策略的爬行动物搜索算法

爬行动物搜索算法(RSA)具有较强的全局探索能力,但开发能力相对薄弱,在迭代后期无法较好地收敛。针对上述问题,综合教与学优化(TLBO)算法、二次插值的天牛须搜索(BAS)算法和透镜成像反向学习策略,提出一种融合多狩猎协调策略的爬行动物搜索算法(MHCS-RSA)。MHCS-RSA保留了RSA包围阶段(全局探索)和狩猎阶段(局部开发)中狩猎合作的位置更新公式,在狩猎阶段,将狩猎协调融合TLBO算法的学习阶段和二次插值的BAS进行位置更新,以增强算法的开发能力和收敛能力;此外,引入透镜成像反向学习策略以增强算法跳出局部最优的能力。在CEC 2020测试函数上的实验结果表明,MHCS-RSA具有良好的寻优能力、收敛能力以及鲁棒性。最后通过对拉力/压力弹簧设计问题和减速器设计问题的求解,进一步验证了MHCS-RSA求解实际问题的有效性。

融合微平衡激活的小孔成像算术优化算法

为提高算术优化算法的全局勘探和局部开发性能,提出基于非线性小孔成像机理以及具有微调功能最优位置引导搜索策略的算术优化算法(IX-AOA),自适应调整算术加速优化器因子是基于平衡算法勘探与开发目的一种纵向更新策略,通过双曲线性质调整算法勘探与开发时间分配,进而实现算法的自我更新机制,达到平衡算法勘探与开发的效果。在最优个体使用基于sigmoid激活函数的权重系数调整子代位置的搜索与开发的合理受控机理,达到丰富优质候选解的目标;引入非线性小孔成像原理改善搜索机制以优化候选解之间覆盖现象导致的寻优停滞局面,最后通过8个基准函数和部分CEC2014以及Wilcoxon秩和检测验证算法函数寻优的优越性。

基于Logistic回归麻雀算法的图像分割

针对麻雀搜索算法后期种群多样性减少、易陷入局部最优解等问题,提出一种新的改进麻雀搜索算法。所提算法先引入小孔成像反向学习策略对发现者的位置进行更新,提升寻优位置的多样性;其次受Logistic模型的启发,提出一种新的自适应因子对安全阈值进行动态控制,平衡所提算法的全局搜索与局部开发的能力。通过与其他算法在6个基准函数上进行仿真对比,结果表明:所提算法的收敛精度与速度均优于其他算法。在工程应用上,用所提算法优化K-means聚类算法进行图像分割,峰值信噪比(PSNR)、结构相似性(SSIM)及特征相似性(FSIM)3种度量指标验证了其良好的分割性能。

基于Tent混沌和透镜成像学习策略的平衡优化器算法

针对平衡优化器算法存在收敛速度慢且容易陷入局部最优的问题,提出一种改进的平衡优化器算法.引入Tent混沌映射初始化种群提高迭代前期的收敛速度,通过透镜成像学习策略避免迭代后期陷入局部最优.选取12个通用的标准测试函数进行仿真实验,并与多个智群优化算法进行对比,通过实验验证改进后算法寻优性能的优越性.最后,将改进后的算法应用于移动机器人路径规划任务,结果表明:相比较原算法,改进后的算法不但具有较高的搜索效率,而且能够搜索到更短的安全路径.