基于改进的自适应差分演化算法的二维Otsu多阈值图像分割

针对常规最大类间方差法在多阈值图像分割中存在的运算量大、计算时间长、分割精度较低等问题,该文提出一种基于改进的自适应差分演化(JADE)算法的2维Otsu多阈值分割法。首先,为增强初始化种群的质量、提升控制参数的适应性,将混沌映射机制融入到JADE算法中;进而,通过该改进算法求解2维Otsu多阈值图像的最佳分割阈值;最终,将该算法与差分进化(DE), JADE,改进正弦参数自适应的差分进化(LSHADE-cn Ep Sin)以及增强的适应性微分变换差分进化(EFADE) 4种算法的2维Otsu多阈值图像分割进行比较。实验结果表明,与其它4种算法相比,基于改进JADE算法的2维Otsu多阈值图像分割在分割速度以及精度上均有较明显的改善。

一种基于JADE改进的差分演化算法

差分演化算法有局部搜索能力不足、容易跌入局部最优等缺点,其搜索性能主要依赖于对杂交概率和缩放因子的设置。为了改善上述缺陷,对带归档的自适应差分演化算法JADE进行深入的研究与分析,提出了改进的自适应差分演化算法ZJADE。该算法采用斜帐篷混沌映射函数初始化种群,在每次迭代中为每个个体分别产生满足正态分布、柯西分布的杂交概率和满足正态分布的缩放因子,并且记录成功变异个体的杂交概率和缩放因子,引入统计杂交概率,采用两种策略自适应地更新杂交概率。在13个经典测试函数上将ZJADE算法与多种经典自适应差分演化算法进行对比,实验结果表明,ZJADE算法在解的精度与收敛速度上更优,具有更好的搜索性能。

SADE-ELM电容层析成像流型辨识算法

针对电容层析成像反问题流型识别较难的问题,提出了一种新的ECT流型辨识算法——差分演化优化极端学习机算法,进而提出了基于自适应差分演化优化极端学习机(Sa DEEML)的ECT辨识算法.在论述极端学习机算法的基础上,结合差分演化算法对极端学习机算法进行优化,自适应差分演化算法中的关键参数,通过训练得到各类流型的分类器的参数,构造分类器进行精准与快速分类.实验结果表明:该算法能有效克服极端学习机算法的缺点并提高了局部与全局收敛能力,通过与BP、SVM算法比较,该算法具有竞争力,并为电容层析成像流型辨识的研究提供了新算法.