基于改进神经网络的环境空气质量预测

为提高环境空气质量预测的精度,提出一种由改进人工蜂群算法和反向传播神经网络相结合的环境空气质量预测方法(KABC-BP)。对人工蜂群算法中雇佣蜂、跟随蜂的搜索空间提出一种随迭代次数递减的搜索公式,以随机初始化此改进人工蜂群算法的不同初始解作为不同组反向传播神经网络权值,以蜂群算法迭代代替人工神经网络的梯度下降修正迭代,以蜂群个体的对应权值下训练误差倒数作为适应度函数,该改进人工蜂群算法所求全局最优解就是所求反向神经网络最优权值。通过基于改进蜂群算法的反向传播神经网络算法、传统蜂群算法的反向传播神经网络算法(ABC-BP)及反向传播神经网络算法(BPNN)的环境空气质量预测的仿真实验表明,该算法的环境空气质量预测精度是最高的。

CVS中基于块分类的自适应阈值调整组稀疏重构

针对基于结构相似性的帧间组稀疏表示重构(SSIM-InterF-GSR)算法在重构平稳区域时未能充分利用高质量重构的关键帧信息,且稀疏化处理阈值的数值设置不合理的问题,提出了基于块分类的自适应阈值调整组稀疏重构(BC-ATA-GSR)算法。首先,根据块内物体运动状态分类图像块并分配合理的参考帧,以提高视频序列平稳区域的重构质量;然后,根据采样率以及图像块种类自适应设置稀疏化初始阈值,以保留足够的结构信息;最后,提出了迭代阈值梯度缩减方案,以便在提升迭代后期重构质量的同时也加快迭代收敛速度。与SSIM-InterF-GSR算法相比,BC-ATA-GSR算法取得了更好的重构质量,重构QCIF和CIF视频序列的平均PSNR分别最高提升了3.77、2.28 dB,时间复杂度最多下降了42.08%。