基于量子遗传光谱角分类算法的高光谱植被特征波段选取

高光谱数据往往具有数百个连续的窄波段,能够反应地物必要且详细的光谱反射信息,因而被广泛应用于地物精细分类中。然而,由于高光谱窄波段间较强的相关性和冗余性,将整个原始高光谱数据应用于实际分类中,并不能获得令人满意的精度。因此,特征波长或波段选择一直以来都是高光谱实际应用的关键和难点所在。前期的特征波段选择方法不仅计算效率低,容易陷于局部优化,而且波段指向性和解释性不强。以鄱阳湖湿地连续极端干旱情况下1月—5月份枯水期植被物种精细分类中的特征波段选择为例,采用便携式地物光谱仪(SVC HR1024)实测的包括青蓼、藜蒿、紫云英、风花菜、长刺酸模、看麦娘、虉草、苔草、南荻、芦苇等10种湿地植物物种的高光谱反射数据,引入量子遗传算法(QGA),综合基于k近邻分类器的光谱角分类方法(KNN-SAM),提出基于量子遗传k近邻光谱角分类算法(QGA-KNN-SAM),获取适用于湿地植被高光谱精细分类的特征波长,同时采用k中心点聚类算法确定特征波段区间。该算法与基于传统遗传k近邻光谱角分类算法(GA-KNN-SAM)进行对比实验发现,QGA-KNN-SAM的平均分类精度为95%左右,明显高于GA-KNN-SAM的平均分类精度90%;且基于QGA-KNN-SAM算法的特征波长点及波段相对聚焦,其跨度为589~634.4 nm,明显低于GA-KNN-SAM的1107.6~1205 nm。与传统植被的精细分类不同,湿地植被的精细分类除考虑反应植被的光谱波段外,还需要考虑反应地表水文特征的波段信息。与目前常见的多光谱及高光谱卫星影像的波段分布对比发现,QGA-KNN-SAM算法选取的特征波段的指向性和可解释性更优。该算法既提高了波段选择的计算效率和可解释性,又弥补了在波段选择研究中QGA方法的缺失,可为同类研究提供科学支撑。

一种基于克隆选择的量子遗传函数优化算法

为了解决量子遗传算法(QGA)用于连续多峰函数优化易陷入局部极值的问题,将免疫学中的克隆选择算法的概念和原理引入到量子遗传算法中,提出了一种新型的进化算法——基于克隆选择的量子遗传函数优化算法.该算法通过克隆选择、高斯变异以及量子旋转门等操作对可行解进行搜索,提高了算法在解决函数优化问题的全局寻优能力。典型函数的测试结果表明该算法优于传统的QGA和一些遗传算法。

基于量子遗传算法的特征选择算法

特征选择是模式识别和机器学习等领域中重要而困难的研究课题.提出一种最优特征子集评价准则和实现特征选择的一种新量子遗传算法(NQGA).NQGA采用量子门旋转角更新新方法和增强算法寻优能力及防止早熟收敛的移民和灾变策略.定性分析了NQGA的高效性.典型复杂函数测试和雷达辐射源信号特征选择的应用表明,NQGA寻优能力强、收敛速度快和能有效防止早熟现象.采用提出的准则函数和搜索策略实现特征选择,大大降低了特征维数,获得了更高的正确识别率.

克隆选择免疫遗传算法对高维0/1背包问题应用

针对遗传算法求解高维背包问题收敛速度慢、易于陷入局部最优的缺点,基于生物免疫系统克隆选择原理,提出一种克隆选择免疫遗传算法。该算法中抗体采用二进制编码,通过抗体浓度设计抗体亲和力,进化群分离为可行群和非可行群,进化过程仅可行抗体动态克隆和突变,非可行抗体经修复算子获可行抗体。数值实验中,选取三种著名的算法用于四种高维的背包问题求解,结果表明:所提算法较其他算法具有更强的约束处理能力和快速收敛的效果。

基于量子遗传算法测试选择问题的研究

针对测试选择这一非确定性多项式的问题,实现了一种用于测试选择遗传算法;算法是以量子理论和量子计算为基础,采用量子比特实现个体编码,然后对每次迭代中的个体通过量子旋转门操作进行最优解搜索;最后,以超外差接收机系统为例,对算法的有效性进行了验证;事实证明,该算法能够较快地搜索到局部最优解,优于其它方法提出的最优测试集,验证了量子遗传算法对测试选择问题的有效性,为后续诊断方案中测试序列优化奠定基础。

基于量子遗传算法的轴向柱塞泵故障特征选择

为了进一步减少特征维数、缩短运算时间、提高分类正确率等,提出了一种基于量子遗传算法的轴向柱塞泵故障特征选择方法,该方法采用量子位进行染色体编码,利用量子门更新种群。首先,对轴向柱塞泵振动信号进行小波包变换,提取出原始信号和各个小波包系数的统计特征;然后,利用量子遗传算法从原始特征集中选择出最优特征集;最后,以神经网络为分类器(其输入为最优特征集),对故障进行诊断与识别。利用该方法对轴向柱塞泵正常、缸体与配流盘磨损和柱塞滑履松动三种状态的特征集进行选择,试验结果表明,与普通遗传算法相比,量子遗传算法可以更有效地减少特征维数,提高分类正确率。

基于邻域粗糙集与量子遗传算法的人脸表情特征选择方法

人脸表情特征选择是人脸表情识别研究领域关注的一个热点。基于量子遗传算法与邻域粗糙集理论,文章提出一种新的人脸表情特征选择方法(Feature Selection based on Neighborhood Rough Set Theoryand Quantum Genetic Algorithm,简称FSNRSTQGA),以邻域粗糙集理论为基础,定义了最优特征集的适应度函数来评价表情特征子集的选择效果;并结合量子遗传算法进化策略,提出了一种表情特征选择方法。Cohn-Kanade表情数据集上的仿真实验结果表明了该方法的有效性。

基于克隆遗传量子算法的多用户检测

基于免疫克隆选择理论和遗传量子算法,提出了一种解决CDMA系统多用户检测问题的克隆遗传量子算法.通过使用克隆选择算子和遗传量子算法的理论,新算法能执行随机搜索和经验学习.所提的算法把随机神经网络嵌入到克隆遗传量子算法的每一代中.通过结合随机神经网络到CGQA中,可以加快CGQA的收敛速度、减少计算复杂度.另外,CGQA所提供的好的初值可以改善SHNN的性能,嵌入的SHNN还提高了CGQA的性能.在讨论了使用新算法设计多用户检测器的性能特点后,在CDMA系统进行了计算机仿真并和一些多用户检测器进行了比较.仿真结果证明了文中所提多用户检测器的抗多址干扰能力和抗远近效应能力都优于一些应用以前算法的多用户检测器.

基于克隆选择原理的自适应免疫性遗传算法研究

针对遗传算法中存在着收敛方向无法控制和没有记忆能力等缺陷,提出了具有免疫功能的克隆遗传算法。该算法把目标函数和制约条件作为抗原,保证所生成的抗体与问题直接相关联,使收敛方向得以控制;对抗原亲和力高的抗体进行克隆记忆,促使优良个体的发育成熟并能有效地遗传到下一代;同时,基于浓度的概念提出对抗体数量进行抑制,确保群体更新的多样性,避免早熟。通过理论分析和实验研究,证明该算法具有快的收敛速度和搜索能力,是一种有效的生物计算方法。

基于改进量子遗传算法的入侵检测特征选择

针对入侵检测前必须分析输入数据的特征以及检测中数据维数较高的问题,根据入侵检测的特点,将特征选择问题作为优化问题来考虑,采用量子遗传算法对特征进行选择,充分利用其并行处理及全局搜索能力,提高数据分类质量、降低问题规模、消除冗余属性、加快数据处理速度;在KDD CUP1999数据集上进行实验,结果表明与遗传算法以及粒子群算法相比,该方法可以更有效地精简特征,提高分类质量。

量子克隆遗传算法

遗传算法是解决优化问题的一种有效方法,但在实际应用中也存在着收敛速度慢、早熟等问题,使得其结果极不稳定。本文将遗传算法和量子理论相结合并利用免疫系统中所特有的克隆算子,针对0/1背包问题,提出了一种改进的进化算法——量子克隆遗传算法(QCA)。它能有效地避免早熟,且具有收敛速度快的特点。

求解路由选择问题的改进量子遗传算法

网络中存在许多设计和优化问题,其中相当一部分属于NP类型,传统的解法由于计算复杂度过大而失效;提出了一种求解路由选择问题的改进量子遗传算法(IQGA),该算法首先在量子个体上实施量子交叉,这一操作有利于保留相对较好的基因段;其次,采用量子比特相位法更新量子门和自适应调整搜索网格的策略;最后,进行局部搜索操作策略,使得种群的多样性强,解得收敛精度高,收敛速度快;通过路由选择实验标明此算法的质量和效率都强于传统的遗传算法,并且具有较强的实用性和鲁棒性。

基于克隆选择遗传算法的图像阈值分割

为了快速有效地得到图像的最佳阈值,基于人工免疫系统中的克隆选择原理,提出一种新的混合遗传算法,并将其应用于基于最大类间方差法的图像阈值分割问题。该算法用克隆选择代替标准遗传算法中的概率选择,根据抗体-抗原的亲和度对种群中的优良个体有选择的克隆增殖,并利用抗体浓度调节机制来抑制高浓度抗体、促进低浓度抗体,以保持种群中个体的多样性。从而避免了遗传算法陷入局部最优解,出现早熟收敛现象。仿真实验结果表明,该算法对多类图像的良好分割效果和较强的实用能力。

克隆选择遗传算法在冲击矿压预测中的应用

针对传统预测冲击矿压方法存在网络训练时间较长、容易陷入局部极小值、容易早熟等问题,提出了采用克隆选择遗传算法预测冲击矿压的方法,详细介绍了克隆选择遗传算法优化BP神经网络权值和阈值的基本步骤,并利用Matlab7.1在PC机上建立网络模型进行仿真实验,仿真结果表明,该方法有效提高了冲击矿压预测的准确性。

基于量子遗传算法的文本特征选择方法研究

特征选择方法是文本自动分类中的一项关键技术,提出了一种基于量子遗传算法的文本特征选择新方法,该方法用量子比特对文本向量进行编码,用量子旋转门和量子非门对染色体进行更新,同时,针对信息过滤的特点,对适应度函数进行了改进,充分考虑了特征权值、文本相似度和向量维数等。实验证明,该方法可以极大地降低文本的维数,提高分类的准确率。

基于遗传克隆选择算法优化BP神经网络的地理信息预测研究

针对BP神经网络训练过程中的训练时间较长、完全不能训练或容易陷入局部极小值等问题,提出基于遗传克隆选择算法(CLOGA)优化BP神经网络的流程,克服BP算法的一些缺陷。并通过湖北省人口预测问题进行效果检验,得到满意的结果。

基于QoS和量子遗传算法的Web服务选择

如何从互联网上大量存在的Web服务中选出符合用户需求的服务是一个很重要的研究方向.将量子遗传算法引入服务选择问题中,并将服务选择转换为基于QoS的多目标优化问题.量子遗传算法采用量子比特编码和量子旋转门变异,丰富了种群多样性,并具有更快的收敛速度.通过模拟验证,说明了该方法的可行性.

基于混合克隆量子遗传策略的文本特征选择方法

引入向量约简率和分类准确率的度量标准,采用量子比特对遗传算法进行编码,结合克隆算子,提出一种基于混合克隆量子遗传策略的文本特征选择方法。实验结果显示,该方法能有效地降低文本特征向量的维度,所提取的特征向量子集能有效提高文本分类的精度。

量子克隆遗传算法的多用户检测技术研究

针对现有的量子克隆遗传算法存在算法效率低、收敛速度较慢、易于陷入局部值等缺陷。文章通过引入量子交叉,加快算法收敛速度,使用自适应量子旋转门更新策略,加快最优解的搜索;采用量子灾变策略,避免早熟和进化停滞。由此给出了一种改进的量子克隆遗传算法(NQCGA)。仿真结果表明:所提算法的多用户检测器的误码率、收敛速度、抗多址干扰能力和抗远近效应能力均优于基于量子克隆遗传算法和一些经典遗传算法的多用户检测器。

基于量子遗传算法的云服务选择

云服务是一类依托于云计算平台的后信息技术服务的典范。面对动态、多样化的用户需求,如何高效、快速地选择出满足用户服务质量(QoS)的云服务备受关注。分析云服务及其选择问题,提出基于QoS的云服务选择模型,并将量子遗传算法引入云服务选择问题中,利用量子编码和量子操作的特性,实现优化服务选择的计算。通过实验仿真,该算法具有较好的收敛性和较高的效率,能够准确地为用户选择其最佳服务,从而为云服务选择提供了一个新的研究途径。