基于WPT-ARO-DBN/WPT-EPO-DBN模型的月含沙量多步预测

准确的含沙量多步预测对于区域水土流失治理、防洪减灾等具有重要意义。为提高含沙量多步预测精度,改进深度信念网络(DBN)的预测性能,基于小波包变换(WPT),分别提出人工兔优化(ARO)算法、鹰栖息优化(EPO)算法与DBN组合的月含沙量多步预测模型,通过云南省龙潭站月含沙量时序数据对模型进行验证。首先利用WPT对实例月含沙量时序数据进行3层分解处理,得到8个更具规律的子序列分量;其次介绍ARO、EPO算法原理,利用ARO、EPO对DBN隐藏层神经元数等超参数进行寻优,建立WPT-ARO-DBN、WPT-EPO-DBN预测模型,并构建WPT-PSO(粒子群算法)-DBN、WPT-DBN作对比分析模型;最后利用4种模型对各子序列分量进行预测,将预测值叠加得到最终月含沙量多步预测结果。结果表明:(1)WPT-ARO-DBN、WPT-EPO-DBN模型对实例超前1步—超前4步月含沙量具有满意的预测效果,对超前5步具有较好的预测结果,对超前6步、超前7步的预测效果一般,对超前8步的预测精度较差,已不能满足预测精度需求;(2)WPT-ARO-DBN、WPT-EPO-DBN模型的多步预测效果要优于WPT-PSO-DBN模型,远优于WPT-DBN模型,具有更高的预测精度、更好的泛化能力和更大的预测步长;(3)ARO、EPO能有效优化DBN超参数,提高DBN预测性能,优化效果优于PSO,WPT-ARO-DBN、WPT-EPO-DBN模型能充分发挥WPT、新型群体智能算法和DBN网络优势,提高月含沙量多步预测精度,且预测精度随着预测步数的增加而降低。

改进海鸥算法的多阈值图像分割算法

为进一步提高图像分割精度,改善传统多阈值图像分割方法计算量大、分割慢的问题,提出了改进海鸥算法(improved seagull optimization algorithm,ISOA)的多阈值图像分割方案。针对原始海鸥算法(seagull optimization algorithm,SOA)存在早熟、寻优精度不足的问题,首先,采用cubic混沌映射优化初始解,提高搜索效率;其次,引入鹰栖息优化算法(eagle perching optmizer,EPO)的缩放因子和疯狂算子进行扰动,并与麻雀搜索算法(sparow search algorithm,SSA)警戒者的位置更新相结合,优化寻优精度和收敛速度,避免陷入局部最优。利用6种基准测试函数对ISOA进行寻优性能测试。最后,将ISOA与图像分割的最优阈值选取相结合,进行基于Otsu的多阈值图像分割,并与现有分割算法进行对比。仿真结果表明,ISOA在基于Otsu的图像分割中,100%取得了最优值,且80.9%的结果优于其余算法,使图像的分割精度和质量均得到了优化。