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。

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。

增强蒲公英算法优化乳腺癌图像多阈值分割

针对显微镜下乳腺癌病理组织图像结构复杂,细胞边界模糊等情况,基于传统的阈值分割在乳腺癌图像的分割应用中不能很好地实现把病灶区准确分离开来的问题,提出一种基于增强蒲公英优化算法(IDO)的乳腺癌图像多阈值分割方法.该方法引入IDO计算类间方差的最大值(Otsu)作为目标函数寻找最佳阈值,IDO建立回守策略解决传统蒲公英算法(DO)无限制搜索,超出像素范围的问题;引入对立式学习(OBL)避免算法陷入局部最优.实验结果表明,与哈里斯鹰算法(HHO)、人工猩猩部队优化算法(GTO)、传统蒲公英优化算法(DO)、海洋捕食者算法(MPA)相比,在相同阈值个数情况下IDO算法适应度值最大、收敛最快,并且在峰值信噪比(PSNR)、结构相似度(FSIM)、特征相似度(SSIM)这3个性能指标上也比其他对比算法更具有优势.

基于Halton序列改进蝠鲼算法的K-means图像分割

图像分割在日常生活中扮演着重要角色,传统的K-means图像分割具有随机性且容易陷入局部最优等缺陷,使得分割质量大大降低。为改善这些现象,提出一种基于Halton序列改进蝠鲼觅食优化(HMRFO)算法的K-means图像分割,HMRFO采用Halton序列初始化种群,使得个体位置充分均匀,再引入折射反向学习提升算法的全局搜索能力,最后引入新型的高斯变异策略,减小算法陷入局部最优的概率。在6个基准测试函数中对比了5种算法,验证了HMRFO的有效性及可行性。同时,将其应用于K-means图像分割中,与其他4种算法进行对比,结果显示HMRFO优化K-means具有较好的分割质量及泛化能力。

TBL、CBL联合小班教学在医学影像学见习教学中的应用

目的:探讨在联合教学方法的基础上,运用小班教学在医学影像学的教学效果。方法:运用实验对照方法,随机抽取4个班级学生作为试验组进行小班教学,另外10个班级学生作为对照组进行传统分班模式教学。两组均采用联合教学方法讲授医学影像学各章节内容。两组学生的理论课程采用LBL教学方法,见习课程联合采用TBL与CBL两种教学方法。试验组见习课程运用小班教学,将每个班级再细分为10个小组,每间教室容纳半个班级学生(5个小组);对照组见习课程按照原分班教学模式,每间教室容纳一个班级学生进行教学。学期结束后,通过比较两组学生的期末笔试成绩、阅片成绩以及平时成绩,评价两组学生的教学效果。结果:试验组学生的平时成绩、阅片成绩以及期末笔试成绩均高于对照组学生,其差异均具有统计学意义(P<0.05)。结论:小班教学与联合教学方法的共同运用,能进一步增加学生的实践机会,在医学影像学教学中取得更好的教学效果。

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。

基于改进被囊群算法的图像多阈值分割方法

为提升图像分割的准确度和性能,提出改进被囊群算法(improved tunicate swarm algorithm,IMTSA)的多阈值分割方法。基于折射反向学习初始化种群,采用精英反向学习重新选择优势个体,结合学生分布协调全局和局部搜索能力。在图像分割中,基于Otsu和最大熵方法,在不同阈值场景下,IMTSA与其它算法进行性能对比。实验结果表明,IMTSA在3类基准函数中均表现更好,图像分割效果与阈值数量成正比,其整体分割性能具有一定优势。

基于改进麻雀搜索算法的带钢面标识别方法

为了解决带钢面标识别精度低、时间长等问题,构建了字符分割和识别模型。在分割模型的多阈值分割过程中,通过改进的麻雀搜索算法(Improved Sparrow Search Algorithm,IMSSA)寻优最佳阈值组向量,提升了图像分割效果。IMSSA在算法改进方面,首先采用Tent映射初始化种群,增强种群多样性;然后利用精英反向学习方法提升搜索能力;最后通过改进的高斯扰动策略增强全局和局部搜索能力。字符识别模型改进了LeNet-5卷积神经网络的网络结构,并增强了激活和损失函数。实验表明,IMSSA在三类基准函数的测试中均表现更好,改进的LeNet-5卷积神经网络结构平均测试精度达到95.0%,识别过程仅2.3 s。该模型耗时少、精度高,满足实时与准确性要求。

融合螺旋黏菌算法的混沌麻雀搜索算法与应用

为解决麻雀搜索算法(sparrow search algorithm)在寻优过程中容易陷入局部最优、搜索能力不足的问题,提出了一种融合黏菌算法改进的混沌改进麻雀搜索算法(SMSSA)。利用Bernoulli混沌映射提高算法初始种群质量;在跟随者位置更新中结合螺旋黏菌搜索策略的跟随寻优策略以提高麻雀算法在迭代过程中的全局搜索能力;利用t分布反向学习策略对麻雀位置进行扰动,以提高算法跳出局部最优的能力。在仿真实验中将该算法与其他四种基本算法基于13种基准测试函数进行对比实验,结果表明该算法具有良好的收敛性以及精度,且全局探索能力相较于原算法大大提高。将SMSSA应用于Kapur熵多阈值图像分割任务中,结果表明SMSSA相较于其他四种基本算法有着更高的分割精度。

基于改进哈里斯鹰算法的SVM与特征选择同步优化

标准支持向量机结合封装式特征选择具有冗余特征多、分类准确率低的不足,为此,提出基于改进哈里斯鹰算法的特征选择同步优化策略。为改进特征子集选取能力和支持向量机的分类准确率,利用混沌映射、能量因子非线性调整和小孔成像对立学习对哈里斯鹰算法进行改进,将改进哈里斯鹰算法用于SVM参数调整和特征子集选取同步优化问题。实验结果表明,改进算法能够在降低特征维度的情况下实现更高的分类准确率,实现同步优化效果。

改进矮猫鼬优化算法的特征选择

将矮猫鼬优化(DMO)算法与学习策略相结合,提出一种新的改进矮猫鼬优化(IDMO)算法。首先,提出随机准反向反射学习(RQORBL)策略并应用于阿尔法组,以提高全局探索能力;其次,引入动态透镜成像反向学习(LOBL)策略,以平衡算法的探索和开发,提升跳出局部最优的能力。为验证新算法性能,将IDMO与几种新近提出的优化算法进行对比,并对UCI存储库中的10个数据集进行特征选择仿真实验。实验结果表明IDMO寻优能力更佳,跳出局部最优能力明显增强,能够有效适用于特征选择问题。

透镜成像反学习策略在粒子群算法中的应用

在PSO中引入反向学习策略(Opposite-Based Learning)可使粒子在搜寻过程中总能找到当前解的反向位置,增加了接近全局最优解的机会.然而,OBL仅在演化初期作用显著,在演化后期则需通过变异等手段来提高其"开发"能力.针对该问题,基于透镜成像原理,引入缩放因子和搜索半径两个可调参数进一步平衡了算法的"探索"和"开发"能力.实验表明该策略能够提高种群多样性和收敛性能.

基于广义反向粒子群与引力搜索混合算法的多阈值图像分割

提出了基于粒子群优化(PSO)与引力搜索(GSA)混合算法(PSOGSA)的多阈值图像分割方法来解决图像阈值搜寻过程中单一优化算法局部搜索能力不强的问题。提出了图像阈值分割领域中的广义反向学习策略,在阈值寻优过程中提高群体多样性,增强了全局搜索能力;采用了全局最优解的正态变异策略,扩展了全局最优的搜索区域,避免了算法的早熟收敛。在此基础上,实现了基于广义反向粒子群与引力搜索混合算法的多阈值图像分割方法。最后,使用本方法对复杂多目标图像进行了多阈值分割实验,并与引力搜索算法和萤火虫算法进行了比较。实验结果表明,本文方法的分割精度优于引力搜索算法与萤火虫算法,其分割目标函数值在连续运行时的标准差降低了90%以上,是一种精度高、稳定性强的多阈值图像分割方法。

基于内容图像检索中相关反馈技术的回顾

由于相关反馈技术能有效地提高基于内容图像检索的性能,使它成为图像检索系统中不可少的一部分.近年来相关反馈技术的研究正吸引着越来越多的关注,涌现出了许多算法.在简要介绍了基于内容图像检索后,文中讨论了相关反馈的交互过程和其中的重要环节,进一步分析了相关反馈中的学习问题及其特点,根据相关反馈算法所采用的检索模型把算法分为基于距离度量的方法、基于概率框架的方法和基于机器学习的方法,并在这个分类下对近年来有代表性的一些算法进行了分析和探讨,最后展望了相关反馈技术未来的发展方向.

基于残差网络的高温合金微观组织图像分割方法

材料微观组织图像分析是材料研究的重要环节,其分析方法的精准性和快速性对新材料的设计、研制和现有材料的优化、寿命评价都非常重要。因此,如何建立更快速更精准的微观组织分割方法成为微观组织图像分析和性能评价的关键。针对传统的微观组织图像分割技术对于高温合金材料分析精度不高等问题,通过对卷积神经网络结构进行优化,提出了一种基于Res_Unet网络的微观组织图像分割方法。实验验证结果表明,本文的方法不仅解决了深度学习在材料组织图像小样本数据上的实现问题,还显著提高了材料微观组织图像的分割精度。

基于内容的医学图像检索中的相关反馈技术

建立一个高效、准确的医学图像检索系统是目前具有挑战性的任务。由于相关反馈(RF)技术有效地解决了"语义鸿沟",成为基于内容的医学图像检索系统中提高检索性能的关键技术。文中根据RF算法采用的检索模型,从基于距离度量的模型、基于概率统计分类模型和基于机器学习模型三个方面,对有代表性的算法进行了分析与评价,并重点分析了基于机器学习的RF算法。最后对医学图像检索中RF技术的发展进行了展望。

基于对等差异进化算法的医学图像配准方法

差异进化算法是一种简单、可靠和有效的全局优化算法。本文在差异进化算法的基础上,将对等学习方法应用到种群初始化和进化中,提出一种基于对等差异进化算法的图像配准方法。该方法在种群进化过程中由对等跃变率决定是否生成对等种群,文中对不同对等跃变率及动态对等跃变率的不同情况进行三维医学图像配准实验。实验结果表明,只要选取合适的对等跃变率,该方法比传统差异进化算法的图像配准具有更高的精度和更好的稳定性;并且线性递减跃变率的对等差异进化配准算法比固定对等跃变率和线性递增跃变率的配准更精确、更稳定。

基于改进鬣狗优化算法的多阈值彩色图像分割

针对传统鬣狗优化算法在处理图像分割问题时容易陷入局部最优、收敛效率低等问题,提出基于混沌初始化策略、非线性收敛因子调整策略、莱维飞行策略以及精英反向学习策略的改进鬣狗优化算法(Improved Spotted Hyena Optimizer,ISHO),并应用于多阈值彩色图像分割问题中。该算法不仅提升了在解决复杂性问题时的寻优效率,而且提高了求解精度与质量,避免了受随机因子影响而陷入局部最优的缺陷。为了验证该算法的有效性,利用伯克利图像分割验证,结果表明:该算法在分割速度及效率上具有明显优势,求解精度高,具有较好的工程实用性。

具有小世界邻域结构的教与学优化算法

教与学优化(teaching-learning-based optimization,TLBO)算法是近年来提出的一种通过模拟"教"与"学"行为的群体智能算法。为了克服教与学优化算法容易早熟,解精度较低,后期收敛速度慢等弱点,提出了一种改进的教与学优化算法,并命名为S-TLBO(small world neighborhood TLBO)。该算法采用小世界网络作为其种群的空间结构关系,种群中的个体被看作是网络上的节点。在算法的"教"阶段,学生基于概率向教师个体进行学习,而在"学"阶段,学生则在自己的邻居节点中随机选择较为优秀的个体进行学习。为了提高加强算法的勘探新解和开采能力,引入教师个体执行反向学习算法。在多个经典的测试函数上的实验结果表明,所提出的改进算法具有较高的全局收敛性和解精度,适合于求解较高维度的多模态函数优化问题。

基于前向神经网络的交互式图像检索系统

相关反馈技术是近年来基于内容图像检索中的研究重点,它有效地缩短了用户的高层语义概念同图像的底层视觉特征之间的差距,从而大大提高了系统的检索精度。本文对比了前向神经网络中的BP、FP和RBF三种网络学习算法;并在此基础上从机器学习的角度出发,分析了在图像检索中基于这三种网络的不同相关反馈技术。最后对今后的研究方向进行了展望。