基于人工蜂群算法的多目标跟踪数据关联研究

为快速实现多目标跟踪的数据关联,将人工蜂群算法(ABC)与多目标跟踪数据关联相结合,实现快速的多目标跟踪数据关联.本文以跟踪门确定目标的有效量测,以新息的似然函数描述量测与目标的关联关系,建立多目标数据关联的组合优化模型,详细阐述了人工蜂群算法的基本原理,工作流程.利用人工蜂群算法寻找多目标数据关联优化组合模型的最优解,人工蜂群算法在离散空间的启发式机制实现搜索目标的量测与最佳数据关联.仿真表明,该算法与经典的JPDA算法以及基于元启发式的蚁群算法的数据关联算法进行比较,提高目标关联准确性和跟踪精度.     

特征提取与多目标机器学习研究及应用

特征提取与多目标机器学习算法是基于多目标协同EA提出的,该算法通过对学习样本多属性进行特征提取找出其核属性,由核属性与其他非核属性组成属性组,从而提高了分类的精度。各属性组再按相似性和类标签进行有监督地聚成类簇,类簇个数和中心根据适应度矢量函数通过机器学习算法自动确定,这样类簇个数和中心就不受主观因素的影响并且保证了这两个关键要素的优化性质。待分类样本的类属是按离某个类簇中心距离最近邻法则和该类簇的类标签来判定。最后,将算法应用到UCI数据集中的Liver Disorders和Hepatitis两个数据集,以及浙江省北部地区夏天异常高温天气预测。通过实验表明,特征提取与机器学习算法优于著名的朴素贝叶斯、C4.5、SVM算法。     

基于人工蜂群算法的支持向量机优化

支持向量机的分类性能在很大程度上取决于其相关参数的选择,针对该问题提出基于人工蜂群算法的支持向量机参数优选方法并将其应用于电机轴承的智能故障诊断.该方法采用分类错误率的倒数作为适应度函数,利用人工蜂群算法对支持向量机的惩罚因子与核函数参数进行优化.通过在多个标准数据集上的测试证明,与遗传算法等传统优化算法相比,人工蜂群...     

多尺度区域特征的细粒度分类算法研究

为了避免复杂背景对精细目标分类的影响,充分利用卷积神经网络提取的目标全局和局部信息进行细粒度任务的研究,提出了一种多尺度区域特征的细粒度目标检测与分类算法.该方法先使用FASTER-RCNN框架训练3个尺度区域的卷积模型进行多尺度目标区域定位,对定位的结果进行包围盒约束和海伦约束以优化提高定位的精确度,然后将提取多个尺度区域的特征进行组合,并用支持向量机训练细粒度分类器.在Caltech-UCSD鸟类数据集和Comp Cars车型数据集上进行实验测试.实验结果表明该算法在Caltech-UCSD鸟类数据集的分类正确率达到82. 8%,比没有使用多尺度区域特征的分类算法提高了7. 5%,比基于部件的分类方法提高了8. 9%;在Comp Cars车型数据集的分类正确率达到93. 5%,比没有使用多尺度区域特征的分类算法提高了8. 3%,比最优的Google Net精细目标分类算法提高了2. 3%,验证了该算法的有效性.     

基于特征优选的随机森林算法在湿地信息提取中的应用——以湖北洪湖湿地自然保护区为例

以湖北洪湖湿地自然保护区为研究区,采用随机森林算法对研究区内湿地信息提取.以Sentinel-2A遥感影像为数据源提取光谱特征、植被指数、水体指数、红边指数、纹理特征等特征变量,在随机森林算法框架下,对不同特征变量进行特征重要性评估,比较分类后精度并对特征组合进行优选.将基于随机森林算法的分类精度与传统的基于像元的支持向量机分类方法和最大似然分类方法的分类精度相比较,并通过双比例Z检验比较各算法中正确分类像元的比例统计各分类算法之间的分布差异.结果表明： 1) 特征个数为13时,分类精度达到最大,随着特征个数的增多,分类精度呈现波动减小的趋势; 2) 特征变量中蓝光波段重要性得分最高,达到2.85,可见光(B2、B3)与红边指数(IRECI、MCARI)重要性排名靠前,对于提取湖泊湿地信息具有重要意义; 3) 基于特征优选的随机森林方法分类精度优于支持向量机和最大似然法分类后的精度,其总体精度分别高出6.02%和7.57%;经检验, χ2分别达到25.891和38.895,具有显著差异,表明基于特征优选的随机森林算法分类对湿地信息提取发挥重要作用。     

基于特征选择和聚类的分类算法

针对目前特征选择算法应用于数据分类精度不理想的问题, 提出一种基于最大相关最小冗余的特征选择算法, 该算法结合特征选择算法和聚类分析算法对特征进行处理, 将分类中冗余的特征去除. 利用支持向量机对一组心脏病患者实际测量得到的数据进行分类实验, 实验结果表明, 该方法可有效筛选影响分类的特征, 进而提高分类准确率.     

分类问题中连续属性的离散化方法

提出了连续属性的一种离散化方法,指出与其他离散化方法的不同之处:离散化算法应是与挖掘目标息息相关的.研究和探讨了分类问题中的属性离散化方法,以分类精度和正域的势来评估每一步离散化过程,并将评估结果进行反馈,直至所有属性的属性值判断完为止.通过UCI机器学习数据库的实验表明,属性值个数的减少会提高在数据集上运行数据挖掘算法的效率,离散化后的分类正确率保持不变或有一定的提高.     

结合Gabor滤波和同质性判定的高光谱图像分类

针对传统高光谱图像分类算法多利用目标类别光谱信息而忽略空间信息的问题,提出了一种综合利用空间信息与光谱信息的分类算法．首先,利用主成分分析（PCA）和无参数加权特征提取（NWFE）分别对高光谱数据进行特征提取;然后,在PCA第一主成分的基础上进行二维Gabor滤波得到像元纹理特征,结合纹理信息与光谱信息利用支持向量机对图像分类;最后利用多尺度区域同质性判定进一步改进图像分类精度．实验表明,该算法能够消除“噪声”像元,有效地提高图像分类精度．     

一种基于特征选择的面向对象遥感影像分类方法

针对GF—1多空间分辨率遥感数据空间信息丰富,传统影像分类方法无法满足实际应用需要的问题,提出了一种基于特征选择的面向对象遥感影像分类方法——object-RJMC算法,即在影像分割及特征提取的基础上,运用Relief F算法和J-M(Jeffries-Matusita)距离算法去除无关及冗余特征,筛选出适于各类别分类的特征,然后利用CART算法建立分类规则,完成分类过程。以GF-1号2 m、8 m和16 m空间分辨率的三组影像进行算法验证,并与object-CART和pixel-CART影像分类方法进行对比分析。实验结果显示object-RJMC算法的分类精度均高于object-CART和pixel-CART算法的分类精度;且对高空间分辨率的影像分类效果要优于对中低空间分辨率影像的分类效果。该算法减少了特征选择及规则建立的人工干预,克服了以像素为单位的分类算法中由于缺少空间邻域信息而产生孤立、离散、不连通分类结果的问题,可有效地提高GF-1遥感影像分类精度。     

一种改进的多目标人工蜂群算法

由于基本多目标人工蜂群算法存在着种群盲目搜索、算法开发能力有限等缺点,在利用人工蜂群算法求解多目标优化问题时,提出了一种改进的人工蜂群算法.通过在算法中引入自适应搜索机制和变异机制等操作,使得种群个体可以有针对性地进行更新,同时也大大提高了种群个体的多样性.最后利用几种多目标的测试函数对改进前后的多目标人工蜂群算法的性能进行测试,结果表明:改进后多目标人工蜂群算法具有良好的算法收敛性和均匀性.     

基于二次插值的人工蜂群算法

人工蜂群算法是一种基于蜜蜂采蜜行为的一种优化算法.针对标准人工蜂群算法的收敛速度慢、搜索能力差、精度低的缺点。提出了一种基于二次插值的人工蜂群算法(QIABC)。保持全局搜索和局部搜索的平衡.数值实验说明了改进的人工蜂群算法在函数评价次数、收敛速度、精度和鲁棒性方面具有较大的优势,从而表明改进方法的有效性。     

基于GPU改进的并行人工蜂群算法

相对于先前的并行人工蜂群算法进行了一些改进,主要采用OpenCL本地内存、并行规约等技术,提出了一种基于图形处理器（GPU）改进的并行人工蜂群算法．该算法将采蜜蜂映射为OpenCL一个工作项,跟随蜂采用右邻域优先的局部选择机制．实验结果表明：文中提出的改进并行人工蜂群算法提高了算法的执行效率,收敛速度得到提升．     

人工蜂群粒子滤波信道估计算法研究

人工蜂群算法是用以解决复杂优化问题的新方法,具有收敛速度快、优化性能高等特点.将人工蜂群算法与粒子滤波相结合应用于信道估计可以摆脱常规方法对线性高斯条件的束缚,具有理论依据和现实意义.结合2种算法的优势提出了人工蜂群粒子滤波,采用人工蜂群算法确定粒子滤波的建议分布.仿真将Alpha稳定分布作为非高斯噪声模型,实现了粒子滤波及其改进算法的信道估计研究.结果表明人工蜂群算法与其他智能算法相比具有更快的收敛速度,改进人工蜂群粒子滤波与无迹粒子滤波相比极大地提高了信道估计精度.     

配对组合测试用例集生成的一种新策略

基于人工蜂群(ABC)算法与粒子群优化(PSO)算法,提出了一种新的配对混合人工蜂群(PHABC)策略,用于求解含约束条件的配对组合测试中测试用例集的生成问题.实验结果表明,即使在带有参数约束的情况下,PHABC输出的最佳组合测试集结果正确性更高,相较于其他现有的策略,性能更优.     

优化人工蜂群算法的跨域虚拟网络映射算法

针对跨域虚拟网络映射问题,提出一种基于优化人工蜂群算法的跨域虚拟网络映射算法.该算法采用集中管理、分布控制的方式实现物理网络资源的有效利用,并就人工蜂群算法收敛速度慢、局部最优缺点,提出寻优能力更强的优化人工蜂群算法进行域间映射请求的划分.实验结果表明:与LID-MVNE算法、Policy-MVNE算法、GA-MVNE算法相比,所提算法能够以更小的额外开销、更少的划分时间实现更高的接受率.     

一种基于PSO-ABC的全局优化算法

针对粒子群算法和蜂群算法在寻优中存在的一些早熟和收敛速精度不高等问题,论文分别时粒子算法和蜂群算法的更新策略以及更新公式进行了改进,利用改进的粒子群算法和改进的蜂群算法同时对一个粒子位置进行部分算术更新的方法,提出了一种新混合的优化算法.并将其在12个多极值基准函数进行全局最优化测试,实验结果表明,笔者提出的混合优化算法收敛的速度和收敛精度大大提高了,其性大大优于改进的粒子群算法（CLPSO算法）和人工蜂群算法,对于高、低维复杂函数的优化均适用.     

通信不确定MPI并行程序的测试数据自动生成方法

通过对用不确定方式传递信息的MPI并行程序进行分析, 给出测试数据自动生成的数学模型, 提出相似路径概念, 并将交叉思想与协同进化机制融入到人工蜂群算法中, 提出一种测试数据生成算法〖CD2〗交叉协同进化人工蜂群算法. 应用该算法求解并行程序的测试数据, 并与人工蜂群算法、 随机法进行对比分析. 实验结果 表明, 该方法可以求解测试数据, 并降低了时间消耗.     

基于改进人工蜂群算法的盲源分离算法

针对传统盲源分离算法收敛速度与分离性能间的矛盾,提出一种基于改进人工蜂群算法的盲源分离算法.该算法利用信号的峰度绝对值作为被优化目标函数,对人工蜂群算法中跟随蜂阶段的搜索过程进行改进,使人工蜂群算法在初始阶段可以快速收敛到最优解所在区域,具有更高的收敛精度.使用改进后的人工蜂群算法对传统盲源分离算法中的初始分离矩阵进行优化,再利用优化的初始分离矩阵进行信号分离.仿真结果表明,改进后的算法能够显著加快收敛速度并保持较好的分离性能值,较好地解决了收敛速度与分离性能间的矛盾.     

基于混沌人工蜂群算法优化的SVM 齿轮故障诊断

为克服支持向量机中模型参数的随意选择对分类性能造成的不利影响, 提出了基于混沌人工蜂群算法的支持向量机(CABC鄄SVM: Chaotic Artificial Bee Colony algorithm of Support Vector Machine)参数优化方法。该方法采用Logistic 混沌映射初始化种群和锦标赛选择策略, 对支持向量机的惩罚因子和核函数参数进行优化时以分类准确率作为适应度函数。通过UCI 标准数据集实验证明, CABC 具有较强的局部和全局搜索能力, 其优化的支持向量机可在很大程度上克服局部极值点, 从而获取更高的分类准确率, 并有效缩短了搜索时间。将该方法应用于实际齿轮故障诊断中, 采用小波相对能量作为特征输入支持向量机, 分类准确率达到99. 4%, 验证了该方法的可行性和有效性。     

基于改进人工蜂群算法的大青杨晚材率预测

为了更加准确地预测人工林大青杨(Populus ussuriensis)晚材率,通过对标准人工蜂群算法(artificial bee colony, ABC)的蜜源更新公式进行改进,提出了分段式蜜源搜索半径公式,并用改进的人工蜂群算法(AABC)对径向基(radial basis function, RBF)神经网络的初始参数进行优化,提出一种基于改进的人工蜂群算法和径向基神经网络算法结合的预测模型,并与粒子群(partical swarm optimization, PSO)优化的RBF神经网络预测结果进行对比。结果表明:传统的RBF预测模型不仅收敛速度慢,而且预测精度不高。基于改进的ABC算法优化RBF神经网络预测模型整体比PSO优化的效果相对较好,收敛速度从42步提升至28步,预测的平均相对误差从2.54%降低到0.95%。可见对ABC算法的改进是可行的,而且提高了晚材率预测的精度。