蚁群算法与小波网络在复杂性科学中的应用研究
发布时间：2021-03-08 13:20
复杂性科学是21世纪一门新兴的边缘、交叉学科,探索复杂性正在成为当代科学最具革命性的前沿。论文工作深入地研究了蚁群算法与小波网络及其改进算法,探索了在复杂性科学中的应用,包括群集智能中的蚁群算法理论、蚁群算法的参数优化设置方法、遗传蚁群算法的改进及其在植物病斑检测中的应用、小波网络的初始化参数设置及基于蚁群算法的小波网络结构优化方法、基于改进型小波网络的决策级信息融合模型的构建。论文的创新点体现在以下四个方面:（1）提出了元启发框架下蚁群算法的参数设置原则及基于正交试验设计方案的参数优化设置方法。对蚁群算法的主要参数采用统计分析方法进行相关性分析,利用正交试验设计减少参数设置的试验次数,实现了最佳参数组合方案,克服了参数设置过程中的主观性,提高了参数选择的效率。（2）提出了一种自适应遗传蚁群算法。分析了遗传算法和蚁群算法的融合策略,研究了遗传蚁群算法中交叉率和变异率的自适应选取算法,并采用自适应信息素挥发因子实现信息素的动态更新。最后,根据植物病斑图像特点,研究了遗传蚁群算法中信息素更新函数和启发函数的改进方法,从全局组合优化角度实现了植物病斑检测。（3）提出了基于蚁群优化的小波网络。...
【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校
【文章页数】：134 页
【学位级别】：博士
【部分图文】：
图2-1双桥实验原理图
(a2) (b2) (a3) (b3)图 3-3 植物病斑检测结果图 3-3 中，(ai，bi，i=0,1,2,3)分别表示黄瓜角斑病、霜霉病的原始图像及采用 OTUS 算法、标准蚁群算法和本文算法得到的病斑分割结果。由图(a0)可知，黄瓜角斑病发病症状为在真叶上出现极小的茶色小点并逐步扩大，变为黄褐色，形成从叶脉包围的多角形病斑，部分病斑呈白色。由图(b0)可知，黄瓜霜霉病症状主要为叶脉上出现多角形病斑，背面中成淡灰色霉层，病斑逐渐变成黄褐色至灰白色。尽管二者的叶片都具有黄褐色及白色症状，但是形状不同，病斑分布特点也不同。由图(a1)、(b1)可知，采用 OTUS 方法得到了许多虚假的病斑区域；由图(a2)、(b2)可知，标准蚁群算法对病斑分割出现欠分割，未能反映出真实病斑特性；采用本文算法得到的分割图像如图(a3)、(b3)所示，分割结果较好的体现了病斑的发病部位和轮廓。植物病斑图像分割为病害预测提供了依据，病斑分割结果的好坏直接影响到病斑识别、分析的准确性。本文采用遗传蚁群算法实现了对植物病斑图像的分割。仿真实验结果表明，该方法较好的实现了植物病斑的自适应分割。然而，在该算
图 5-1 基于小波网络的故障诊断子网络工作原理图图 5-1 所示的诊断子网络中，首先对采集数据进行缺失值判断与处的特征数据。然后，将小波网络的输入节点对应故障征兆，输出节因。利用一组故障样本对网络进行训练，以确定网络的结构和神经权值和阈值等参数。当网络训练完成后，故障的模式分类就是根据兆，实现征兆集到故障集之间的非线性影射过程。上述诊断子网络的基础上，本文构建了基于多个小波网络的并行网理如图 5-2 所示。基于小波网络的诊断子网络基于小波网络的诊断子网络基于小波网络的诊断子网络诊断子网络中相同节点的特征级融合决策诊断网络各诊断子网络输出结果的综合分析：：
【参考文献】：
期刊论文
[1]基于路径和模拟退火的交通网络优化算法研究[J]. 桂岚,龚健雅. 武汉大学学报(信息科学版). 2008(04)
[2]一种基于生物群集智能优化的遥感分类方法[J]. 刘小平,黎夏,彭晓鹃,黎海波,何晋强. 中国科学（D辑:地球科学）. 2007(10)
[3]基于QoS的Web服务组合的全局优化方法[J]. 万里平,高春鸣,肖伟,苏亮. 计算机工程与应用. 2007(24)
[4]复杂性研究的模型方法[J]. 黄欣荣. 系统科学学报. 2007(03)
[5]对复杂性研究的一种辩证理解[J]. 桂起权. 安徽大学学报(哲学社会科学版). 2007(03)
[6]滚动轴承振动诊断的BP神经网络方法[J]. 张军,陆森林,和卫星,王以顺. 轻工机械. 2007(02)
[7]基于混合群集智能算法的并行公差优化设计[J]. 肖人彬,陶振武,邹洪富. 计算机集成制造系统. 2007(04)
[8]基于群集智能算法的移动机器人路径规划研究[J]. 袁杨,陈雄. 计算机工程与应用. 2007(05)
[9]基于“群集智能”的入侵检测系统研究[J]. 周莲英,刘凤玉. 南京理工大学学报(自然科学版). 2006(05)
[10]群集智能特性分析及其对复杂系统研究的意义[J]. 肖人彬. 复杂系统与复杂性科学. 2006(03)
博士论文
[1]群集智能计算和多智能体技术及其在电力系统优化运行中的应用研究[D]. 赵波.浙江大学 2005
[2]基于强化学习和群集智能方法的多机器人协作协调研究[D]. 王醒策.哈尔滨工程大学 2005
[3]基于状态转移的组合优化方法研究[D]. 王正元.国防科学技术大学 2004
[4]面向互联网基于证据理论的智能决策支持系统研究[D]. 朱卫东.合肥工业大学 2003
硕士论文
[1]群集智能算法在二次分配问题中的应用研究[D]. 吕聪颖.吉林大学 2006
本文编号：3071114
【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校
【文章页数】：134 页
【学位级别】：博士
【部分图文】：
图2-1双桥实验原理图
(a2) (b2) (a3) (b3)图 3-3 植物病斑检测结果图 3-3 中，(ai，bi，i=0,1,2,3)分别表示黄瓜角斑病、霜霉病的原始图像及采用 OTUS 算法、标准蚁群算法和本文算法得到的病斑分割结果。由图(a0)可知，黄瓜角斑病发病症状为在真叶上出现极小的茶色小点并逐步扩大，变为黄褐色，形成从叶脉包围的多角形病斑，部分病斑呈白色。由图(b0)可知，黄瓜霜霉病症状主要为叶脉上出现多角形病斑，背面中成淡灰色霉层，病斑逐渐变成黄褐色至灰白色。尽管二者的叶片都具有黄褐色及白色症状，但是形状不同，病斑分布特点也不同。由图(a1)、(b1)可知，采用 OTUS 方法得到了许多虚假的病斑区域；由图(a2)、(b2)可知，标准蚁群算法对病斑分割出现欠分割，未能反映出真实病斑特性；采用本文算法得到的分割图像如图(a3)、(b3)所示，分割结果较好的体现了病斑的发病部位和轮廓。植物病斑图像分割为病害预测提供了依据，病斑分割结果的好坏直接影响到病斑识别、分析的准确性。本文采用遗传蚁群算法实现了对植物病斑图像的分割。仿真实验结果表明，该方法较好的实现了植物病斑的自适应分割。然而，在该算
图 5-1 基于小波网络的故障诊断子网络工作原理图图 5-1 所示的诊断子网络中，首先对采集数据进行缺失值判断与处的特征数据。然后，将小波网络的输入节点对应故障征兆，输出节因。利用一组故障样本对网络进行训练，以确定网络的结构和神经权值和阈值等参数。当网络训练完成后，故障的模式分类就是根据兆，实现征兆集到故障集之间的非线性影射过程。上述诊断子网络的基础上，本文构建了基于多个小波网络的并行网理如图 5-2 所示。基于小波网络的诊断子网络基于小波网络的诊断子网络基于小波网络的诊断子网络诊断子网络中相同节点的特征级融合决策诊断网络各诊断子网络输出结果的综合分析：：
【参考文献】：
期刊论文
[1]基于路径和模拟退火的交通网络优化算法研究[J]. 桂岚,龚健雅. 武汉大学学报(信息科学版). 2008(04)
[2]一种基于生物群集智能优化的遥感分类方法[J]. 刘小平,黎夏,彭晓鹃,黎海波,何晋强. 中国科学（D辑:地球科学）. 2007(10)
[3]基于QoS的Web服务组合的全局优化方法[J]. 万里平,高春鸣,肖伟,苏亮. 计算机工程与应用. 2007(24)
[4]复杂性研究的模型方法[J]. 黄欣荣. 系统科学学报. 2007(03)
[5]对复杂性研究的一种辩证理解[J]. 桂起权. 安徽大学学报(哲学社会科学版). 2007(03)
[6]滚动轴承振动诊断的BP神经网络方法[J]. 张军,陆森林,和卫星,王以顺. 轻工机械. 2007(02)
[7]基于混合群集智能算法的并行公差优化设计[J]. 肖人彬,陶振武,邹洪富. 计算机集成制造系统. 2007(04)
[8]基于群集智能算法的移动机器人路径规划研究[J]. 袁杨,陈雄. 计算机工程与应用. 2007(05)
[9]基于“群集智能”的入侵检测系统研究[J]. 周莲英,刘凤玉. 南京理工大学学报(自然科学版). 2006(05)
[10]群集智能特性分析及其对复杂系统研究的意义[J]. 肖人彬. 复杂系统与复杂性科学. 2006(03)
博士论文
[1]群集智能计算和多智能体技术及其在电力系统优化运行中的应用研究[D]. 赵波.浙江大学 2005
[2]基于强化学习和群集智能方法的多机器人协作协调研究[D]. 王醒策.哈尔滨工程大学 2005
[3]基于状态转移的组合优化方法研究[D]. 王正元.国防科学技术大学 2004
[4]面向互联网基于证据理论的智能决策支持系统研究[D]. 朱卫东.合肥工业大学 2003
硕士论文
[1]群集智能算法在二次分配问题中的应用研究[D]. 吕聪颖.吉林大学 2006
本文编号：3071114
本文链接：https://www.wllwen.com/projectlw/xtxlw/3071114.html
