壓縮感知理論表明,在信號(hào)是稀疏的或可壓縮的前提下,由少量的采樣值或觀測(cè)值就可以重構(gòu)出原始信號(hào)。事實(shí)上,這個(gè)問題可以轉(zhuǎn)化為雙目標(biāo)優(yōu)化問題同時(shí)考慮稀疏度和測(cè)量誤差;本文提出基于目標(biāo)空間的多目標(biāo)頭腦風(fēng)暴算法來(lái)優(yōu)化這兩個(gè)競(jìng)爭(zhēng)項(xiàng)。同時(shí),在l1/2規(guī)則化框架下引入迭代半閾值算子,增強(qiáng)算法的局部搜索能力。在沒有先驗(yàn)知識(shí)的情況下,膝區(qū)點(diǎn)從帕累托解集中挑選出來(lái)。根據(jù)幾種同類的重構(gòu)方法在18個(gè)測(cè)試函數(shù)的結(jié)果的對(duì)比,驗(yàn)證了基于目標(biāo)空間的多目標(biāo)頭腦風(fēng)暴算法在求解稀疏優(yōu)化問題的有效性,實(shí)現(xiàn)了更高的重構(gòu)和更小的誤差。雖然目標(biāo)空間的多目標(biāo)頭腦風(fēng)暴算法在求解稀疏優(yōu)化問題上有一定的優(yōu)勢(shì),但其耗費(fèi)了大量的計(jì)算獲得了部分相對(duì)無(wú)意義的解;因此本文進(jìn)一步提出兩階段驅(qū)動(dòng)的多目標(biāo)頭腦風(fēng)暴優(yōu)化算法用來(lái)解決l0稀疏重構(gòu)問題。為了減少計(jì)算資源的消耗,提出的算法重點(diǎn)獲得真實(shí)稀疏度附近的解。第一階段采用改進(jìn)的貝葉斯信息準(zhǔn)則作為選擇K-means聚類中心的標(biāo)準(zhǔn),聚類在一定程度上可以提取解的統(tǒng)計(jì)特征,將具有相似特征的解歸為一類。第二階段,在組外建立全局最優(yōu)引導(dǎo)機(jī)制,進(jìn)一步更新新解,預(yù)估最優(yōu)解稀疏度。同時(shí),迭代半閾值算子也加入到算法中用來(lái)進(jìn)行局部搜索;這樣由全局到局部的搜索方式使算法具有優(yōu)越性能。通過(guò)與其它方法在測(cè)試函數(shù)/實(shí)例的結(jié)果對(duì)比,證明了該算法在重構(gòu)含噪信號(hào)特別是長(zhǎng)含噪信號(hào)方面具有良好的性能;最后提出的算法成功的應(yīng)用在圖像的稀疏與重構(gòu)中。本文的主要研究?jī)?nèi)容如下:首先從稀疏優(yōu)化的研究背景和意義入手,主要介紹相關(guān)的概念和文獻(xiàn)綜述,然后描述頭腦風(fēng)暴優(yōu)化算法,并從分組/聚類、新解生成和選擇三個(gè)步驟進(jìn)行展開,接著介紹了稀疏優(yōu)化問題的研究現(xiàn)狀。針對(duì)現(xiàn)存的不足,設(shè)計(jì)并且提出了兩種改進(jìn)的多目標(biāo)頭腦風(fēng)暴優(yōu)化算法。其次,闡釋了多目標(biāo)頭腦風(fēng)暴優(yōu)化算法,重點(diǎn)講述了多目標(biāo)優(yōu)化的概念和膝區(qū)解選擇的幾種方式,以及該算法在壓縮感知稀疏重構(gòu)中的應(yīng)用,將整個(gè)算法的創(chuàng)新點(diǎn)進(jìn)行了詳細(xì)的解釋,詳細(xì)說(shuō)明了評(píng)價(jià)指標(biāo)、測(cè)試函數(shù)、對(duì)比算法和參數(shù)設(shè)置并且最后分析了噪聲對(duì)算法的影響。再次介紹了兩階段驅(qū)動(dòng)的多目標(biāo)頭腦風(fēng)暴優(yōu)化算法的設(shè)計(jì)動(dòng)機(jī)、主要流程以及在稀疏優(yōu)化問題的實(shí)驗(yàn)準(zhǔn)備和實(shí)驗(yàn)結(jié)果,實(shí)驗(yàn)準(zhǔn)備包括實(shí)驗(yàn)說(shuō)明、參數(shù)設(shè)置,實(shí)驗(yàn)結(jié)果包括引導(dǎo)機(jī)制的分析,在評(píng)價(jià)指標(biāo)下的結(jié)果對(duì)比,影響算法性能因素的分析等。接著介紹了算法在現(xiàn)實(shí)世界圖像的稀疏和重構(gòu)中的應(yīng)用。最后得出了本文的內(nèi)容總結(jié),并描述了未來(lái)工作的方向。另外,也敘述了當(dāng)前工作中的不足以及未來(lái)的期望。
【學(xué)位單位】：鄭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TN911.7
【部分圖文】：

基于GMBS
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 ;頭腦風(fēng)暴[J];黨的生活(黑龍江);2018年01期

2 徐華;;英語(yǔ)課堂中的“導(dǎo)”也是一門學(xué)問[J];小學(xué)教學(xué)參考;2017年03期

3 趙建均;;一道題引發(fā)的“頭腦風(fēng)暴式”教學(xué)反思[J];中學(xué)生物教學(xué);2017年Z1期

4 ;頭腦風(fēng)暴[J];黨的生活(黑龍江);2017年07期

5 梁晨曉;;來(lái)一場(chǎng)關(guān)于未來(lái)的“頭腦風(fēng)暴”[J];小學(xué)生學(xué)習(xí)指導(dǎo);2019年14期

6 黃婧婧;;基于高中英語(yǔ)高效課堂的“頭腦風(fēng)暴”運(yùn)用分析[J];校園英語(yǔ);2019年13期

7 ;頭腦風(fēng)暴[J];小學(xué)生學(xué)習(xí)指導(dǎo);2018年09期

8 李越;;頭腦風(fēng)暴法在中職英語(yǔ)課堂中的運(yùn)用[J];現(xiàn)代職業(yè)教育;2016年26期

9 江邦余;;淺議高效課堂構(gòu)建的兩個(gè)原則[J];知音勵(lì)志;2016年12期

10 席月;;頭腦風(fēng)暴（英文）[J];今日中學(xué)生;2017年Z3期

相關(guān)博士學(xué)位論文 前1條

1 楊玉婷;頭腦風(fēng)暴優(yōu)化算法與基于視頻的非接觸式運(yùn)動(dòng)定量分析方法研究[D];浙江大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 王棚;基于頭腦風(fēng)暴的稀疏優(yōu)化算法研究[D];鄭州大學(xué);2019年

2 蘇鳳蘭;頭腦風(fēng)暴在農(nóng)村初中英語(yǔ)詞匯教學(xué)中的應(yīng)用[D];廣西師范大學(xué);2018年

3 陳嵐;“頭腦風(fēng)暴”策略在高中英語(yǔ)寫作教學(xué)中的應(yīng)用研究[D];福建師范大學(xué);2013年

4 毛媚;不同頭腦風(fēng)暴法對(duì)大學(xué)生創(chuàng)造成果影響的實(shí)驗(yàn)研究[D];上海師范大學(xué);2004年

5 沈林;基于頭腦風(fēng)暴算法優(yōu)化的v-SVR的研究及應(yīng)用[D];蘭州大學(xué);2014年

6 斐多森;準(zhǔn)備和動(dòng)機(jī)對(duì)頭腦風(fēng)暴的效果[D];清華大學(xué);2012年

7 沈冠町;基于擴(kuò)展思維導(dǎo)圖的協(xié)同討論信息可視化系統(tǒng)設(shè)計(jì)[D];合肥工業(yè)大學(xué);2012年

8 張靜姝;推薦系統(tǒng)中基于智能優(yōu)化算法的矩陣分解[D];吉林大學(xué);2014年

9 張娜;求解非線性方程的智能優(yōu)化算法[D];吉林大學(xué);2013年

10 董明海;K公司電子研發(fā)項(xiàng)目團(tuán)隊(duì)T的績(jī)效提升[D];上海交通大學(xué);2012年

本文編號(hào)：2859083