復(fù)雜性科學(xué)是21世紀(jì)一門新興的邊緣、交叉學(xué)科,探索復(fù)雜性正在成為當(dāng)代科學(xué)最具革命性的前沿。論文工作深入地研究了蟻群算法與小波網(wǎng)絡(luò)及其改進(jìn)算法,探索了在復(fù)雜性科學(xué)中的應(yīng)用,包括群集智能中的蟻群算法理論、蟻群算法的參數(shù)優(yōu)化設(shè)置方法、遺傳蟻群算法的改進(jìn)及其在植物病斑檢測中的應(yīng)用、小波網(wǎng)絡(luò)的初始化參數(shù)設(shè)置及基于蟻群算法的小波網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化方法、基于改進(jìn)型小波網(wǎng)絡(luò)的決策級信息融合模型的構(gòu)建。論文的創(chuàng)新點(diǎn)體現(xiàn)在以下四個方面:（1）提出了元啟發(fā)框架下蟻群算法的參數(shù)設(shè)置原則及基于正交試驗(yàn)設(shè)計方案的參數(shù)優(yōu)化設(shè)置方法。對蟻群算法的主要參數(shù)采用統(tǒng)計分析方法進(jìn)行相關(guān)性分析,利用正交試驗(yàn)設(shè)計減少參數(shù)設(shè)置的試驗(yàn)次數(shù),實(shí)現(xiàn)了最佳參數(shù)組合方案,克服了參數(shù)設(shè)置過程中的主觀性,提高了參數(shù)選擇的效率。（2）提出了一種自適應(yīng)遺傳蟻群算法。分析了遺傳算法和蟻群算法的融合策略,研究了遺傳蟻群算法中交叉率和變異率的自適應(yīng)選取算法,并采用自適應(yīng)信息素?fù)]發(fā)因子實(shí)現(xiàn)信息素的動態(tài)更新。最后,根據(jù)植物病斑圖像特點(diǎn),研究了遺傳蟻群算法中信息素更新函數(shù)和啟發(fā)函數(shù)的改進(jìn)方法,從全局組合優(yōu)化角度實(shí)現(xiàn)了植物病斑檢測。（3）提出了基于蟻群優(yōu)化的小波網(wǎng)絡(luò)。... 

【文章來源】：天津大學(xué)天津市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：134 頁

【學(xué)位級別】：博士

【部分圖文】：

圖2-1雙橋?qū)嶒?yàn)原理圖

(a2) (b2) (a3) (b3)圖 3-3 植物病斑檢測結(jié)果圖 3-3 中，(ai，bi，i=0,1,2,3)分別表示黃瓜角斑病、霜霉病的原始圖像及采用 OTUS 算法、標(biāo)準(zhǔn)蟻群算法和本文算法得到的病斑分割結(jié)果。由圖(a0)可知，黃瓜角斑病發(fā)病癥狀為在真葉上出現(xiàn)極小的茶色小點(diǎn)并逐步擴(kuò)大，變?yōu)辄S褐色，形成從葉脈包圍的多角形病斑，部分病斑呈白色。由圖(b0)可知，黃瓜霜霉病癥狀主要為葉脈上出現(xiàn)多角形病斑，背面中成淡灰色霉層，病斑逐漸變成黃褐色至灰白色。盡管二者的葉片都具有黃褐色及白色癥狀，但是形狀不同，病斑分布特點(diǎn)也不同。由圖(a1)、(b1)可知，采用 OTUS 方法得到了許多虛假的病斑區(qū)域；由圖(a2)、(b2)可知，標(biāo)準(zhǔn)蟻群算法對病斑分割出現(xiàn)欠分割，未能反映出真實(shí)病斑特性；采用本文算法得到的分割圖像如圖(a3)、(b3)所示，分割結(jié)果較好的體現(xiàn)了病斑的發(fā)病部位和輪廓。植物病斑圖像分割為病害預(yù)測提供了依據(jù)，病斑分割結(jié)果的好壞直接影響到病斑識別、分析的準(zhǔn)確性。本文采用遺傳蟻群算法實(shí)現(xiàn)了對植物病斑圖像的分割。仿真實(shí)驗(yàn)結(jié)果表明，該方法較好的實(shí)現(xiàn)了植物病斑的自適應(yīng)分割。然而，在該算

圖 5-1 基于小波網(wǎng)絡(luò)的故障診斷子網(wǎng)絡(luò)工作原理圖圖 5-1 所示的診斷子網(wǎng)絡(luò)中，首先對采集數(shù)據(jù)進(jìn)行缺失值判斷與處的特征數(shù)據(jù)。然后，將小波網(wǎng)絡(luò)的輸入節(jié)點(diǎn)對應(yīng)故障征兆，輸出節(jié)因。利用一組故障樣本對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以確定網(wǎng)絡(luò)的結(jié)構(gòu)和神經(jīng)權(quán)值和閾值等參數(shù)。當(dāng)網(wǎng)絡(luò)訓(xùn)練完成后，故障的模式分類就是根據(jù)兆，實(shí)現(xiàn)征兆集到故障集之間的非線性影射過程。上述診斷子網(wǎng)絡(luò)的基礎(chǔ)上，本文構(gòu)建了基于多個小波網(wǎng)絡(luò)的并行網(wǎng)理如圖 5-2 所示�；谛〔ňW(wǎng)絡(luò)的診斷子網(wǎng)絡(luò)基于小波網(wǎng)絡(luò)的診斷子網(wǎng)絡(luò)基于小波網(wǎng)絡(luò)的診斷子網(wǎng)絡(luò)診斷子網(wǎng)絡(luò)中相同節(jié)點(diǎn)的特征級融合決策診斷網(wǎng)絡(luò)各診斷子網(wǎng)絡(luò)輸出結(jié)果的綜合分析：：

【參考文獻(xiàn)】：
期刊論文
[1]基于路徑和模擬退火的交通網(wǎng)絡(luò)優(yōu)化算法研究[J]. 桂嵐,龔健雅.  武漢大學(xué)學(xué)報(信息科學(xué)版). 2008(04)
[2]一種基于生物群集智能優(yōu)化的遙感分類方法[J]. 劉小平,黎夏,彭曉鵑,黎海波,何晉強(qiáng).  中國科學(xué)（D輯:地球科學(xué)）. 2007(10)
[3]基于QoS的Web服務(wù)組合的全局優(yōu)化方法[J]. 萬里平,高春鳴,肖偉,蘇亮.  計算機(jī)工程與應(yīng)用. 2007(24)
[4]復(fù)雜性研究的模型方法[J]. 黃欣榮.  系統(tǒng)科學(xué)學(xué)報. 2007(03)
[5]對復(fù)雜性研究的一種辯證理解[J]. 桂起權(quán).  安徽大學(xué)學(xué)報(哲學(xué)社會科學(xué)版). 2007(03)
[6]滾動軸承振動診斷的BP神經(jīng)網(wǎng)絡(luò)方法[J]. 張軍,陸森林,和衛(wèi)星,王以順.  輕工機(jī)械. 2007(02)
[7]基于混合群集智能算法的并行公差優(yōu)化設(shè)計[J]. 肖人彬,陶振武,鄒洪富.  計算機(jī)集成制造系統(tǒng). 2007(04)
[8]基于群集智能算法的移動機(jī)器人路徑規(guī)劃研究[J]. 袁楊,陳雄.  計算機(jī)工程與應(yīng)用. 2007(05)
[9]基于“群集智能”的入侵檢測系統(tǒng)研究[J]. 周蓮英,劉鳳玉.  南京理工大學(xué)學(xué)報(自然科學(xué)版). 2006(05)
[10]群集智能特性分析及其對復(fù)雜系統(tǒng)研究的意義[J]. 肖人彬.  復(fù)雜系統(tǒng)與復(fù)雜性科學(xué). 2006(03)

博士論文
[1]群集智能計算和多智能體技術(shù)及其在電力系統(tǒng)優(yōu)化運(yùn)行中的應(yīng)用研究[D]. 趙波.浙江大學(xué) 2005
[2]基于強(qiáng)化學(xué)習(xí)和群集智能方法的多機(jī)器人協(xié)作協(xié)調(diào)研究[D]. 王醒策.哈爾濱工程大學(xué) 2005
[3]基于狀態(tài)轉(zhuǎn)移的組合優(yōu)化方法研究[D]. 王正元.國防科學(xué)技術(shù)大學(xué) 2004
[4]面向互聯(lián)網(wǎng)基于證據(jù)理論的智能決策支持系統(tǒng)研究[D]. 朱衛(wèi)東.合肥工業(yè)大學(xué) 2003

碩士論文
[1]群集智能算法在二次分配問題中的應(yīng)用研究[D]. 呂聰穎.吉林大學(xué) 2006



本文編號：3071114