本文關(guān)鍵詞：群體智能算法及在三維文物虛擬拼接中的應(yīng)用，，由筆耕文化傳播整理發(fā)布。

【摘要】：群體智能算法在求解工程領(lǐng)域的復(fù)雜優(yōu)化問題中已經(jīng)得到廣泛認(rèn)可。然而因其源于生物模擬而且包含復(fù)雜的隨機群體行為,目前缺乏嚴(yán)謹(jǐn)?shù)氖諗孔C明,存在收斂速度慢、早熟等現(xiàn)象,理論的缺乏阻礙其發(fā)展和應(yīng)用。傳統(tǒng)三維文物碎片虛擬拼接中面臨相鄰碎片識別能力不強和整體拼接方法魯棒性差的問題,其數(shù)學(xué)模型都是復(fù)雜優(yōu)化問題。本文對群體智能優(yōu)化算法全局收斂性進行研究,研究保證全局收斂的新型算法,針對三維文物模型虛擬拼接中的優(yōu)化問題開展基于群體智能的最優(yōu)化應(yīng)用研究。主要貢獻包括：(1)提出了兩種改進的社會認(rèn)知優(yōu)化算法,提高了算法的全局收斂能力針對傳統(tǒng)社會認(rèn)知優(yōu)化算法缺少全局收斂的理論分析及開發(fā)和開采能力有待進一步提高的問題,對算法的全局收斂性給出了證明,引入混沌群體和精英群體,提出了一種保證收斂的自然認(rèn)知優(yōu)化算法；在算法鄰域搜索中引入量子行為搜索機制,提出了具有量子行為的認(rèn)知優(yōu)化算法。新算法全局收斂性得到保證,收斂速度得到提高,為應(yīng)用范圍的擴展奠定理論基礎(chǔ)。(2)提出了一種混沌細(xì)菌群體趨藥性優(yōu)化算法,提高了算法的開發(fā)能力針對細(xì)菌群體趨藥算法理論分析缺乏和收斂速度慢的問題,給出細(xì)菌趨藥算法和細(xì)菌群體趨藥算法全局收斂性證明,提出了一種混沌細(xì)菌群體趨藥算法,在細(xì)菌群體中加入混沌搜索群體,兩群同步迭代,分享最優(yōu)搜索結(jié)果,提高細(xì)菌群體中個體的多樣性,提高算法的全局收斂性和收斂速度。(3)提出了多特征提取和智能融合匹配識別方法,提高了文物相鄰碎片的識別能力針對文物特征信息不準(zhǔn)確的問題,采用文物多特征提取算法提取文物的多特征,提出了基于證據(jù)推理和區(qū)間數(shù)的多特征智能融合匹配識別方法,解決了單一特征信息模糊不確定帶來的誤匹配問題,提高了特征提取的精度,提升了文物相鄰碎片的識別能力,為文物的全局拼接奠定基礎(chǔ)。(4)提出了基于群體智能的全局最優(yōu)匹配和智能配準(zhǔn)的拼接方法,提高了拼接方法的健壯性針對傳統(tǒng)整體拼接缺少全局考慮、碎片不存在包含關(guān)系和對應(yīng)點難以確定的問題,對兩類全局匹配問題利用離散自然認(rèn)知優(yōu)化算法進行優(yōu)化求解,用改進的離散混沌細(xì)菌群體趨藥算法得到最優(yōu)的粗匹配點對,利用混沌細(xì)菌群體趨藥算法得到最優(yōu)坐標(biāo)變換,提高了匹配算法的全局優(yōu)化能力和健壯性,提高了配準(zhǔn)的精度和效率,擴展了配準(zhǔn)算法的使用范圍。綜上,研究包括算法收斂研究和算法應(yīng)用研究兩個方面。理論上對所提群體智能算法給出全局收斂性證明,提高算法的性能和適用性；應(yīng)用上針對三維文物模型拼接過程中的關(guān)鍵問題提出了基于群體智能優(yōu)化算法的解決方案,促進了群體智能算法在三維模型處理中的應(yīng)用。
【關(guān)鍵詞】：社會認(rèn)知優(yōu)化算法 細(xì)菌群體趨藥算法 虛擬拼接 全局匹配 智能配準(zhǔn)
【學(xué)位授予單位】：西北大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要4-6
• Abstract6-12
• 第一章 緒論12-38
• 1.1 引言12-15
• 1.2 社會認(rèn)知優(yōu)化算法15-20
• 1.2.1 算法提出15-16
• 1.2.2 基本概念16-17
• 1.2.3 SCO算法步驟17-18
• 1.2.4 研究進展18-20
• 1.3 細(xì)菌群體趨藥性算法20-24
• 1.3.1 算法原理20-21
• 1.3.2 BCC算法步驟21-23
• 1.3.3 研究進展23-24
• 1.4 三維文物拼接處理中的問題24-32
• 1.4.1 多特征提取及融合匹配識別問題26-28
• 1.4.2 多碎片的全局拼接問題28-31
• 1.4.3 問題小結(jié)31-32
• 1.5 研究內(nèi)容和主要創(chuàng)新點32-36
• 1.5.1 研究內(nèi)容33-34
• 1.5.2 主要創(chuàng)新點34-36
• 1.6 本文的結(jié)構(gòu)36-38
• 第二章 新型社會認(rèn)知優(yōu)化算法38-54
• 2.1 社會認(rèn)知優(yōu)化理論38
• 2.2 SCO算法的收斂性分析38-41
• 2.2.1 隨機算法的收斂準(zhǔn)則39-40
• 2.2.2 SCO算法收斂性證明40-41
• 2.3 自然社會認(rèn)知優(yōu)化算法41-50
• 2.3.1 智商分布統(tǒng)計理論41-43
• 2.3.2 混沌優(yōu)化算法43-44
• 2.3.3 精英策略44
• 2.3.4 HSCO算法步驟44-46
• 2.3.5 HSCO算法的全局收斂性46-47
• 2.3.6 數(shù)值實驗分析47-50
• 2.4 具有量子行為的SCO算法50-53
• 2.4.1 QSCO算法50-51
• 2.4.2 實驗分析及收斂證明51-53
• 2.5 本章小結(jié)53-54
• 第三章 混沌細(xì)菌群體趨藥優(yōu)化算法54-66
• 3.1 引言54-55
• 3.2 BC算法及收斂性分析55-56
• 3.2.1 BC算法55
• 3.2.2 BC算法收斂性分析55-56
• 3.3 BCC算法及收斂性分析56
• 3.4 混沌細(xì)菌群體趨藥性算法56-64
• 3.4.1 算法原理56-57
• 3.4.2 Tent映射57
• 3.4.3 CBCC算法步驟及收斂性證明57-58
• 3.4.5 數(shù)值實驗分析58-64
• 3.5 本章小結(jié)64-66
• 第四章 三維文物碎片特征提取66-74
• 4.1 引言66-67
• 4.2 特征輪廓線提取技術(shù)67-69
• 4.2.1 主輪廓線提取68
• 4.2.2 次輪廓線提取68-69
• 4.2.3 特征輪廓線生成69
• 4.3 厚度直方圖算法69-71
• 4.3.1 厚度直方圖算法69-71
• 4.3.2 厚度直方圖相似性度量71
• 4.4 自旋圖提取算法71-73
• 4.4.1 自旋圖生成72
• 4.4.2 頂點歸一化72
• 4.4.3 自旋圖相似性度量72-73
• 4.5 本章小結(jié)73-74
• 第五章 基于證據(jù)和區(qū)間數(shù)的多特征智能融合識別方法74-88
• 5.1 引言74-75
• 5.2 D-S證據(jù)合并理論模型75-77
• 5.3 區(qū)間數(shù)理論77-78
• 5.4 區(qū)間數(shù)生成BPA78
• 5.4.1 生成原理分析78
• 5.4.2 用區(qū)間數(shù)生成BPA78
• 5.5 D-S的權(quán)重值優(yōu)化78-81
• 5.5.1 證據(jù)合成理論的權(quán)值統(tǒng)一79
• 5.5.2 D-S權(quán)重值優(yōu)化算法79-80
• 5.5.3 權(quán)重優(yōu)化模型80-81
• 5.5.4 HSCO算法優(yōu)化權(quán)重81
• 5.6 實驗分析81-86
• 5.7 本章小結(jié)86-88
• 第六章 基于DHSCO算法的全局最優(yōu)匹配88-100
• 6.1 引言88-90
• 6.2 基于群體智能的整體匹配原理90-91
• 6.3 完全匹配的多碎片匹配算法模型91-94
• 6.3.1 編碼91-93
• 6.3.2 適應(yīng)值函數(shù)93-94
• 6.3.3 離散HSCO算法迭代公式94
• 6.4 部分匹配的多碎片匹配算法模型94-95
• 6.4.1 編碼95
• 6.4.2 迭代公式95
• 6.5 基于DHSCO的全局匹配算法分析95-96
• 6.6 實例分析96-99
• 6.7 本章小結(jié)99-100
• 第七章 基于顯著特征的智能配準(zhǔn)算法100-114
• 7.1 引言100-101
• 7.2 顯著特征點提取101-103
• 7.2.1 點云法向量估計和調(diào)整101-102
• 7.2.2 基于MLS面計算點云曲率102
• 7.2.3 顯著特征提取102-103
• 7.3 粗配準(zhǔn)103-108
• 7.3.1 獲取初始匹配點103-104
• 7.3.2 約束剪枝104
• 7.3.3 基于離散CBCC算法的粗匹配點對優(yōu)化104-108
• 7.4 精細(xì)配準(zhǔn)108-109
• 7.4.1 基于CBCC的最優(yōu)變換求解108
• 7.4.2 ICPIF精配準(zhǔn)108-109
• 7.5 實驗分析109-111
• 7.6 本章小結(jié)111-114
• 第八章 總結(jié)與展望114-118
• 8.1 工作總結(jié)114-115
• 8.2 工作展望115-118
• 參考文獻118-128
• 附錄128-132
• 攻讀博士學(xué)位期間取得的研究成果132-134
• 致謝134

【引證文獻】

中國重要會議論文全文數(shù)據(jù)庫 前3條

1 羅景峰;許開立;;社會認(rèn)知優(yōu)化算法在系統(tǒng)可靠性優(yōu)化中的應(yīng)用[A];第四屆中國智能計算大會論文集[C];2010年

2 楊飛;周凡;王若梅;劉儷;羅笑南;;一種快速有效地基于區(qū)域增長的網(wǎng)格分割算法[A];第六屆全國幾何設(shè)計與計算學(xué)術(shù)會議論文集[C];2013年

3 沈超慧;;基于多尺度特征聚類的三維模型局部形狀檢索方法[A];第四屆和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議論文集[C];2008年

  本文關(guān)鍵詞：群體智能算法及在三維文物虛擬拼接中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

本文編號：275004