文摘
量子粒子群优化(QPSO)是一个基于人口优化算法受社会行为的鸟类聚集相结合量子计算的思想。对于许多优化问题,传统的QPSO算法可以产生高质量的解决方案在合理的计算时间和相对稳定的收敛特性。但QPSO算法还显示一些不满意的问题在实际应用中,如过早收敛和全局优化能力差。要解决这些问题,提出一种改进的量子粒子群优化算法和实现。有三个主要的作品。首先,引入了改进的QPSO算法可以提高模型的决策能力。其次,我们引入协同作用的神经网络模型首次红树林分类可以更好地处理遥感图像的模糊匹配。最后,改进的QPSO算法用于实现网络的优化参数。红树林分类实验表明,改进后的算法具有更强大的全局探索能力和更快的收敛速度。
1。介绍
量子粒子群优化算法(QPSO)是一种新的进化算法(2005年1,2]。研究人员发现,人类的学习过程有很大的不确定性非常类似于量子行为的粒子,所以每个可以被描述为一个粒子在量子空间。近年来,一系列的论文都集中在QPSO的应用,如金融预测(3),传感器阵列(4),临床疾病诊断(5)、分类和聚类6),燃料管理优化(7),特征选择(8),和其他领域(9,10]。但是传统的QPSO很容易陷入局部最优值和收敛速度很慢。如何避免早熟和维护快速收敛速度同时是一个大问题。为了提高性能优于经典,研究人员已经做了一些尝试。太阳et al。11)公布的全球量子行为粒子群优化搜索策略。在[12),混沌变异算子引入量子粒子群优化,而不是在QPSO随机序列;混沌变异算子是一种强大的QPSO人口和多元化战略可以提高性能防止过早收敛到局部最小值。在[13),一种改进的基于真正的量子粒子群优化算法的编码方法可以提高性能优于经典。
红树林生态系统起到了不可替代的重要作用的稳定和平衡沿海河口作为一个独特的陆地和海洋生态系统(14- - - - - -17]。把握红树林群落的状态及时和准确的可以提供重要的信息保护和恢复红树林生态系统。但TM图像的空间分辨率不高和红树林社区的光谱相似性强18- - - - - -20.]。由于这些问题,有必要采取一种更聪明的方法来提高红树林分类的准确性。
我们可以使用协同作用的神经网络(SNN)都提出21)来实现智能红树林分类。协同作用的神经网络的基本原理是,模式识别过程可以看作是竞争发展的许多参数。协同作用的神经网络方法的一个优点是鲁棒性对噪声和遮挡;使用这种方法,我们将能更好地处理模糊匹配的红树林分类上下文信息是不完整的。合作的模式识别方法已成功地应用于人脸识别(22),自动控制领域(23,24),和外显子识别(25]。红树林分类也可以被认为是一个模式识别问题,也是完全有可能使用这种方法来解决红树林分类。目前,主流的研究SNN关注原型模式向量的选择(26),注意参数的设置(27- - - - - -29日),重建算法的参数(30.),等等。网络参数直接影响协同作用的识别性能。网络参数的调整是一个全球性的行为和没有一般研究理论目前控制中的参数识别过程。在本文中,我们提出了一种改进的SNN算法可以有效地选择网络参数。
本文组织如下。一种改进的QPSO算法2。节3红树林,介绍了基于协同作用的神经网络分类模型。提出了一种改进的基于改进QPSO SNN模型部分4。节5,给出了一些实验结果和结论。
2。改善优于基于自适应行为选择(AQPSO)
在本节中,我们提出一种改进的QPSO。首先,采用多样性函数作为特征函数。第二,自适应运动行为是首次引入量子粒子群优化。
2.1。多样化的功能
多样性函数是用来描述粒子的分散度。多样化的功能描述了自适应多样性,是指当前迭代数。考虑 在哪里意味着平均的健身价值th迭代和是目前全球最优值。意味着多样性是穷人。意味着多样性是好的。
2.2。自适应运动行为
从QPSO算法,我们可以知道当地的吸引子是由局部最优和全球最佳: 在哪里,,。
在标准的QPSO算法,和受聘为两个加速因素,不仅会影响收敛速度,但也可能导致早产现象的发生。在早期的迭代中,当前位置和粒子的最优位置是遥远的。在稍后阶段,当前位置和最优位置更近。有效地避免过早现象的发生,可以用来描述粒子之间的紧密程度和全局最优位置,从而选择相应的加速度的因素:
2.3。改进的算法
改进的QPSO算法如下所示。(1)初始化变量。(2)生成初始人工粒子群。(3)更新局部最优位置和全球最佳位置。(4)通过不同的行为每个粒子更新它的位置。(5)执行的自适应运动行为(3)。(6)阈值逐渐降低从而导致粒子的分散降低。(7)记录最优值。(8)如果迭代终止,输出最优值;否则返回步骤(3)。
3所示。一种改进的基于AQPSO SNN模型
3.1。红树林分类基于SNN模型
SNN模型是一个自上而下的网络与传统的神经网络由协同学不同,它不会产生伪状态。一个无法识别的模式,是由一个转换的动态过程原型模式的成一个向量通过状态;即此原型模式是最接近。这个过程被描述为在以下方程:
动力学方程可以给出识别模式: 在哪里是状态向量的输入模式与初始值,是注意参数,原型模式向量,然后呢是伴随向量的。
相应的动力学方程参数 在哪里满足初始条件
红树林的方法分类使用协同作用的神经网络技术,如图1。
基于SNN红树林分类模型主要包括以下步骤。
步骤1。从训练语料库中提取特征并计算原型模式向量满足正常化的条件和零均值。
步骤2。获得原型模式的伴随模式。
步骤3。从测试语料库中提取特征向量,计算测试模式满足归一化条件和零均值。
步骤4。根据(计算订单参数的初始值6)。
第5步。演化方程之间的竞争秩序的执行参数根据(5)。
步骤6。如果值的进化中可以达到稳定状态,输出最终结果;否则继续执行演化方程的步骤5。
3.2。参数优化的基于AQPSO SNN
协同作用的神经网络的网络参数直接影响协同作用的识别性能。没有一般研究理论目前控制中的参数识别过程。如何构建网络参数和选择一个更高效的优化方法是一个重要的任务。要解决这些问题,使用AQPSO在本节中有效地选择网络参数。
协同作用的神经网络参数优化基于AQPSO如图所示2。首先,我们可以重建参数的重视基于原型之间的相似性测量模式和测试模式:
其次,AQPSO算法用于搜索全球网络的最佳工艺参数在对应的参数空间。
基于AQPSO重建和优化网络参数可以描述如下。(1)从训练语料库和测试语料库和获得特征向量构造原型模式和测试模式。(2)计算初始有序参数根据(6)。(3)集,根据(7)。(4)优化算法用于搜索全局最优参数SNN在对应的参数空间。(5)得到最好的红树林类别通过评估阶参数方程(5)。
4所示。实验
在实验中,我们需要10红树林图像作为训练样本。图像的大小。红树林图像的分类如表所示1。
训练样本的原型模式如图3。
相应的伴随模式如图4。
在下一节中,我们使用不同的红树林图像来测试我们的模型的性能。
4.1。单一的红树林形象的识别
以下4.4.1。识别噪声图像
样品确认是由原始图像添加噪声,没有翻译,旋转,或扩展,如图5。
根据稳定性分析方法,它可以快速和稳定的收敛曲线时设置网络参数。识别流程如图6。
从图7,我们可以通过竞争找到类别C1最终赢了。竞争过程可能的演化曲线收敛迅速,成为第95个迭代后稳定。
4.1.2。识别不完整的图像
不完整的图像如图8。
演化曲线如图9。
从图9,我们可以找到的初始订单参数类别C3不是最大的初(最大的是C7);然而,它最终获得通过竞争和期望的模式识别。在这个过程中,模棱两可的红树林图像的类别确定。同时,竞争过程的收敛速度可能很快收敛,成为第85个迭代后稳定。
4.2。识别的大规模图像
我们需要10红树林图像作为训练样本。图像的大小。我们得到120测试图像的各种处理方法,如添加噪声、旋转、缩放、裁剪、训练样本上的模糊性。
相比之下,我们使用四个策略:基于SNN SNN:红树林分类,SNN +算法:红树林分类基于SNN算法,SNN + QPSO:红树林分类基于SNN和QPSO,SNN + AQPSO:红树林分类基于SNN和AQPSO。
实验中实现笔记本电脑(联想ThinkPad T430),包括一个2.5 GHz CPU与4 GB RAM。操作系统是Windows 7。
算法的参数设置如表所示2。
QPSO和AQPSO的参数设置如表所示3。
结果如表所示4。每一个点是由30多个重复的平均值。
从表4和5,我们可以看到没有模型执行比其他所有评价指标,但所有这三个参数优化模型的精确率(SNN + PSO、SNN + QPSO和SNN + AQPSO)相媲美SNN模型。注意参数的原因是非常重要的对于SNN和优化算法对更好的性能至关重要。
SNN + AQPSO可以有效提高准确率与标准PSO算法和QPSO算法。本文给出了粒子群的新行为对于更好的性能至关重要。同时,行为选择可以提高决策能力的行为选择。在收敛时间,有一个显著的改善。总之,改进后的算法具有更好的全局搜索能力和收敛速度快。
收敛曲线如图10。我们可以看到有一个重大的进步,预期的收敛精度。实验结果表明改进的QPSO具有更好的全局和本地参数搜索能力。
5。结论
在本文中,我们建立一个改进的量子粒子群优化。红树林分类实验表明改进后的算法具有更强大的全球探索能力和更快的收敛速度。
我们得到了以下的结论。(1)红树林分类过程可以看作是竞争发展的许多参数。订单参数可以反映原型和测试之间的相似性模式更好。(2)AQPSO既有全局和局部搜索能力,可以有效地选择SNN网络参数。
在未来,我们将关注以下两个方面。(1)SNN非常重要的网络参数,以获得更好的识别性能。注意参数的变化会导致完全不同的识别结果。我们将使用其他优化算法搜索全局最优参数SNN在对应的参数空间。(2)粒子群的行为有一个更好的性能的关键影响。在未来,我们将介绍一些新的行为和这个想法应用到其他优化任务。
利益冲突
作者宣称没有利益冲突有关的出版。