基于量子進(jìn)化RBF網(wǎng)絡(luò)的圖像識(shí)別.pdf

1、如何合理高效地組織圖像數(shù)據(jù)、結(jié)合圖像特征,將人工智能及知識(shí)發(fā)現(xiàn)等技術(shù)合理地運(yùn)用于圖像分類中,是當(dāng)今計(jì)算機(jī)視覺研究領(lǐng)域的一個(gè)熱點(diǎn)問題。量子進(jìn)化算法以其諸多優(yōu)點(diǎn),如能夠更容易的在探索與開發(fā)之間取得平衡,具有種群規(guī)模小、收斂速度快、全局尋優(yōu)能力強(qiáng)等,而日益受到重視。本文將量子進(jìn)化算法用于RBF網(wǎng)絡(luò)(徑向基函數(shù)網(wǎng)絡(luò))的優(yōu)化當(dāng)中,并通過仿真驗(yàn)證了算法的有效性。本文的主要工作有:
　　 采用量子進(jìn)化算法對(duì)RBF網(wǎng)絡(luò)的參數(shù)及結(jié)構(gòu)進(jìn)行優(yōu)化。其中

2、參數(shù)包括RBF函數(shù)中心、權(quán)值以及方差,結(jié)構(gòu)的優(yōu)化是指獲得網(wǎng)絡(luò)的隱層和輸出層之間的部分鏈接,而不是全鏈接,經(jīng)過優(yōu)化后的網(wǎng)絡(luò)能降低RBF網(wǎng)絡(luò)在進(jìn)行圖像識(shí)別時(shí)候的時(shí)間復(fù)雜度。通過在Brodatz紋理圖像和SAR圖像數(shù)據(jù)中的實(shí)驗(yàn)表明,基于量子進(jìn)化的RBF網(wǎng)絡(luò)的圖像識(shí)別精度要明顯高于基于遺傳算法的RBF網(wǎng)絡(luò)。
　　 在紋理圖像的識(shí)別中,本文結(jié)合了小波變化的能量特征和灰度共生矩陣的特征；對(duì)于SAR圖像,本文結(jié)合了Contourlet變換域的