蟻群算法與小波網(wǎng)絡(luò)在復(fù)雜性科學(xué)中的應(yīng)用研究.pdf_第1頁
已閱讀1頁,還剩72頁未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、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(gè)方面: (1)

2、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(jì)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(jì)分析方法進(jìn)行相關(guān)性分析,利用正交試驗(yàn)設(shè)計(jì)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(dòng)態(tài)更新。最后,根

3、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)。構(gòu)建了基于蟻群優(yōu)化的小波網(wǎng)絡(luò)學(xué)習(xí)算法,利用蟻群算法的全局優(yōu)化能力實(shí)現(xiàn)了對小波網(wǎng)絡(luò)的權(quán)值、閾值、尺度因子、平移因子的優(yōu)化設(shè)置。 (4)提出了一種基于改進(jìn)型小波網(wǎng)絡(luò)的決策級信息融合模型。在深入研究數(shù)據(jù)缺失機(jī)制及其處理方法的基礎(chǔ)上,將多個(gè)小波神經(jīng)網(wǎng)絡(luò)并行連接實(shí)現(xiàn)了基于小波網(wǎng)絡(luò)的

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論