基于量子进化RBF网络的图像识别

摘要

如何合理高效地组织图像数据、结合图像特征,将人工智能及知识发现等技术合理地运用于图像分类中,是当今计算机视觉研究领域的一个热点问题。量子进化算法以其诸多优点,如能够更容易的在探索与开发之间取得平衡,具有种群规模小、收敛速度快、全局寻优能力强等,而日益受到重视。本文将量子进化算法用于RBF网络(径向基函数网络)的优化当中,并通过仿真验证了算法的有效性。本文的主要工作有:
　　 采用量子进化算法对RBF网络的参数及结构进行优化。其中参数包括RBF函数中心、权值以及方差,结构的优化是指获得网络的隐层和输出层之间的部分链接,而不是全链接,经过优化后的网络能降低RBF网络在进行图像识别时候的时间复杂度。通过在Brodatz纹理图像和SAR图像数据中的实验表明,基于量子进化的RBF网络的图像识别精度要明显高于基于遗传算法的RBF网络。
　　 在纹理图像的识别中,本文结合了小波变化的能量特征和灰度共生矩阵的特征；对于SAR图像,本文结合了Contourlet变换域的能量特征和Hu不变矩的特征。仿真实验对这两类图像使用相应的特征分别进行了基于量子进化RBF网络的图像识别。

目录

文摘

英文文摘

第一章 绪论

1.1 神经网络的发展与研究现状

1.2 量子进化的发展

1.3 论文的主要工作和内容安排

第二章 径向基神经网络及量子进化基础

2.1 径向基神经网络基础

2.1.1 径向基神经网络的提出及特点

2.1.2 径向基函数网络的正规化

2.1.3 径向基函数网络参数的确定及学习

2.2 量子进化基础

2.2.1 量子遗传算法(Quantum Genetic Algorithm,QGA)

2.2.2 量子进化规划(Quantum Evolutionary Programming,QEP)

2.2.3 量子进化策略(Quantum Evolutionary Strategies,QES)

第三章 基于量子进化RBF网络的纹理图像分类

3.1 量子进化算法

3.1.1 量子进化基本概念

3.1.2 量子染色体的机理和优点

3.1.3 量子染色体变异策略

3.2 纹理图像的特征提取

3.2.1 基于小波变换的子带特征提取

3.2.2 基于灰度共生矩阵的子带特征提取

3.2.3 基于小波变换和灰度共生矩阵的特征提取

3.2 基于量子进化算法的RBF网络参数优化

3.2.1 基于量子进化算法的RBF函数中心选取

3.2.2 基于量子进化的RBF方差及输出权值学习

3.2.3 基于量子进化的RBF网络权值向量修剪

3.3 实验对比及结果分析

3.4 本章小结

第四章 基于量子进化RBF网络与Contourlet变换的SAR图像分类

4.1 SAR图像分类技术

4.2 SAR图像的特征提取

4.2.1 基于Contourlet变换的图像特征提取

4.2.2 基于Hu不变矩变换的图像特征提取

4.2.3 基于Contourlet变换和Hu.不变矩变换的特征提取

4.3 基于量子进化算法优化RBF网络的SAR图像分类

4.4 本章小结

第五章 总结与展望

致谢

参考文献

研究成果