模糊認(rèn)知圖優(yōu)化算法與幾何圖形識(shí)別應(yīng)用研究.pdf

1、目前，針對(duì)模糊認(rèn)知圖(FuzzyCognitiveMap，F(xiàn)CM)學(xué)習(xí)算法與應(yīng)用的研究已得到很大發(fā)展。但FCM學(xué)習(xí)算法的研究仍是一個(gè)新興的領(lǐng)域，尚未形成一個(gè)獨(dú)立的分支。FCM的最大缺陷就是基于先驗(yàn)知識(shí)，先驗(yàn)知識(shí)對(duì)推理結(jié)果影響很大，可能會(huì)向非期望穩(wěn)定狀態(tài)的潛在收斂。對(duì)FCM缺點(diǎn)的消除，如初始權(quán)矩陣的抽象估計(jì)和依賴于專家知識(shí)的主觀推理，將會(huì)顯著地提高其性能。加強(qiáng)FCM的學(xué)習(xí)，以使FCM的權(quán)值更可信，提高FCM模型的適應(yīng)性和健壯性，增強(qiáng)動(dòng)態(tài)模

2、擬行為成為FCM的重要問題。在計(jì)算機(jī)視覺中，主流的幾何圖形識(shí)別基本方法為兩大類，如基于區(qū)域形狀識(shí)別，基于圖像中物體的輪廓進(jìn)行描述。上述兩類方法沒有先驗(yàn)知識(shí)是無法處理幾何圖形的遮擋與損失等問題的。且上述識(shí)別方法，有計(jì)算量大，匹配剛性大等缺點(diǎn)。而基于FCM的圖形識(shí)別方法，可有效的避免這兩種問題。目前針對(duì)FCM在基本幾何圖形識(shí)別方面的研究屬于起步階段，因此將其更好的應(yīng)用于圖形識(shí)別仍需進(jìn)一步探索。
　　 本研究首先采用蟻群優(yōu)化(AntC

3、olonyOptimization，ACO)算法對(duì)FCM的權(quán)值矩陣進(jìn)行優(yōu)化研究。本方法是利用ACO算法對(duì)預(yù)先定義的目標(biāo)函數(shù)求解最小值來完成FCM的學(xué)習(xí)任務(wù)。在實(shí)驗(yàn)環(huán)節(jié)中，本文借用過程控制中的一個(gè)標(biāo)準(zhǔn)問題驗(yàn)證本學(xué)習(xí)方法。本方法克服其他FCM學(xué)習(xí)方法的一些不足，并豐富群智能優(yōu)化算法在FCM學(xué)習(xí)中的應(yīng)用。本文同時(shí)將實(shí)驗(yàn)結(jié)果與粒子群優(yōu)化(ParticleSwarmOptimization，PSO)算法對(duì)FCM權(quán)值矩陣優(yōu)化的結(jié)果相對(duì)比。實(shí)驗(yàn)及對(duì)比