信息熵蟻群算法在特征提取和圖像識別中的應用.pdf

1、群集智能方法是一種能夠有效解決大多數(shù)全局優(yōu)化問題的新方法，這類方法往往能夠比傳統(tǒng)優(yōu)化方法更快地發(fā)現(xiàn)復雜優(yōu)化問題的最優(yōu)解。作為群體智能的一種典型實現(xiàn)，蟻群算法正在受到學術界的廣泛關注。它是一種應用于組合優(yōu)化問題的啟發(fā)式搜索算法?，F(xiàn)在其應用領域已擴展到多目標優(yōu)化、數(shù)據(jù)分類聚類、生物系統(tǒng)建模、仿真和系統(tǒng)辯識等多個方面，群集智能理論和方法為解決這類應用問題提供了新的途徑。因此，開展蟻群理論及應用研究具有重要的學術意義和應用價值。 本文對

2、蟻群算法理論做了深入系統(tǒng)的研究，將其應用在特征選取和圖像識別兩個方面，并通過仿真實驗驗證了算法應用的有效性。論文主要工作如下。 特征選擇在模式識別中具有極其重要的作用，它直接影響到模式識別的正確率及速率。進行正確而有效的特征選擇，已經(jīng)成為模式識別過程的重要步驟。為了選出使各類樣本盡可能遠地互相分開的特征，本文提出了一種基于信息熵的蟻群優(yōu)化特征選擇算法。首先將多幅圖像的特征向量作為蟻群算法識別的輸入，再將每類圖像的任意一組特征作為

3、聚類中心。然后讓蟻群按規(guī)則運動，改變各特征區(qū)域的信息素直到滿足搜索條件終止。最后獲得目標函數(shù)中的特征最大值，其特征即為所選擇的特征。 本文提出了一種信息熵蟻群的圖像識別算法，有效地利用蟻群算法的尋優(yōu)能力，實現(xiàn)圖像的識別。首先建立所有樣本類別的圖像庫，然后將剛提取的特征與圖像識別模板進行匹配，最后計算每只螞蟻走過的路經(jīng)上留下信息素的值，路徑短留下的信息素濃度高，取各路經(jīng)上的信息素最大值為最佳匹配實現(xiàn)識別。 實驗結果表明，本