資源描述：
《改進的遺傳算法在PCNN參數(shù)標定中的應用.pdf》由會員上傳分享，免費在線閱讀，更多相關內容在行業(yè)資料-天天文庫。
1、改進的遺傳算法在PCNN參數(shù)標定中的應用口劉麗-口徐浩口陳瑞生1．甘肅省隴南地區(qū)氣象局甘肅隴南7460002。蘭州理工大學機電工程學院蘭州730050摘要：基于PCNN算法的基礎研究。詳細介紹了遺傳算法的基本思想．在其基礎上引入了最優(yōu)家族遺傳算法。為了驗證算法的有效性，在PC機上借助VS2008、CUDA、OpenCV2．2實現(xiàn)了算法及相關對比算法。實驗結果表明：改進后的PCNN算法能夠更好地處理背景中的多模態(tài)區(qū)域，提高運動目標分割精度，在有效濾除干擾前景的同時，完整保留了運動物體的形狀、邊緣信息。提出的改進遺傳算法能夠較好保證運動檢l測的質量，為后續(xù)的圖像識別精度提供了保證。關鍵詞：
2、脈沖耦合神經網絡遺傳算法最優(yōu)家族遺傳算法運動檢測中圖分類號：TP301．6文獻標識碼：A文章編號：100o一4998(2013)05—0034—03PCNN(PulseCoupledNeuralNetwork)即脈沖耦合質的功能單元和結構單位_4]。遺傳算法中需要進行數(shù)神經網絡，是近年來再度興起的一個高科技研究領域，據(jù)轉化操作，一個是把具體問題空間中的參數(shù)轉換成是信息科學、腦科學、神經心理學等多種學科的研究熱遺傳空間中的染色體，即編碼過程；另一個是把染色體點，與傳統(tǒng)神經網絡相比，有著根本的不同，并且轉換成問題空間中的實際參數(shù)值，即譯碼過程。與生物PCNN有著廣泛的應用，可應用于圖像分割
3、、邊緣檢一代又一代的自然進化過程相類似，遺傳算法也是一測、細化、識別等方面。個反復迭代的過程，由群體不斷地經過遺傳和進化操雖然脈沖耦合神經網絡的原理及其在運動檢測方作。按照優(yōu)勝劣汰的規(guī)則，將適應度較高的個體更多地面的應用上有明顯的優(yōu)勢，但神經網絡模型還存在一遺傳到下一代．這樣最終會得到一個優(yōu)良個體占多數(shù)些實際應用上的局限性，如神經元相互間存在大量的的群體(其基本流程如圖2所示)。反饋連接，使對神經網絡的具體運作進行數(shù)學分析變2改進的遺傳算法得十分困難等問題。為了克服這些缺點，使其更好地適應運動檢測應用要求而不是嚴格符合真實的生物神經為了進一步提高遺傳算法效率．本文引入了最優(yōu)元的性質，許
4、多學者對Eckhorn神經元模型做了不同家族遺傳算法OFGA。該算法基本思想是在每一代的的修改，產生了許多新的神經元模型¨l_2]。優(yōu)良解附近形成一個微型搜索區(qū)域。這個區(qū)域中包含本文對PCNN的參數(shù)自動設定問題進行了深入的解構成的最優(yōu)家族，研究，設計了一種改進型遺傳算法——最優(yōu)家族遺傳新的種群將在這個算法(OFGA)對PCNN進行優(yōu)化，提出了一種效果較為家族中產生，最優(yōu)A'-理想的PCNN參數(shù)自動設定算法，提高了PCNN運動體搜索也僅僅局限檢測效率。本文提出的PCNN參數(shù)自動設定算法總體于這4"-家族。顯然，設計如圖1所示。由于搜索區(qū)域的大幅度減少。群體規(guī)模1遺傳算法的概述及基本思想也
5、可以相應減少．這遺傳算法(GeneticAlgorithm，GA)是一種根據(jù)生樣的環(huán)境下，算法的物學中所謂的自然選擇和遺傳機理的隨機搜索優(yōu)化算搜索能力很強．且收法[33。遺傳算法的主要特點是群體搜索策略和群體中個體之間的信息交換，搜索不依賴于傳統(tǒng)方法常用的梯度信息。世間的生物由其親代繼承特性或性狀．生物遺傳物質的主要載體是染色體，而基因則是控制生物性狀的遺傳物▲圖1基于OFGA的PCNN運動檢測算法總體框架▲圖2基本遺傳算法流程圖收稿日期：2012年11月2013／5機械制造51卷第585期斂速度很快[。位i0進制數(shù)字。記個體染色體長度為￡，用向量=(，?．，)表I基因定義表作為一個個
6、體來表示一個可行解，氟(1≤i≤)表示染基因最小值最大值編碼長度／bit色體的第i位基因。C表示交叉操作，表示變異操連接系數(shù)0．O00l10017作，廠表示適應度函數(shù)。幅度系數(shù)oO．o0O14oo19為了便于實驗對比。本文采用基于工序的編碼方衰減系數(shù)a。O．00O110017式、隨機初始種群、輪盤賭選擇算子、精英保留策略。在采取的目標函數(shù)為文獻[1]中提出的圖像差分熵本文中定義任意兩個個體之間的距離為：函數(shù)：(P)=一log2尸l一og2P0(2)D(。，b)：∑，其中哦(1)式中：Pl、尸0分別表示輸出差分圖像中像素為1、0的概i=lLUc：0當交叉操作產生的后代不再進化且沒有達到最
7、優(yōu)率。為了調節(jié)選擇壓力，保持群體的多樣性，適應度函時．就意味著算法的早熟。這種現(xiàn)象根源在于有效基因數(shù)為目標函數(shù)的加冪值，選擇[日(P)]1．004。的缺失，變異操作在一定程度上克服了這種現(xiàn)象，有利在種群規(guī)模取為30，最大繁殖代數(shù)進化代數(shù)設置于增加種群的多樣性。本算法采用兩點換位法，對染色為50。在終止準則上：①最大的適應度值在連續(xù)20體=(戈。，：?．，筏)的每個基因位施以相應概率與基因代之內變化小于0．001，算法終止；②條件①不滿足時，位(
