基于pso算法的圖像匹配技術(shù)-wenkub.com
2025-06-24 19:35 本頁面
【正文】 2)hold offtoc % 顯示程序總用時間disp(39。39。)hold onrectangle(39。實時圖像39。)p_global_positionimshow(f)，title(39。 %更新迭代次數(shù)數(shù)據(jù)信息end%輸出最優(yōu)值的信息disp(39。 % 先假定第一個粒子擁有目前全局最優(yōu)值 for kn=1:p_num % 尋找當前全局最優(yōu)粒子 if p_global_value=p_local_value(kn) p_global_value=p_local_value(kn)。 p_fit_new(kn)=sum(sum(f_temp2))/(row2*colu2)。 end if p_position(kn，kd)p_position_max % 最大位置制約 p_position(kn，kd)=p_position_max。 % 粒子的社會全局學習 if p_speed(kn，kd)v_max % 最大速度制約 p_speed(kn，kd)=v_max。 % 更新全局最優(yōu)粒子位置信息 endend%中心主程序%更新粒子位置和速度，通過判斷條件，找出全局最優(yōu)值% while expression% statements% endflag_stop=0。% p_local_value(k1)計算各個粒子當前的適應度函數(shù)值 % p_local_value為保存各個粒子適應度函數(shù)數(shù)據(jù)endp_global_value=p_local_value(1)。 % 計算各個粒子當前的適應度函數(shù)值 temp=p_position(k1，:)。 % 初始化位置，位于p_position_min到p_position_max之間的隨機均勻分布的數(shù)據(jù) p_speed(k_ini，:)=round(10+20*rand(1，p_dim))。p_position_max=row1row2+1。 % 學習因子v_max=10。 % 慣性權(quán)重最小值p_num=60。)。)。5參考文獻[1] 紀震，廖惠連，[M]，科學出版社，[2] 江銘炎，[M]，科學出版社，[3] [D].[4] [D].[5] [D]。，在保證匹配率的前提下，降低粒子數(shù)和迭代次數(shù)。在上述實驗圖像和環(huán)境下，經(jīng)過多次實驗后，發(fā)現(xiàn)群體數(shù)在60左右，迭代次數(shù)在120次左右時，能得到較滿意的結(jié)果。結(jié)果如表1所示。大的慣性因子w可以使算法不易陷入局部最優(yōu)，到算法后期，小的慣性因子可以使收斂速度加快，使收斂更加平穩(wěn)，時變權(quán)重可以在某一個范圍內(nèi)變化，一般在迭代過程中按照某種規(guī)律遞減。當粒子超出最大位置時，將粒子所在維度設置為最大位置。由于PSO算法的智能性和快速收斂性，所以參數(shù)設置合理，就可以實現(xiàn)快速而準確的圖像匹配。認知模型只考慮粒子自身的信息，而沒有與社會信息的交流和共享，Kennedy計算后發(fā)現(xiàn)該模型收斂速度比較慢。由于粒子之間沒有信息交互，等價于眾多單個粒子的飛行，因而得到最優(yōu)解的概率很小。選擇一個合適的w可以平衡全局和局部搜索能力，這樣可以以最少的迭代次數(shù)找到最優(yōu)解，這是因為開始較大的慣性權(quán)重可以遍歷比較大的范圍，后來小的權(quán)重有較好的局部搜索能力。rand()表示（0，1）之間的均勻隨機數(shù)據(jù)。第一個就是粒子本身所找到的最優(yōu)解，這個解叫做個體極值pbest。然后粒子們就追隨當前的最優(yōu)粒子在解空間中搜索。粒子群算法在對動物集群活動行為觀察基礎上，利用群體中的個體對信息的共享使整個群體的運動在問題求解空間中產(chǎn)生從無序到有序的演化過程，從而獲得最優(yōu)解。：子圖Sxy基準圖SNM實時圖T 平均絕對差算法原理圖基于灰度的MAD算法匹
研究報告相關(guān)推薦
鄂ICP備17016276號-1