目錄
前言
第1章 緒論 1
1.1 最優(yōu)化問題 1
1.2 智能優(yōu)化算法概述 2
1.2.1 粒子群優(yōu)化算法 4
1.2.2 遺傳算法 4
1.2.3 差分進化算法 6
1.2.4 模擬退火算法 8
1.2.5 化學(xué)反應(yīng)優(yōu)化算法 10
1.3 遙感影像智能處理方法 12
1.3.1 特征優(yōu)化 12
1.3.2 影像分割 13
1.3.3 影像分類 14
1.4 小結(jié) 16
第2章 萬有引力搜索算法 17
2.1 引力搜索算法 17
2.1.1 算法原理與流程 17
2.1.2 算法性能驗證 20
2.2 引力搜索算法研究進展 23
2.2.1 GSA的改進策略 23
2.2.2 GSA應(yīng)用現(xiàn)狀 25
2.3 基于斥力的GSA改進算法 26
2.3.1 算法原理 27
2.3.2 算法流程 29
2.3.3 算法的性能驗證 30
2.4 混合PSOGSA算法 33
2.4.1 算法原理 34
2.4.2 算法流程 34
2.4.3 算法的性能驗證 35
2.5 基于參數(shù)調(diào)節(jié)的GSA改進算法 36
2.5.1 算法改進策略 36
2.5.2 算法流程 38
2.5.3 算法的性能驗證 39
2.6 小結(jié) 40
第3章 生物地理學(xué)優(yōu)化算法 41
3.1 基本生物地理學(xué)優(yōu)化算法 41
3.1.1 算法的基本思想 41
3.1.2 算法的模型 42
3.1.3 算法的流程 43
3.1.4 算法的性能驗證 44
3.2 生物地理學(xué)優(yōu)化算法的研究進展 46
3.2.1 生物地理學(xué)優(yōu)化算法的理論分析 46
3.2.2 生物地理學(xué)優(yōu)化算法的改進 48
3.2.3 生物地理學(xué)優(yōu)化算法的應(yīng)用 49
3.3 引入新策略的BBO改進算法 49
3.3.1 算法改進策略 50
3.3.2 算法的流程 52
3.3.3 算法的性能驗證 53
3.4 混合BBO優(yōu)化算法 55
3.4.1 算法改進策略 56
3.4.2 算法的流程 57
3.4.3 算法的性能驗證 57
3.5 基于參數(shù)調(diào)節(jié)的BBO 改進算法 59
3.5.1 算法改進策略 60
3.5.2 算法的性能驗證 62
3.6 基于拓撲結(jié)構(gòu)的BBO改進算法 65
3.6.1 算法改進策略 66
3.6.2 算法的流程 68
3.6.3 算法的性能驗證 68
3.7 小結(jié) 71
第4章 基于穩(wěn)定性約束α動態(tài)調(diào)節(jié)的GSA算法 72
4.1 算法原理 72
4.2 實驗與結(jié)果分析 74
4.2.1 實驗設(shè)置 74
4.2.2 實驗結(jié)果分析 75
4.3 小結(jié) 79
第5章 基于鄰域引力學(xué)習(xí)的生物地理學(xué)優(yōu)化算法 80
5.1 算法原理 80
5.1.1 NFBBO遷移策略 80
5.1.2 自適應(yīng)的高斯變異機制 81
5.2 實驗與結(jié)果分析 82
5.2.1 參數(shù)設(shè)置 82
5.2.2 實驗結(jié)果及分析 83
5.3 小結(jié) 87
第6章 基于遺傳算法的引力搜索算法 88
6.1 算法原理 88
6.2 實驗與結(jié)果分析 89
6.2.1 測試函數(shù) 89
6.2.2 實驗與結(jié)果分析 90
6.3 小結(jié) 94
第7章 基于動態(tài)鄰域?qū)W習(xí)的引力搜索算法 95
7.1 算法原理 95
7.1.1 局部全連接鄰域結(jié)構(gòu) 96
7.1.2 動態(tài)鄰域?qū)W習(xí)策略 97
7.1.3 基于進化狀態(tài)的動態(tài)局部鄰域構(gòu)建與gbest變異 98
7.2 實驗與結(jié)果分析 102
7.2.1 實驗設(shè)置 102
7.2.2 實驗結(jié)果分析 102
7.3 小結(jié) 108
第8章 基于GSA算法的高分辨率遙感影像特征選擇 109
8.1 光譜與紋理特征提取 109
8.1.1 光譜特征提取 109
8.1.2 紋理特征提取 110
8.2 基于DNLGSA的特征選擇 111
8.3 實驗結(jié)果與分析 114
8.3.1 實驗數(shù)據(jù)與參數(shù)設(shè)置 114
8.3.2 備選特征提取 117
8.3.3 特征選擇與分類結(jié)果分析 117
8.4 小結(jié) 120
第9章 基于GSA算法的高分辨率遙感影像多閾值分割 121
vi 智能優(yōu)化算法與遙感影像分類
9.1 常用的閾值分割準則 121
9.1.1 Kapur’s熵分割準則 121
9.1.2 Otsu分割準則 122
9.2 基于DNLGSA的高分辨率遙感影像多閾值分割 123
9.3 實驗結(jié)果與分析 124
9.3.1 實驗數(shù)據(jù) 125
9.3.2 實驗設(shè)置 126
9.3.3 精度評價指標(biāo) 126
9.3.4 多閾值分割結(jié)果 127
9.4 小結(jié) 129
第10章 基于引力優(yōu)化神經(jīng)網(wǎng)絡(luò)的高光譜遙感影像分類 130
10.1 人工神經(jīng)網(wǎng)絡(luò) 130
10.1.1 人工神經(jīng)網(wǎng)絡(luò)概述 130
10.1.2 BP神經(jīng)網(wǎng)絡(luò) 131
10.2 基于SCAA的神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化 132
10.3 高光譜遙感影像分類 133
10.4 影像分割與分類結(jié)果的融合 136
10.5 小結(jié) 138
第11章 基于差分進化算法和多尺度核SVM的高分辨率遙感影像分類 139
11.1 多核SVM學(xué)習(xí)方法 139
11.2 多尺度核學(xué)習(xí)方法 140
11.2.1 多尺度核序列學(xué)習(xí)方法 140
11.2.2 基于智能優(yōu)化算法的多尺度核學(xué)習(xí)方法 141
11.3 基于動態(tài)差分進化算法的多尺度核參數(shù)優(yōu)化 141
11.4 高分辨率遙感影像分類 143
11.5 小結(jié) 146
參考文獻 147