基于量子进化计算的数据聚类和图像分割

论文摘要

20世纪90年代中期,量子计算（Quantum Computing, QC）的研究引起了人们广泛的关注。借鉴量子态的叠加,纠缠和并行等特性,人们将进化计算（Evolutionary Computation, EC）与量子计算相融合,出现了一种量子进化计算（Quantum-Inspired Evolutionary Computation, QEA）。它建立在量子态矢量表达的基础上,将量子比特的概率幅表示方式应用于染色体的编码,使一个染色体可以表达多个模态的叠加,从而比进化计算更具有并行性。鉴于量子进化计算的这些特性,我们针对数据聚类和图像分割问题进行深入的研究,并取得了较好的效果。本文的主要工作为：提出了一种基于量子进化计算的数据聚类方法。在量子进化计算中,用量子旋转门来更新种群,但是旋转角度的选择是离散,不连续的,使问题的搜索容易陷入局部最优。因此,本文提出了一种改进的量子旋转门,采用自适应计算旋转角度的方法,使种群能够具有比较好的全局搜索能力,同时使种群能够跳出局部最优,本文对旋转后的概率幅进行了修正。针对数据聚类问题,与改进之前的算法及一些其他的进化算法相比,本文方法在聚类正确率上有了很大的改善。同时,针对具有对称分布的数据集,在统一采用对称距离测度后,本文的方法也取得了较好的效果。提出了一种基于量子进化与高斯混合模型的无监督图像分割算法（QEAGMM）。针对基于高斯混合模型（Gaussian Mixture Model, GMM）的图像分割算法中,模型参数的标准训练方法-期望最大算法（EM）存在初始化敏感,容易陷入局部最优的缺点,我们将量子进化算法与EM算法相结合,充分利用两者的优点,提出了一种量子进化EM算法（QEA-EM）,有效地缓解了EM算法的缺点。针对纹理图像和合成孔径雷达（SAR）图像分割,我们对图像做一系列的预处理,然后对图像进行分割,仿真实验结果表明,与传统的高斯混合模型聚类算法相比,本文的算法取得了较好的分割结果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 量子进化计算研究进展
• 1.2 数据聚类技术概述
• 1.3 图像分割技术现状
• 1.4 本文的主要内容
• 第二章 量子进化计算基础
• 2.1 量子计算
• 2.2 量子表示
• 2.3 量子进化算法描述
• 2.4 本章小结
• 第三章 基于量子进化计算的数据聚类
• 3.1 聚类问题描述
• 3.2 基于量子进化计算的数据聚类
• 3.2.1 算法设计思想
• 3.2.2 算子设计
• 3.2.3 算法实现策略与流程
• 3.2.4 计算复杂度分析
• 3.3 对比实验及结果分析
• 3.3.1 实验数据集
• 3.3.2 实验结果分析
• 3.4 基于点对称距离的量子进化数据聚类
• 3.4.1 点对称距离
• 3.4.2 对比实验及结果分析
• 3.5 本章小结
• 第四章 基于量子进化与高斯混合模型的无监督图像分割
• 4.1 量子进化EM算法
• 4.1.1 高斯混合模型
• 4.1.2 QEA-EM算法
• 4.1.3 计算复杂度分析
• 4.2 基于量子进化与高斯混合模型的无监督图像分割算法
• 4.2.1 高斯混合模型用于图像分割原理
• 4.2.2 图像特征提取
• 4.2.3 算法实现策略及流程
• 4.3 对比实验及结果分析
• 4.3.1 人工合成纹理图像
• 4.3.2 SAR图像
• 4.4 本章小结
• 第五章 总结与展望
• 5.1 本文总结
• 5.2 本文展望
• 致谢
• 参考文献
• 研究成果