蚁群算法与小波网络在复杂性科学中的应用研究

论文摘要

复杂性科学是21世纪一门新兴的边缘、交叉学科,探索复杂性正在成为当代科学最具革命性的前沿。论文工作深入地研究了蚁群算法与小波网络及其改进算法,探索了在复杂性科学中的应用,包括群集智能中的蚁群算法理论、蚁群算法的参数优化设置方法、遗传蚁群算法的改进及其在植物病斑检测中的应用、小波网络的初始化参数设置及基于蚁群算法的小波网络结构优化方法、基于改进型小波网络的决策级信息融合模型的构建。论文的创新点体现在以下四个方面:(1)提出了元启发框架下蚁群算法的参数设置原则及基于正交试验设计方案的参数优化设置方法。对蚁群算法的主要参数采用统计分析方法进行相关性分析,利用正交试验设计减少参数设置的试验次数,实现了最佳参数组合方案,克服了参数设置过程中的主观性,提高了参数选择的效率。(2)提出了一种自适应遗传蚁群算法。分析了遗传算法和蚁群算法的融合策略,研究了遗传蚁群算法中交叉率和变异率的自适应选取算法,并采用自适应信息素挥发因子实现信息素的动态更新。最后,根据植物病斑图像特点,研究了遗传蚁群算法中信息素更新函数和启发函数的改进方法,从全局组合优化角度实现了植物病斑检测。(3)提出了基于蚁群优化的小波网络。构建了基于蚁群优化的小波网络学习算法,利用蚁群算法的全局优化能力实现了对小波网络的权值、阈值、尺度因子、平移因子的优化设置。(4)提出了一种基于改进型小波网络的决策级信息融合模型。在深入研究数据缺失机制及其处理方法的基础上,将多个小波神经网络并行连接实现了基于小波网络的特征级信息融合模型,再结合证据理论构建了数据缺失机制下的决策级信息融合模型。仿真实验验证了所提出的改进算法和信息融合模型的正确性。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景与问题的提出
• 1.1.1 研究背景
• 1.1.2 问题的提出
• 1.2 研究目标、研究内容与研究意义
• 1.2.1 研究目标
• 1.2.2 研究内容
• 1.2.3 研究意义
• 1.3 研究方法和技术路线
• 1.3.1 研究方法
• 1.3.2 技术路线及建模仿真方法
• 1.4 论文的主要工作与创新点
• 1.5 论文的章节安排
• 第二章 群集智能中的蚁群算法理论
• 2.1 群集智能及其基本特性分析
• 2.2 群集智能中的蚁群算法
• 2.2.1 真实蚂蚁的觅食现象
• 2.2.2 基本蚁群算法
• 2.2.3 蚁群算法的改进
• 2.3 蚁群优化元启发算法框架
• 2.3.1 元启发式搜索算法的基本理论
• 2.3.2 基于蚁群优化的元启发框架
• 2.3.3 蚁群优化元启发框架中的自组织性及其反馈特性分析
• 2.3.4 蚁群算法元启发框架下的收敛性分析
• 2.3.4.1 基于图搜索蚂蚁系统的收敛性分析
• 2.3.4.2 蚁群优化算法的收敛性分析
• 2.4 蚁群算法中的参数优化设置
• 2.4.1 正交试验设计方法
• 2.4.2 基于正交试验法的蚁群算法参数设置方法
• 2.4.3 仿真试验及其结果分析
• 2.5 本章小结
• 第三章 元启发框架下蚁群算法的改进
• 3.1 遗传算法与蚁群算法的融合
• 3.1.1 基本遗传蚁群算法
• 3.1.2 基本遗传蚁群算法的收敛性证明
• 3.2 基本遗传蚁群算法的改进
• 3.2.1 遗传蚁群算法模型中的遗传算法改进策略
• 3.2.2 遗传蚁群算法模型中的信息素更新机制的改进策略
• 3.3 基于遗传蚁群算法的植物病斑检测
• 3.4 仿真实验及结果分析
• 3.5 本章小结
• 第四章 基于蚁群优化的小波网络
• 4.1 小波网络概述
• 4.2 小波分析理论
• 4.2.1 小波分析的基本原理
• 4.2.2 小波分解重构算法
• 4.2.3 小波包算法
• 4.3 BP 神经网络的基本原理
• 4.4 传统小波网络的基本模型
• 4.5 蚁群算法优化的小波网络模型
• 4.5.1 小波函数及其选择原则
• 4.5.2 小波网络的参数初始化
• 4.5.3 小波网络的隐层节点数的设计
• 4.5.4 基于蚁群算法的小波网络学习算法研究
• 4.6 基于改进型小波网络的故障模式识别模型
• 4.7 仿真实验及结果分析
• 4.8 本章小结
• 第五章 基于改进型小波网络的信息融合模型
• 5.1 数据缺失机制及其处理方法
• 5.1.1 数据缺失机制
• 5.1.2 缺失数据的常用处理方法
• 5.1.3 期望最大化似然估计在缺失数据处理中的应用
• 5.2 基于小波网络的特征级信息融合
• 5.3 决策级信息融合模型的构建
• 5.3.1 D-S 证据理论的基本概念
• 5.3.2 D-S 证据理论的组合规则
• 5.3.3 D-S 证据理论的推理决策
• 5.3.4 基于小波网络与证据理论的决策级信息融合模型
• 5.4 仿真试验及结果分析
• 5.5 本章小结
• 第六章 结论与展望
• 6.1 本文工作的总结
• 6.2 本文工作的展望
• 参考文献
• 发表论文和参加科研情况说明
• 致谢