量子进化聚类算法研究

论文摘要

人类已步入信息时代,物质、能量、信息是人类赖以生存的三大资源。以计算机为核心的现代信息处理和以数字化通信为特征的现代信息传输正在紧密地结合起来,将人类带入到未来崭新的信息时代。作为智能信息科学发展中有生命活力的一个研究方向,计算智能已经引起了广泛的关注。近年来普遍认为:计算智能是在神经网络、模糊系统、进化计算三个分支发展相对成熟的基础上,相互融合而形成的一种新的计算方法。事实上,“计算智能”(或“智能计算”)是一个内蕴相当丰富的概念,长期以来,分布于世界各地的计算机科研人员都在因循不同的方向、通过各异的途径来设法接近这一概念的实质。实际上,计算智能是一门跨越包括物理学、数学、计算机科学、通讯、生理学、进化理论和心理学等学科在内的深奥科学。因此,引入各领域的有效知识对它进行研究,就能为建立一种更统一的智能系统设计和优化方法提供基础,也是计算智能一个必然的发展趋势。本文研究了一种聚类方法,将量子理论与进化计算相结合,并用于数据聚类以及图像分割。文中还分别研究了进化算法中具有代表性的遗传算法、免疫进化算法在聚类分割中的应用。本文主要工作如下:1)针对呈现特殊分布的流形数据,提出了基于流形距离的量子进化聚类算法。该算法用反映全局一致性的流形距离作为测度函数,打破传统的欧式距离“两点之间直线距离最短”的理念,用量子进化算法优化聚类中心,快速,高效搜索到最优聚类中心。实验表明,这种方法加快了收敛速度和提高收敛于全局极值点上的概率,对特殊分布的数据处理得到了很好的效果。2)提出了基于量子进化聚类的图像分割算法。该方法将量子进化聚类算法应用于图像分割。引入像素的灰度信息,将图像的纹理特征作为聚类数据集进行处理。通过实验,该算法在分割质量上较其他算法都有较大的提高。3)提出一种基于分水岭—量子进化聚类算法的图像分割方法。将图像分割问题进行分块处理。首先采用分水岭算法对图像进行粗分割,再用量子进化聚类算法进行后续的聚类处理,得到分割结果。针对图像的区域一致性以及边缘保持两个方面,对比实验表明了该算法的有效性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景以及意义
• 1.2 论文内容与安排
• 第二章 数据聚类中的聚类算法
• 2.1 引言
• 2.2 K均值聚类概述
• 2.3 模糊C均值聚类概述
• 2.4 进化算法概述
• 2.4.1 进化算法的起源与发展
• 2.4.2 遗传算法的操作流程与数学基础
• 2.5 免疫进化算法
• 2.5.1 免疫进化算法
• 2.5.2 免疫进化算法流程
• 2.6 量子进化算法
• 2.6.1 算法描述
• 2.6.2 量子染色体的机理及优点
• 2.6.3 量子变异
• 2.6.4 量子交叉
• 第三章 基于流形距离的量子进化聚类算法
• 3.1 引言
• 3.2 流形距离
• 3.3 基于流形距离的量子进化数据聚类
• 3.3.1 算法流程
• 3.3.2 算子的设计
• 3.3.3 目标函数值的计算
• 3.3.4 FCM迭代
• 3.3.5 选择操作
• 3.3.6 停机条件
• 3.4 算法收敛性分析
• 3.5 时间复杂度分析
• 3.6 实验分析
• 3.7 本章小结
• 第四章 基于量子进化聚类算法的图像分割
• 4.1 引言
• 4.2 图像分割方法简介
• 4.3 图像纹理特征提取
• 4.3.1 基于灰度共生矩阵的纹理特征
• 4.3.2 基于非下采样小波分解的纹理特征
• 4.4 基于量子进化聚类算法的图像分割方法
• 4.5 实验结果及分析
• 4.5.1 灰度共生矩阵特征实验
• 4.5.2 小波变换特征实验
• 4.6 本章小结
• 第五章 基于分水岭-量子进化聚类算法的图像分割
• 5.1 引言
• 5.2 形态学分水岭算法
• 5.2.1 分水岭算法原理
• 5.2.2 分水岭变换的数学描述
• 5.3 基于分水岭-量子进化聚类算法的图像分割
• 5.4 实验与分析
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 论文总结
• 6.2 工作展望
• 致谢
• 参考文献
• 硕士期间的学术成果