智能信號處理：基於仿生智能優化

目錄

第1章緒論1

1.1仿生智能優化算法的特點及優勢1

1.2基於仿生智能優化的智能信號處理框架2

第2章仿生智能優化算法8

2.1粒子群優化算法8

2.2人工蜂群算法9

2.3細菌趨藥性優化算法11

2.4細菌覓食優化算法12

2.5回溯搜索優化算法15

2.6蝙蝠算法16

2.7微分搜索算法17

2.8布穀鳥搜索算法18

2.9樽海鞘群算法19

2.10鯨群優化算法21

2.11蝗蟲優化算法24

第3章基於仿生智能優化的盲信號分離技術31

3.1線性混合盲信號分離模型31

3.1.1數學模型31

3.1.2假設條件與不確定性32

3.1.3盲信號分離前的預處理33

3.2盲信號分離的獨立性判據34

3.2.1最小互信息判據35

3.2.2極大似然判據36

3.2.3最大化峭度判據36

3.2.4最大化負熵判據37

3.3盲信號分離算法的性能評判38

3.3.1主觀定性評判方法38

3.3.2客觀定量評判方法39

3.4基於粒子群優化的有序盲信號分離算法39

3.4.1目標函數的選取40

3.4.2參數編碼與初始粒子群體的確定41

3.4.3消源與新混合信號的形成41

3.4.4實驗分析43

3.4.5算法在工頻乾擾消除中的應用50

3.5基於細菌群體趨藥性的有序盲信號分離算法57

3.5.1帶探測判斷和優勢細菌隨機擾動的細菌群優化算法58

3.5.2基於DPBCC算法的有序盲信號分離算法63

3.5.3實驗分析65

3.5.4在工頻乾擾消除中的應用72

3.6基於細菌覓食優化的盲信號分離算法73

3.6.1盲信號分離的目標函數73

3.6.2菌群位置編碼與優化分離過程73

3.6.3基於改進BFO的分離算法76

3.6.4實驗分析77

3.7基於樣條插值與人工蜂群優化的非線性盲信號分離算法84

3.7.1後非線性混合盲分離模型85

3.7.2改進的人工蜂群算法85

3.7.3基於樣條插值與MABC的後非線性分離算法87

3.7.4實驗分析90

3.8基於回溯搜索優化的捲積盲信號分離算法99

3.8.1捲積混合盲分離模型100

3.8.2獨立向量分析100

3.8.3基於回溯搜索優化的分離算法原理101

3.8.4實驗分析104

第4章基於仿生智能優化的高光譜圖像解混技術109

4.1高光譜圖像解混技術概述110

4.1.1基於幾何學的方法111

4.1.2基於統計學的方法113

4.2高光譜圖像解混模型113

4.2.1線性光譜混合模型114

4.2.2非線性光譜混合模型114

4.2.3高光譜圖像解混評價指標116

4.3基於仿生智能優化的高光譜圖像線性解混方法117

4.3.1基於布穀鳥搜索的高光譜圖像線性解混算法117

4.3.2基於去噪降維和蝙蝠優化的高光譜圖像線性

解混算法122

4.4基於仿生智能優化的高光譜圖像非線性解混方法127

4.4.1基於微分搜索的高光譜圖像非線性解混算法127

4.4.2基於回溯優化的高光譜圖像非線性解混算法136

第5章基於仿生智能優化的三維點雲拼接技術145

5.1點雲拼接的數學表示145

5.2基於仿生智能優化的三維點雲拼接方法146

5.3基於哈希表和飛蛾火焰優化的點雲拼接算法147

5.3.1飛蛾火焰優化算法148

5.3.2哈希優化策略148

5.3.3HMFO算法150

5.3.4實驗分析152

5.4基於色彩信息的自適應進化點雲拼接算法154

5.4.1彩色點雲模型及特徵點採樣155

5.4.2帶色彩約束的目標函數157

5.4.3種群編碼及優化求解158

5.4.4實驗分析158

5.5基於重採樣策略與人工蜂群優化的點雲拼接算法161

5.5.1重採樣策略161

5.5.2改進的人工蜂群搜索策略163

5.5.3編碼方案和拼接算法流程163

5.5.4實驗分析164

參考文獻172