| 致谢 | 第1-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-19页 |
| ·课题研究背景与意义 | 第9页 |
| ·国内外研究现状 | 第9-15页 |
| ·支持向量机理论 | 第9-11页 |
| ·支持向量机参数优化方法 | 第11-13页 |
| ·混合优化方法 | 第13页 |
| ·小生境技术 | 第13-15页 |
| ·适合纹理图像分割的 SVM 参数优化 | 第15-17页 |
| ·论文的主要工作和内容安排 | 第17-19页 |
| 第二章 基于 PSO 对 SVM 参数的优化及其应用 | 第19-26页 |
| ·现有 PSO 算法介绍 | 第19页 |
| ·本文惯性权重改进 | 第19-20页 |
| ·改进的 PSO 优化的 SVM 分类模型 | 第20-21页 |
| ·基于改进的 PSO 优化 SVM 的纹理图像分割 | 第21-25页 |
| ·图像分割效果 | 第21-23页 |
| ·训练结果比对 | 第23-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 基于改进的 NCSPSO-AFSA 对 SVM 参数的优化及其应用 | 第26-41页 |
| ·现有 AFSA 算法介绍 | 第26-27页 |
| ·现有 NCSPSO 算法介绍 | 第27-29页 |
| ·本文 NCSPSO 算法的改进 | 第29-31页 |
| ·引入变异算子 | 第29-30页 |
| ·引入族外竞争机制 | 第30页 |
| ·改进的 NCSPSO 算法描述 | 第30-31页 |
| ·改进的 NCSPSO 与 AFSA 的混合算法 | 第31-33页 |
| ·基于改进的 NCSPSO-AFSA 优化 SVM 的纹理图像分割 | 第33-40页 |
| ·样本数据选取 | 第33-34页 |
| ·图像分割效果 | 第34-36页 |
| ·训练结果比对 | 第36-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 改进的 NCSPSO-AFSA 混合算法与传统优化算法的比较 | 第41-57页 |
| ·与人工蜂群算法的比较 | 第41-44页 |
| ·人工蜂群算法 | 第41-42页 |
| ·NCSPSO-ABC 混合算法 | 第42-44页 |
| ·与蚁群优化算法的比较 | 第44-48页 |
| ·蚁群优化算法 | 第45-46页 |
| ·NCSPSO-ACO 混合算法 | 第46-48页 |
| ·与模拟退火算法的比较 | 第48-52页 |
| ·模拟退火算法 | 第49页 |
| ·NCSPSO-SA 混合算法 | 第49-52页 |
| ·与差分进化算法的比较 | 第52-56页 |
| ·差分进化算法 | 第52-53页 |
| ·NCSPSO-DE 混合算法 | 第53-56页 |
| ·本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-58页 |
| 攻读硕士期间的研究成果及获奖情况 | 第58-59页 |
| 参考文献 | 第59-62页 |
