| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 1 绪论 | 第9-14页 |
| ·引言 | 第9-10页 |
| ·国内外研究概况 | 第10-12页 |
| ·论文的研究内容和组织结构 | 第12-14页 |
| 2 传统蚁群算法研究 | 第14-26页 |
| ·蚁群算法基本原理 | 第14-15页 |
| ·旅行商问题 | 第15-17页 |
| ·三种基本蚂蚁系统 | 第17-18页 |
| ·改进的蚂蚁系统 | 第18-22页 |
| ·带精英策略的蚂蚁系统 | 第18-19页 |
| ·基于优化排序的蚂蚁系统 | 第19-20页 |
| ·最大-最小蚂蚁系统 | 第20-21页 |
| ·最优-最差蚂蚁系统 | 第21-22页 |
| ·蚁群系统 | 第22-26页 |
| ·状态转移规则 | 第23页 |
| ·全局信息素更新 | 第23-24页 |
| ·局部信息素更新 | 第24-25页 |
| ·局部搜索机制 | 第25-26页 |
| 3 基于创建解的动态控制和合并局部优解的蚁群改进算法 | 第26-31页 |
| ·引言 | 第26页 |
| ·创建解的动态控制 | 第26-27页 |
| ·合并局部优解 | 第27-29页 |
| ·实验结果与分析 | 第29-31页 |
| 4 基于蚁群算法的遥感图像分类 | 第31-51页 |
| ·分类方法概述 | 第31-37页 |
| ·引言 | 第31-34页 |
| ·K 均值分类 | 第34-37页 |
| ·Markov 随机场图像分类模型 | 第37-39页 |
| ·遥感图像的特征选取 | 第39-40页 |
| ·相似性度量 | 第40-44页 |
| ·图像的方向梯度 | 第41-42页 |
| ·图像的局部相关性 | 第42-43页 |
| ·信息素距离 | 第43-44页 |
| ·蚁群记忆功能 | 第44-46页 |
| ·算法设计 | 第46-51页 |
| ·算法流程 | 第46-48页 |
| ·具体步骤 | 第48-51页 |
| 5 实验结果及分析 | 第51-62页 |
| ·特征不同对分类结果的影响 | 第51-53页 |
| ·相似性度量不同对分类结果的影响 | 第53-56页 |
| ·邻域间的不同影响程度对分类结果的影响 | 第56-57页 |
| ·迭代过程中的蚁群优化 | 第57-59页 |
| ·蚁群优化与K 均值分类的比较 | 第59-61页 |
| ·蚁群算法与遗传算法的图像分类比较 | 第61-62页 |
| 6 结束语与展望 | 第62-64页 |
| ·本文工作总结 | 第62页 |
| ·未来工作展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 附录 攻读学位期间发表的论文目录 | 第69页 |