摘要 | 第1-7页 |
Abstract | 第7-12页 |
第一章 绪论 | 第12-22页 |
·课题的研究意义 | 第12页 |
·课题研究背景 | 第12-17页 |
·优化问题 | 第12-13页 |
·局部优化算法 | 第13-14页 |
·全局优化算法 | 第14页 |
·已有的仿生优化算法 | 第14-17页 |
·蜂群算法的研究现状 | 第17-19页 |
·本文的主要研究内容 | 第19-20页 |
·论文的组织 | 第20-22页 |
第二章 基本蜂群算法 | 第22-37页 |
·引言 | 第22-23页 |
·蜂群算法研究进展 | 第23-24页 |
·自然界中的蜂群 | 第24-25页 |
·蜂群社会结构特征 | 第24页 |
·蜂群的行为特征 | 第24-25页 |
·蜂群觅食过程分析 | 第25-27页 |
·蜂群算法基本模型 | 第27-31页 |
·多峰高维函数蜂群优化的实现 | 第31-37页 |
·多峰高维函数蜂群优化步骤 | 第31-32页 |
·实验结果与分析 | 第32-37页 |
第三章 蜂群算法的性能分析和算法改进 | 第37-50页 |
·引言 | 第37页 |
·蜂群算法的数学基础 | 第37-41页 |
·Markov 链概述 | 第37-38页 |
·蜂群算法的数学定义 | 第38-39页 |
·蜂群算法的Markov 链模型 | 第39-41页 |
·基本蜂群算法的收敛性分析 | 第41-43页 |
·随机算法收敛的标准 | 第41-42页 |
·基本蜂群算法收敛性分析 | 第42-43页 |
·改进的蜂群算法 | 第43-49页 |
·算法改进 | 第43-45页 |
·实验结果 | 第45-49页 |
·结论 | 第49-50页 |
第四章 蜂群算法在图像分割中的应用研究 | 第50-75页 |
·引言 | 第50-51页 |
·图像分割研究现状 | 第51-52页 |
·模糊熵 | 第52-56页 |
·模糊熵的定义 | 第52-53页 |
·模糊隶属度函数 | 第53-54页 |
·图像最小化模糊熵 | 第54-56页 |
·基于蜂群算法的单阈值图像分割 | 第56-63页 |
·蜂群优化算法及图像分割 | 第56-58页 |
·实验结果与分析 | 第58-63页 |
·结论 | 第63页 |
·基于峰值信噪比的蜂群优化多阈值图像分割 | 第63-75页 |
·峰值信噪比 | 第64页 |
·基于PSNR 的蜂群优化阈值(PABCT) 算法 | 第64-66页 |
·实验结果与分析 | 第66-74页 |
·结论 | 第74-75页 |
第五章 蜂群算法在聚类中的应用研究 | 第75-93页 |
·聚类分析的现状 | 第75-77页 |
·聚类的基本数学模型 | 第77-78页 |
·蜂群算法改进及应用于聚类 | 第78-81页 |
·改进的蜂群优化聚类算法 | 第78-79页 |
·实验结果与分析 | 第79-80页 |
·结论 | 第80-81页 |
·基于蜂群聚类的彩色图像分割 | 第81-86页 |
·颜色特征 | 第81-82页 |
·基于蜂群算法的彩色图像聚类 | 第82-83页 |
·实验结果与分析 | 第83-86页 |
·结论 | 第86页 |
·基于蜂群和快速模糊C 均值的图像聚类 | 第86-93页 |
·快速FCM | 第86-87页 |
·基于人工蜂群算法的快速模糊C-均值聚类 | 第87-89页 |
·实验结果 | 第89页 |
·结论 | 第89-93页 |
第六章 蜂群算法在图像去噪中的应用研究 | 第93-102页 |
·引言 | 第93页 |
·图像中脉冲噪声的模型 | 第93-94页 |
·图像脉冲噪声消除的现状 | 第94-95页 |
·蜂群算法应用于去除图像脉冲噪声 | 第95-97页 |
·实验结果与分析 | 第97-100页 |
·结论 | 第100-102页 |
第七章 基于蜜蜂算法的图像边缘检测 | 第102-112页 |
·引言 | 第102页 |
·典型的边缘检测算法 | 第102-105页 |
·基于蜂群算法的图像边缘检测 | 第105-107页 |
·算法分析 | 第105页 |
·收益度函数 | 第105-107页 |
·实验结果与分析 | 第107-111页 |
·结论 | 第111-112页 |
总结和展望 | 第112-114页 |
参考文献 | 第114-124页 |
攻读博士学位期间取得的研究成果 | 第124-127页 |
致谢 | 第127-128页 |
附件 | 第128页 |