群体智能算法及在三维文物虚拟拼接中的应用
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-38页 |
| 1.1 引言 | 第12-15页 |
| 1.2 社会认知优化算法 | 第15-20页 |
| 1.2.1 算法提出 | 第15-16页 |
| 1.2.2 基本概念 | 第16-17页 |
| 1.2.3 SCO算法步骤 | 第17-18页 |
| 1.2.4 研究进展 | 第18-20页 |
| 1.3 细菌群体趋药性算法 | 第20-24页 |
| 1.3.1 算法原理 | 第20-21页 |
| 1.3.2 BCC算法步骤 | 第21-23页 |
| 1.3.3 研究进展 | 第23-24页 |
| 1.4 三维文物拼接处理中的问题 | 第24-32页 |
| 1.4.1 多特征提取及融合匹配识别问题 | 第26-28页 |
| 1.4.2 多碎片的全局拼接问题 | 第28-31页 |
| 1.4.3 问题小结 | 第31-32页 |
| 1.5 研究内容和主要创新点 | 第32-36页 |
| 1.5.1 研究内容 | 第33-34页 |
| 1.5.2 主要创新点 | 第34-36页 |
| 1.6 本文的结构 | 第36-38页 |
| 第二章 新型社会认知优化算法 | 第38-54页 |
| 2.1 社会认知优化理论 | 第38页 |
| 2.2 SCO算法的收敛性分析 | 第38-41页 |
| 2.2.1 随机算法的收敛准则 | 第39-40页 |
| 2.2.2 SCO算法收敛性证明 | 第40-41页 |
| 2.3 自然社会认知优化算法 | 第41-50页 |
| 2.3.1 智商分布统计理论 | 第41-43页 |
| 2.3.2 混沌优化算法 | 第43-44页 |
| 2.3.3 精英策略 | 第44页 |
| 2.3.4 HSCO算法步骤 | 第44-46页 |
| 2.3.5 HSCO算法的全局收敛性 | 第46-47页 |
| 2.3.6 数值实验分析 | 第47-50页 |
| 2.4 具有量子行为的SCO算法 | 第50-53页 |
| 2.4.1 QSCO算法 | 第50-51页 |
| 2.4.2 实验分析及收敛证明 | 第51-53页 |
| 2.5 本章小结 | 第53-54页 |
| 第三章 混沌细菌群体趋药优化算法 | 第54-66页 |
| 3.1 引言 | 第54-55页 |
| 3.2 BC算法及收敛性分析 | 第55-56页 |
| 3.2.1 BC算法 | 第55页 |
| 3.2.2 BC算法收敛性分析 | 第55-56页 |
| 3.3 BCC算法及收敛性分析 | 第56页 |
| 3.4 混沌细菌群体趋药性算法 | 第56-64页 |
| 3.4.1 算法原理 | 第56-57页 |
| 3.4.2 Tent映射 | 第57页 |
| 3.4.3 CBCC算法步骤及收敛性证明 | 第57-58页 |
| 3.4.5 数值实验分析 | 第58-64页 |
| 3.5 本章小结 | 第64-66页 |
| 第四章 三维文物碎片特征提取 | 第66-74页 |
| 4.1 引言 | 第66-67页 |
| 4.2 特征轮廓线提取技术 | 第67-69页 |
| 4.2.1 主轮廓线提取 | 第68页 |
| 4.2.2 次轮廓线提取 | 第68-69页 |
| 4.2.3 特征轮廓线生成 | 第69页 |
| 4.3 厚度直方图算法 | 第69-71页 |
| 4.3.1 厚度直方图算法 | 第69-71页 |
| 4.3.2 厚度直方图相似性度量 | 第71页 |
| 4.4 自旋图提取算法 | 第71-73页 |
| 4.4.1 自旋图生成 | 第72页 |
| 4.4.2 顶点归一化 | 第72页 |
| 4.4.3 自旋图相似性度量 | 第72-73页 |
| 4.5 本章小结 | 第73-74页 |
| 第五章 基于证据和区间数的多特征智能融合识别方法 | 第74-88页 |
| 5.1 引言 | 第74-75页 |
| 5.2 D-S证据合并理论模型 | 第75-77页 |
| 5.3 区间数理论 | 第77-78页 |
| 5.4 区间数生成BPA | 第78页 |
| 5.4.1 生成原理分析 | 第78页 |
| 5.4.2 用区间数生成BPA | 第78页 |
| 5.5 D-S的权重值优化 | 第78-81页 |
| 5.5.1 证据合成理论的权值统一 | 第79页 |
| 5.5.2 D-S权重值优化算法 | 第79-80页 |
| 5.5.3 权重优化模型 | 第80-81页 |
| 5.5.4 HSCO算法优化权重 | 第81页 |
| 5.6 实验分析 | 第81-86页 |
| 5.7 本章小结 | 第86-88页 |
| 第六章 基于DHSCO算法的全局最优匹配 | 第88-100页 |
| 6.1 引言 | 第88-90页 |
| 6.2 基于群体智能的整体匹配原理 | 第90-91页 |
| 6.3 完全匹配的多碎片匹配算法模型 | 第91-94页 |
| 6.3.1 编码 | 第91-93页 |
| 6.3.2 适应值函数 | 第93-94页 |
| 6.3.3 离散HSCO算法迭代公式 | 第94页 |
| 6.4 部分匹配的多碎片匹配算法模型 | 第94-95页 |
| 6.4.1 编码 | 第95页 |
| 6.4.2 迭代公式 | 第95页 |
| 6.5 基于DHSCO的全局匹配算法分析 | 第95-96页 |
| 6.6 实例分析 | 第96-99页 |
| 6.7 本章小结 | 第99-100页 |
| 第七章 基于显著特征的智能配准算法 | 第100-114页 |
| 7.1 引言 | 第100-101页 |
| 7.2 显著特征点提取 | 第101-103页 |
| 7.2.1 点云法向量估计和调整 | 第101-102页 |
| 7.2.2 基于MLS面计算点云曲率 | 第102页 |
| 7.2.3 显著特征提取 | 第102-103页 |
| 7.3 粗配准 | 第103-108页 |
| 7.3.1 获取初始匹配点 | 第103-104页 |
| 7.3.2 约束剪枝 | 第104页 |
| 7.3.3 基于离散CBCC算法的粗匹配点对优化 | 第104-108页 |
| 7.4 精细配准 | 第108-109页 |
| 7.4.1 基于CBCC的最优变换求解 | 第108页 |
| 7.4.2 ICPIF精配准 | 第108-109页 |
| 7.5 实验分析 | 第109-111页 |
| 7.6 本章小结 | 第111-114页 |
| 第八章 总结与展望 | 第114-118页 |
| 8.1 工作总结 | 第114-115页 |
| 8.2 工作展望 | 第115-118页 |
| 参考文献 | 第118-128页 |
| 附录 | 第128-132页 |
| 攻读博士学位期间取得的研究成果 | 第132-134页 |
| 致谢 | 第134页 |
