模糊認知圖優(yōu)化算法與幾何圖形識別應(yīng)用研究.pdf

1、目前，針對模糊認知圖(FuzzyCognitiveMap，F(xiàn)CM)學(xué)習(xí)算法與應(yīng)用的研究已得到很大發(fā)展。但FCM學(xué)習(xí)算法的研究仍是一個新興的領(lǐng)域，尚未形成一個獨立的分支。FCM的最大缺陷就是基于先驗知識，先驗知識對推理結(jié)果影響很大，可能會向非期望穩(wěn)定狀態(tài)的潛在收斂。對FCM缺點的消除，如初始權(quán)矩陣的抽象估計和依賴于專家知識的主觀推理，將會顯著地提高其性能。加強FCM的學(xué)習(xí)，以使FCM的權(quán)值更可信，提高FCM模型的適應(yīng)性和健壯性，增強動態(tài)模

2、擬行為成為FCM的重要問題。在計算機視覺中，主流的幾何圖形識別基本方法為兩大類，如基于區(qū)域形狀識別，基于圖像中物體的輪廓進行描述。上述兩類方法沒有先驗知識是無法處理幾何圖形的遮擋與損失等問題的。且上述識別方法，有計算量大，匹配剛性大等缺點。而基于FCM的圖形識別方法，可有效的避免這兩種問題。目前針對FCM在基本幾何圖形識別方面的研究屬于起步階段，因此將其更好的應(yīng)用于圖形識別仍需進一步探索。
　　 本研究首先采用蟻群優(yōu)化(AntC

3、olonyOptimization，ACO)算法對FCM的權(quán)值矩陣進行優(yōu)化研究。本方法是利用ACO算法對預(yù)先定義的目標函數(shù)求解最小值來完成FCM的學(xué)習(xí)任務(wù)。在實驗環(huán)節(jié)中，本文借用過程控制中的一個標準問題驗證本學(xué)習(xí)方法。本方法克服其他FCM學(xué)習(xí)方法的一些不足，并豐富群智能優(yōu)化算法在FCM學(xué)習(xí)中的應(yīng)用。本文同時將實驗結(jié)果與粒子群優(yōu)化(ParticleSwarmOptimization，PSO)算法對FCM權(quán)值矩陣優(yōu)化的結(jié)果相對比。實驗及對比