智能信號處理：基于仿生智能優(yōu)化

第1章緒論1
1.1仿生智能優(yōu)化算法的特點及優(yōu)勢1
1.2基于仿生智能優(yōu)化的智能信號處理框架2
第2章仿生智能優(yōu)化算法8
2.1粒子群優(yōu)化算法8
2.2人工蜂群算法9
2.3細菌趨藥性優(yōu)化算法11
2.4細菌覓食優(yōu)化算法12
2.5回溯搜索優(yōu)化算法15
2.6蝙蝠算法16
2.7微分搜索算法17
2.8布谷鳥搜索算法18
2.9樽海鞘群算法19
2.10鯨群優(yōu)化算法21
2.11蝗蟲優(yōu)化算法24
第3章基于仿生智能優(yōu)化的盲信號分離技術(shù)31
3.1線性混合盲信號分離模型31
3.1.1數(shù)學(xué)模型31
3.1.2假設(shè)條件與不確定性32
3.1.3盲信號分離前的預(yù)處理33
3.2盲信號分離的獨立性判據(jù)34
3.2.1小互信息判據(jù)35
3.2.2極大似然判據(jù)36
3.2.3化峭度判據(jù)36
3.2.4化負熵判據(jù)37
3.3盲信號分離算法的性能評判38
3.3.1主觀定性評判方法38
3.3.2客觀定量評判方法39
3.4基于粒子群優(yōu)化的有序盲信號分離算法39
3.4.1目標函數(shù)的選取40
3.4.2參數(shù)編碼與初始粒子群體的確定41
3.4.3消源與新混合信號的形成41
3.4.4實驗分析43
3.4.5算法在工頻干擾消除中的應(yīng)用50
3.5基于細菌群體趨藥性的有序盲信號分離算法57
3.5.1帶探測判斷和優(yōu)勢細菌隨機擾動的細菌群優(yōu)化算法58
3.5.2基于DPBCC算法的有序盲信號分離算法63
3.5.3實驗分析65
3.5.4在工頻干擾消除中的應(yīng)用72
3.6基于細菌覓食優(yōu)化的盲信號分離算法73
3.6.1盲信號分離的目標函數(shù)73
3.6.2菌群位置編碼與優(yōu)化分離過程73
3.6.3基于改進BFO的分離算法76
3.6.4實驗分析77
3.7基于樣條插值與人工蜂群優(yōu)化的非線性盲信號分離算法84
3.7.1后非線性混合盲分離模型85
3.7.2改進的人工蜂群算法85
3.7.3基于樣條插值與MABC的后非線性分離算法87
3.7.4實驗分析90
3.8基于回溯搜索優(yōu)化的卷積盲信號分離算法99
3.8.1卷積混合盲分離模型100
3.8.2獨立向量分析100
3.8.3基于回溯搜索優(yōu)化的分離算法原理101
3.8.4實驗分析104
第4章基于仿生智能優(yōu)化的高光譜圖像解混技術(shù)109
4.1高光譜圖像解混技術(shù)概述110
4.1.1基于幾何學(xué)的方法111
4.1.2基于統(tǒng)計學(xué)的方法113
4.2高光譜圖像解混模型113
4.2.1線性光譜混合模型114
4.2.2非線性光譜混合模型114
4.2.3高光譜圖像解混評價指標116
4.3基于仿生智能優(yōu)化的高光譜圖像線性解混方法117
4.3.1基于布谷鳥搜索的高光譜圖像線性解混算法117
4.3.2基于去噪降維和蝙蝠優(yōu)化的高光譜圖像線性
解混算法122
4.4基于仿生智能優(yōu)化的高光譜圖像非線性解混方法127
4.4.1基于微分搜索的高光譜圖像非線性解混算法127
4.4.2基于回溯優(yōu)化的高光譜圖像非線性解混算法136
第5章基于仿生智能優(yōu)化的三維點云拼接技術(shù)145
5.1點云拼接的數(shù)學(xué)表示145
5.2基于仿生智能優(yōu)化的三維點云拼接方法146
5.3基于哈希表和飛蛾火焰優(yōu)化的點云拼接算法147
5.3.1飛蛾火焰優(yōu)化算法148
5.3.2哈希優(yōu)化策略148
5.3.3HMFO算法150
5.3.4實驗分析152
5.4基于色彩信息的自適應(yīng)進化點云拼接算法154
5.4.1彩色點云模型及特征點采樣155
5.4.2帶色彩約束的目標函數(shù)157
5.4.3種群編碼及優(yōu)化求解158
5.4.4實驗分析158
5.5基于重采樣策略與人工蜂群優(yōu)化的點云拼接算法161
5.5.1重采樣策略161
5.5.2改進的人工蜂群搜索策略163
5.5.3編碼方案和拼接算法流程163
5.5.4實驗分析164
參考文獻172