遺傳優(yōu)化的SOFM神經網(wǎng)絡在圖像分割中的應用.pdf

1、如何合理高效地組織圖像數(shù)據(jù)、結合圖像特征，將人工智能及知識發(fā)現(xiàn)等技術合理地運用于圖像分類中，是當今計算機視覺研究領域的一個熱點問題。自組織特征映射神經網(wǎng)絡（SOFM,Self-organization Feature Map）是一種重要的自組織競爭學習模式的神經網(wǎng)絡模型。SOFM神經網(wǎng)絡是將多維數(shù)據(jù)映射到低維規(guī)則網(wǎng)格中，可以有效的進行大規(guī)模的數(shù)據(jù)挖掘和聚類。但是SOFM神經網(wǎng)絡的競爭自學習過程中對權值的更新缺乏全局最優(yōu)性，而傳統(tǒng)GA優(yōu)化

2、方法進化速度慢和產生“早熟”現(xiàn)象。本文所研究的基于拉馬克學習遺傳算法（LGA,Lamarckian Genetic Algorithm）的神經網(wǎng)絡學習策略，利用遺傳算法對SOFM的優(yōu)化來解決神經網(wǎng)絡的缺陷,并將文中的方法應用于圖像分割，包括紋理和SAR圖像分割。本文的主要內容：
　　采用LGA對SOFM網(wǎng)絡的參數(shù)權值更新優(yōu)化。其中主要包括網(wǎng)絡權值的更新過程的改進，在采用LGA的過程中，本文使用到了結合量化誤差和皮爾森相關系數(shù)的函數(shù)

3、來作為遺傳操作的適應度函數(shù),同時在遺傳操作過程中引入拉馬克學習機制。經過優(yōu)化后的SOFM網(wǎng)絡在紋理圖像分割應用中的分割結果明顯高于傳統(tǒng)的自組織特征映射神經網(wǎng)絡。
　　實現(xiàn)了一種基于分水嶺算法和LGA-SOFM神經網(wǎng)絡結合的SAR圖像分割。由于神經網(wǎng)絡本身對數(shù)據(jù)聚類有著較高的計算復雜度，直接利用LGA-SOFM網(wǎng)絡進行大量的數(shù)據(jù)分割會耗費過多的時間和資源。利用分水嶺算法首先對圖像進行初始分割，然后再利用LGA-SOFM網(wǎng)絡對樣本數(shù)據(jù)