中圖網(wǎng)小程序
一鍵登錄
更方便
包郵 智能優(yōu)化算法與遙感影像分類(lèi)
作者：孫根云等
開(kāi)本：
16開(kāi)
頁(yè)數(shù)：
168
本類(lèi)榜單：計(jì)算機(jī)/網(wǎng)絡(luò)銷(xiāo)量榜
本類(lèi)五星書(shū)更多>
-
>
全國(guó)計(jì)算機(jī)等級(jí)考試最新真考題庫(kù)模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語(yǔ)理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(shū)(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥41.7
加入購(gòu)物車(chē)
智能優(yōu)化算法與遙感影像分類(lèi) 版權(quán)信息
- ISBN：9787030604521
- 條形碼：9787030604521 ; 978-7-03-060452-1
- 裝幀：暫無(wú)
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類(lèi)：>
智能優(yōu)化算法與遙感影像分類(lèi) 內(nèi)容簡(jiǎn)介
智能化的遙感影像分類(lèi)問(wèn)題在特征選擇、分割與分類(lèi)優(yōu)化三個(gè)方面都面臨挑戰(zhàn)，《智能優(yōu)化算法與遙感影像分類(lèi)》從提高智能優(yōu)化算法的性能入手，在系統(tǒng)分析智能優(yōu)化算法與影像處理問(wèn)題映射關(guān)系的基礎(chǔ)上，提出了一系列新型遙感影像智能分割分類(lèi)方法。《智能優(yōu)化算法與遙感影像分類(lèi)》主要介紹了萬(wàn)有引力搜索算法及其改進(jìn)方法、生物地理學(xué)優(yōu)化算法及其改進(jìn)方法、基于引力搜索算法的高分辨率遙感影像特征選擇與多閾值分割、基于引力優(yōu)化神經(jīng)網(wǎng)絡(luò)的高光譜遙感影像分類(lèi)，以及基于差分進(jìn)化算法和多尺度核支持向量機(jī)的高分辨率遙感影像分類(lèi)等內(nèi)容。
智能優(yōu)化算法與遙感影像分類(lèi) 目錄
前言
第1章 緒論
1.1 *優(yōu)化問(wèn)題
1.2 智能優(yōu)化算法概述
1.2.1 粒子群優(yōu)化算法
1.2.2 遺傳算法
1.2.3 差分進(jìn)化算法
1.2.4 模擬退火算法
1.2.5 化學(xué)反應(yīng)優(yōu)化算法
1.3 遙感影像智能處理方法
1.3.1 特征優(yōu)化
1.3.2 影像分割
1.3.3 影像分類(lèi)
1.4 小結(jié)
第2章 萬(wàn)有引力搜索算法
2.1 引力搜索算法
2.1.1 算法原理與流程
2.1.2 算法性能驗(yàn)證
2.2 引力搜索算法研究進(jìn)展
2.2.1 GSA的改進(jìn)策略
2.2.2 GSA應(yīng)用現(xiàn)狀
2.3 基于斥力的GSA改進(jìn)算法
2.3.1 算法原理
2.3.2 算法流程
2.3.3 算法的性能驗(yàn)證
2.4 混合PSOGSA算法
2.4.1 算法原理
2.4.2 算法流程
2.4.3 算法的性能驗(yàn)證
2.5 基于參數(shù)調(diào)節(jié)的GSA改進(jìn)算法
2.5.1 算法改進(jìn)策略
2.5.2 算法流程
2.5.3 算法的性能驗(yàn)證
2.6 小結(jié)
第3章 生物地理學(xué)優(yōu)化算法
3.1 基本生物地理學(xué)優(yōu)化算法
3.1.1 算法的基本思想
3.1.2 算法的模型
3.1.3 算法的流程
3.1.4 算法的性能驗(yàn)證
3.2 生物地理學(xué)優(yōu)化算法的研究進(jìn)展
3.2.1 生物地理學(xué)優(yōu)化算法的理論分析
3.2.2 生物地理學(xué)優(yōu)化算法的改進(jìn)
3.2.3 生物地理學(xué)優(yōu)化算法的應(yīng)用
3.3 引入新策略的BBO改進(jìn)算法
3.3.1 算法改進(jìn)策略
3.3.2 算法的流程
3.3.3 算法的性能驗(yàn)證
3.4 混合BBO優(yōu)化算法
3.4.1 算法改進(jìn)策略
3.4.2 算法的流程
3.4.3 算法的性能驗(yàn)證
3.5 基于參數(shù)調(diào)節(jié)的BBO改進(jìn)算法
3.5.1 算法改進(jìn)策略
3.5.2 算法的性能驗(yàn)證
3.6 基于拓?fù)浣Y(jié)構(gòu)的BBO改進(jìn)算法
3.6.1 算法改進(jìn)策略
3.6.2 算法的流程
3.6.3 算法的性能驗(yàn)證
3.7 小結(jié)
第4章 基于穩(wěn)定性約束α動(dòng)態(tài)調(diào)節(jié)的GSA算法
4.1 算法原理
4.2 實(shí)驗(yàn)與結(jié)果分析
4.2.1 實(shí)驗(yàn)設(shè)置
4.2.2 實(shí)驗(yàn)結(jié)果分析
4.3 小結(jié)
第5章 基于鄰域引力學(xué)習(xí)的生物地理學(xué)優(yōu)化算法
5.1 算法原理
5.1.1 NFBBO遷移策略
5.1.2 自適應(yīng)的高斯變異機(jī)制
5.2 實(shí)驗(yàn)與結(jié)果分析
5.2.1 參數(shù)設(shè)置
5.2.2 實(shí)驗(yàn)結(jié)果及分析
5.3 小結(jié)
第6章 基于遺傳算法的引力搜索算法
6.1 算法原理
6.2 實(shí)驗(yàn)與結(jié)果分析
6.2.1 測(cè)試函數(shù)
6.2.2 實(shí)驗(yàn)與結(jié)果分析
6.3 小結(jié)
第7章 基于動(dòng)態(tài)鄰域?qū)W習(xí)的引力搜索算法
7.1 算法原理
7.1.1 局部全連接鄰域結(jié)構(gòu)
7.1.2 動(dòng)態(tài)鄰域?qū)W習(xí)策略
7.1.3 基于進(jìn)化狀態(tài)的動(dòng)態(tài)局部鄰域構(gòu)建與gbest變異
7.2 實(shí)驗(yàn)與結(jié)果分析
7.2.1 實(shí)驗(yàn)設(shè)置
7.2.2 實(shí)驗(yàn)結(jié)果分析
7.3 小結(jié)
第8章 基于GSA算法的高分辨率遙感影像特征選擇
8.1 光譜與紋理特征提取
8.1.1 光譜特征提取
8.1.2 紋理特征提取
8.2 基于DNLGSA的特征選擇
8.3 實(shí)驗(yàn)結(jié)果與分析
8.3.1 實(shí)驗(yàn)數(shù)據(jù)與參數(shù)設(shè)置
8.3.2 備選特征提取
8.3.3 特征選擇與分類(lèi)結(jié)果分析
8.4 小結(jié)
第9章 基于GSA算法的高分辨率遙感影像多閾值分割
9.1 常用的閾值分割準(zhǔn)則
9.1.1 Kapur's熵分割準(zhǔn)則
9.1.2 Otsu分割準(zhǔn)則
9.2 基于DNLGSA的高分辨率遙感影像多閾值分割
9.3 實(shí)驗(yàn)結(jié)果與分析
9.3.1 實(shí)驗(yàn)數(shù)據(jù)
9.3.2 實(shí)驗(yàn)設(shè)置
9.3.3 精度評(píng)價(jià)指標(biāo)
9.3.4 多閾值分割結(jié)果
9.4 小結(jié)
第10章 基于引力優(yōu)化神經(jīng)網(wǎng)絡(luò)的高光譜遙感影像分類(lèi)
10.1 人工神經(jīng)網(wǎng)絡(luò)
10.1.1 人工神經(jīng)網(wǎng)絡(luò)概述
10.1.2 BP神經(jīng)網(wǎng)絡(luò)
10.2 基于SCAA的神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化
10.3 高光譜遙感影像分類(lèi)
10.4 影像分割與分類(lèi)結(jié)果的融合
10.5 小結(jié)
第11章 基于差分進(jìn)化算法和多尺度核SVM的高分辨率遙感影像分類(lèi)
11.1 多核SVM學(xué)習(xí)方法
11.2 多尺度核學(xué)習(xí)方法
11.2.1 多尺度核序列學(xué)習(xí)方法
11.2.2 基于智能優(yōu)化算法的多尺度核學(xué)習(xí)方法
11.3 基于動(dòng)態(tài)差分進(jìn)化算法的多尺度核參數(shù)優(yōu)化
11.4 高分辨率遙感影像分類(lèi)
11.5 小結(jié)
參考文獻(xiàn)
展開(kāi)全部
書(shū)友推薦
- >
李白與唐代文化
- >
隨園食單
- >
我與地壇
- >
新文學(xué)天穹兩巨星--魯迅與胡適/紅燭學(xué)術(shù)叢書(shū)(紅燭學(xué)術(shù)叢書(shū))
- >
大紅狗在馬戲團(tuán)-大紅狗克里弗-助人
- >
名家?guī)阕x魯迅:朝花夕拾
- >
中國(guó)歷史的瞬間
- >
名家?guī)阕x魯迅:故事新編
本類(lèi)暢銷(xiāo)
