书友最值得收藏的网络小说书库...君，已阅读到文档的结尾了呢~~
两阶段遗传算法优化求解动态因果模型的研究,遗传算法求解tsp问题,遗传算法求解函数极值,遗传算法求解方程,遗传算法求解tsp,遗传算法求解超定方程,遗传算法求解,遗传算法求解背包问题,遗传算法求解实例,因果预测算法
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
两阶段遗传算法优化求解动态因果模型的研究
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer--144.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口您所在位置： &
&nbsp&&nbsp&nbsp&&nbsp
两阶段遗传算法优化求解动态因果模型的研究.pdf 65页
本文档一共被下载：
次 ,您可全文免费在线阅读后下载本文档。
下载提示
1.本站不保证该用户上传的文档完整性，不预览、不比对内容而直接下载产生的反悔问题本站不予受理。
2.该文档所得收入(下载+内容+预览三)归上传者、原创者。
3.登录后可充值，立即自动返金币，充值渠道很便利
需要金币：200 &&
你可能关注的文档：
··········
··········
本人郑重声明：所呈交的学位论文，是本人在指导教师的指导下，
独立进行研究所取得的成果。除文中已经注明引用的内容外，本论文
不包含其他个人或集体已经发表或撰写过的研究成果。对本文的研究
做出重要贡献的个人和集体，均已在文中以明确方式标明。本声明的
法律责任由本人承担。
论文作者签名：
酬；．‘。&
关于学位论文使用权的说明
本人完全了解太原理工大学有关保管、使用学位论文的规定，其
中包括：①学校有权保管、并向有关部门送交学位论文的原件与复印
件；②学校可以采用影印、缩印或其它复制手段复制并保存学位论文；
③学校可允许学位论文被查阅或借阅；④学校可以学术交流为目的，
复制赠送和交换学位论文；⑤学校可以公布学位论文的全部或部分内
容(保密学位论文在解密后遵守此规定)。
．纠；l 6．≥
导师签名：蕴if鱼豸
日期：：型!三：丝：兰
太原理工大学硕士研究生学位论文
两阶段遗传算法优化求解动态因果模型的研究
图像的两大基本特征是颜色和形状，研究表明大脑对颜色和形状的处
理是分开进行的，为了最后识别图像大脑必须把颜色和形状最终进行特征
绑定。脑认知一直以来是人们的研究热点，最近人们对人类的视觉系统进
行了大量的研究工作，让人们对视觉的认识更进一步。然而人们对视觉的
研究中忽视了图像低阶特征的存储捆绑。本论文旨在研究大脑对形状颜色
特征捆绑的过程，对此过程进行动态因果模型建模。本论文的研究工作在
图像低阶特征层面揭示视觉的形成，对人类视觉的探索和推动计算机视觉
发展都有非常重要的意义。
对于颜色形状特征捆绑脑认知网络的DCM建模研究，本论文做的主要
工作及创新点如下：
1)采用动态因果模型建模方法对采集到的关于颜色与形状特征绑定的
fMRJ数据进行建模，通过贝叶斯模型选择找到了形状颜色特征绑定的最优
模型。对建模过程进行了分析找到了该建模方式的缺陷与不足。
2)将经典遗传算法用于优化求解动态因果模型，并且证明其是适用的。
然而经典遗传算法用于DCM寻优时会有后期寻优效率低下的缺点。
3)提出了改进的两阶段遗传算法用于DCM寻优。
将两种遗传算法在一组公用的成熟数据集上设计实验进行对比，证明
了双阶段遗传算法相对于经典遗传算法在DCM寻优中效率更高、过程更稳
定并且寻优结果更优异。
太原理工大学硕士研究生学位论文
4将两种算法都在形状颜色特征绑定的数据集上进行动态因果模型寻
优建模，为形状颜色特征绑定建立了更优异的模型。
本论文中的双阶段遗传算法能够很好地对动态因果模型进行寻优建
模，相对于以往的动态因果模型建模方法具有更人性化、不需要先验知识
的指导、易于操作等优点，最重要的是能够寻找到比以往建模方法更加优
异的模型。
关键词：DCM，动态因果模型，特征绑定，典型遗传算法，双阶段遗
传算法，删
太原理工大学硕士研究生学位论文
THERESEARCH0FTW0一STAGEGENETIC
OPTIM亿ATl0NFORSOLVING
DYNAMICCAUSAL
arethetwobasicfeaturesof
正在加载中，请稍后...文档分类：
下载后只包含 1 个 PDF 格式的文档，没有任何的图纸或源代码，
下载前请先预览，预览内容跟原文是一样的，在线预览图片经过高度压缩，下载原文更清晰。
您的浏览器不支持进度条
下载文档到电脑，查找使用更方便
还剩?页未读，继续阅读
播放器加载中，请稍候...
该用户其他文档
下载所得到的文件列表两阶段遗传算法优化求解动态因果模型研究.pdf
文档介绍：
声明本人郑重声明:所呈交的学位论文,是本人在指导教师的指导下,独立进行研究所取得的成果。除文中已经注明引用的内容外,本论文不包含其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出重要贡献的个人和集体,均已在文中以明确方式标明。本声明的法律责任由本人承担。论文作者签名:筮型日期:酬;.‘。&关于学位论文使用权的说明本人完全了解太原理工大学有关保管、使用学位论文的规定,其中包括:①学校有权保管、并向有关部门送交学位论文的原件与复印件;②学校可以采用影印、缩印或其它复制手段复制并保存学位论文;③学校可允许学位论文被查阅或借阅;④学校可以学术交流为目的,复制赠送和交换学位论文;⑤学校可以公布学位论文的全部或部分内容(保密学位论文在解密后遵守此规定)。签名:筮遨日期:.纠;l6.≥导师签名:蕴if鱼豸日期::型!三:丝:兰太原理工大学硕士研究生学位论文两阶段遗传算法优化求解动态因果模型的研究摘要图像的两大基本特征是颜色和形状,研究表明大脑对颜色和形状的处理是分开进行的,为了最后识别图像大脑必须把颜色和形状最终进行特征绑定。脑认知一直以来是人们的研究热点,最近人们对人类的视觉系统进行了大量的研究工作,让人们对视觉的认识更进一步。然而人们对视觉的研究中忽视了图像低阶特征的存储捆绑。本论文旨在研究大脑对形状颜色特征捆绑的过程,对此过程进行动态因果模型建模。本论文的研究工作在图像低阶特征层面揭示视觉的形成,对人类视觉的探索和推动计算机视觉发展都有非常重要的意义。对于颜色形状特征捆绑脑认知网络的DCM建模研究,本论文做的主要工作及创新点如下:1)采用动态因果模型建模方法对采集到的关于颜色与形状特征绑定的fMRJ数据进行建模,通过贝叶斯模型选择找到了形状颜色特征绑定的最优模型。对建模过程进行了分析找到了该建模方式的缺陷与不足。2)将经典遗传算法用于优化求解动态因果模型,并且证明其是适用的。然而经典遗传算法用于DCM寻优时会有后期寻优效率低下的缺点。3)提出了改进的两阶段遗传算法用于DCM寻优。将两种遗传算法在一组公用的成熟数据集上设计实验进行对比,证明了双阶段遗传算法相对于经典遗传算法在DCM寻优中效率更高、过程更稳定并且寻优结果更优异。太原理工大学硕士研究生学位论文4将两种算法都在形状颜色特征绑定的数据集上进行动态因果模型寻优建模,为形状颜色特征绑定建立了更优异的模型。本论文中的双阶段遗传算法能够很好地对动态因果模型进行寻优建模,相对于以往的动态因果模型建模方法具有更人性化、不需要先验知识的指导、易于操作等优点,最重要的是能够寻找到比以往建模方法更加优异的模型。关键词:DCM,动态因果模型,特征绑定,典型遗传算法,双阶段遗传算法,AUSALMODELABSTRACTColorandshapearethetwobasicfeaturesofimages.StudieshaVeshownthatthebrainhandledc010randsh印eseparately.Inordertoidenti每images,thebrainmustbindcolorandshapefeatureeVentually.Researchonbraincognitionhasbeenahotspot.RecentlymanyresearchonhumanVisualsystemhasbeendone,whichdeepenedtheunderstandingofpeoplealboutVision.HoweVer,storagebundlesofimagelow—leVelfeatureswereneglectedi11thestlJdyofVisual.ausalmodels.putervisualsimulation,thisanicleresearchonfomationofⅥsualbasedonimagelow—levelfeaturesleVelsandexplorethehumanVisualsystem.work,themainworkandinnoVationofthispaperareasfollows:ausalmodelandconstmctmodelswhichbaseon妇恻dataofbindingcolorandshape,usingdynamicIII太原理工大学硕士研究生学位论文causalmodelillgmethodsinthepast.Findthebestmodelofbindingcolorandsh印ebyusingbayesianmodelselection.Andexplaindef.ectsanddeficienciesofthismodeling.2)ausalmodeling,ausalmodelsanddemonstratematitis印plicable.HoweVer,icalgorithmintofindthebestDCM.3)paretheresultsbydesigningexperiments,whichproVed似o-icalgori岫haVehigherefhciencyofoptimization,p2uredtotheclassicDCMoptimization.Lastly,ausalmodels,applyingtwoalgoritllmsonthedatasetwhichboundingshapeandcolor.Andweconstructabettermodelforboundingcolorandsh印e.Thetwo—ausalmodel,whichhaVehumanization,don’trequirepriorknowledgeofguidelines,ausalmodels.Themostimportisthatthetwo·icalgorithmcouldbe吞bleto6ndthemodelwhichismoreexcellentthaneVer.IV太原理工大学硕士研究生学位论文KEYWOI①S:DCM,ausalmodels,FeatureBinding,icalgorithm,1[、Ⅳo—icalgorithm,0倒V太原理工大学硕士研究生学位论文VI太原理工大学硕士研究生学位论文目录第一章绪论???????????????????????????????..11.1背景和意义?????????????????????????????11.2国内外研究现状??????????????????????????..21.3论文内容安排????????????????????????????4第二章基本理论?????????????????????????????..52.1DCM简介?????????????????????????????.52.2DCM分类?????????????????????????????.72.3双线性动态因果模型理论???????????????1
内容来自淘豆网转载请标明出处.对不起，您要访问的页面暂时没有找到，您可以：