一種圖像邊緣檢測方法及設備的制作方法
【專利摘要】本發明公開了一種圖像邊緣檢測方法及設備，涉及圖像邊緣檢測【技術領域】。本發明公開的方法包括：根據訓練特征集生成初始種群，對初始種群進行優化操作，解碼優化的初始種群中適應度最高的個體，獲得待檢測圖像到邊緣圖像的第一個劃分，生成新的特征集；基于新的特征集生成新種群，對新種群進行優化操作，解碼優化后的新種群中適應度最高的個體，獲得待檢測圖像到邊緣圖像的第二個劃分，得到圖像的邊緣檢測模型，按照邊緣檢測模型進行圖像邊緣檢測。本發明還公開了一種圖像邊緣檢測設備。本申請技術方案通過少量的圖像及標記邊緣圖像的學習，從中得出圖像邊緣檢測的一般模型，以實現圖像邊緣檢測，且簡單易用。
【專利說明】一種圖像邊緣檢測方法及設備

【技術領域】
[0001] 本發明涉及圖像邊緣檢測【技術領域】，具體是一種應用于數字圖像邊緣檢測模型自 動發現方案。

【背景技術】
[0002] 人類接收的信息中有80%來自視覺或圖像信息，有圖像、圖形、動畫、視頻、文本數 據等。這是最有效和最重要的信息獲取和交流方式。隨著計算機的普及，人們越來越多地 利用計算機來幫助人類獲取與處理圖像信息。圖像的邊緣檢測技術是目標識別、圖像分類 等圖像內容理解技術的基礎，一個良好的邊緣檢測技術為后續圖像處理提供更好的保障。


【發明內容】

[0003] 本發明所要解決的技術問題是，提供一種圖像邊緣檢測方法及設備，以解決現有 圖像邊緣檢測過程復雜的問題。
[0004] 為了解決上述技術問題，本發明公開了一種圖像邊緣檢測方法，該方法包括：
[0005] 構造圖像特征集和訓練特征集，根據所述訓練特征集生成初始種群，對所述初始 種群進行優化操作得到優化的初始種群，解碼優化的初始種群中適應度最高的個體，獲得 待檢測圖像到邊緣圖像的第一個劃分，根據第一個劃分結果生成新的特征集；
[0006] 基于所述新的特征集生成新種群，對所述新種群進行優化操作得到優化的新種 群，解碼優化后的新種群中適應度最高的個體，獲得待檢測圖像到邊緣圖像的第二個劃分， 根據第二個劃分結果得到圖像的邊緣檢測模型，按照所述邊緣檢測模型進行圖像邊緣檢 測。
[0007] 可選地，上述方法中，對所述初始種群進行優化操作得到優化的初始種群的過程 包括：
[0008] 評估初始種群中各個體的適應度；
[0009] 根據所述初始種群中各個體的適應度大小選擇優勝個體，對所選擇的優勝個體進 行交叉變異操作；
[0010] 對交叉變異后的個體進行局部搜索，對局部搜索后的種群中各個體進行適應度評 估，直至種群中個體的最大適應度大于設定值或迭代次數達到閾值，得到優化的初始種群。
[0011] 可選地，上述方法中，根據所述初始種群中各個體的適應度大小選擇優勝個體包 括：
[0012] 采用錦標賽策略選擇初始種群中設定數目個個體。
[0013] 可選地，上述方法中，對交叉變異后的個體進行局部搜索的過程包括：
[0014] 根據設定的變異步長對交叉變異后的種群進行密集的變異操作。
[0015] 可選地，上述方法中，根據第一個劃分結果生成新的特征集指：
[0016] 將所述訓練特征集和解碼優化的初始種群中適應度最高的個體的解碼結果對應 乘積加權平均計算得到新的特征集。
[0017] 本發明還公開了一種圖像邊緣檢測設備，至少包括：
[0018] 第一階段處理模塊，構造圖像特征集和訓練特征集，并根據所述訓練特征集生成 初始種群，對所述初始種群進行優化操作得到優化的初始種群，解碼優化的初始種群中適 應度最高的個體，獲得待檢測圖像到邊緣圖像的第一個劃分，根據該第一個劃分結果生成 新的特征集；
[0019] 第二階段處理模塊，基于所述新的特征集生成新種群，對所述新種群進行優化操 作得到優化的新種群，并解碼優化后的新種群中適應度最高的個體，獲得待檢測圖像到邊 緣圖像的第二個劃分，根據第二個劃分結果得到圖像的邊緣檢測模型，以及按照所述邊緣 檢測模型進行圖像邊緣檢測。
[0020] 可選地，上述設備中，所述第一階段處理模塊，對所述初始種群進行優化操作得到 優化的種群指：
[0021] 評估初始種群中各個體的適應度；
[0022] 根據所述初始種群中各個體的適應度大小選擇優勝個體，對所選擇的優勝個體進 行交叉變異操作；
[0023] 對交叉變異后的個體進行局部搜索，對局部搜索后的種群中各個體進行適應度評 估，直至種群中個體的最大適應度大于設定值或迭代次數達到閾值，得到優化的初始種群。
[0024] 可選地，上述設備中，所述第一階段處理模塊根據所述初始種群中各個體的適應 度大小選擇優勝個體指：
[0025] 采用錦標賽策略選擇初始種群中設定數目個個體。
[0026] 可選地，上述設備中，所述第一階段處理模塊根據設定的變異步長對交叉變異后 的種群進行密集的變異操作。
[0027] 可選地，上述設備中，所述第一階段處理模塊根據第一個劃分結果生成新的特征 集指：
[0028] 將所述訓練特征集和解碼優化的初始種群中適應度最高的個體的解碼結果對應 乘積加權平均計算得到新的特征集。
[0029] 采用本申請技術方案可以找到圖像邊緣點與非邊緣點數學模型，通過少量的圖像 及標記邊緣圖像的學習，從中得出圖像邊緣檢測的一般模型，以實現圖像邊緣檢測，且本申 請技術方案簡單易用。

【專利附圖】

【附圖說明】
[0030] 圖1是本發明的流程框圖；
[0031] 圖2是本發明提出的新編碼方式下的交叉操作的示意圖；
[0032] 圖3是本發明提出的新編碼方式下的變異操作的示意圖；
[0033] 圖4是本發明的仿真效果與原方法的對比圖。

【具體實施方式】
[0034] 為使本發明的目的、技術方案和優點更加清楚明白，下文將結合附圖對本發明技 術方案作進一步詳細說明。需要說明的是，在不沖突的情況下，本申請的實施例和實施例中 的特征可以任意相互組合。
[0035] 實施例I
[0036] 本實施例提供一種圖像邊緣檢測方法，主要包括如下操作：
[0037] 構造圖像特征集和訓練特征集，根據該訓練特征集生成初始種群，對初始種群進 行優化操作得到優化的初始種群，解碼優化的初始種群中適應度最高的個體，獲得待檢測 圖像到邊緣圖像的第一個劃分，根據第一個劃分結果生成新的特征集；
[0038] 基于新的特征集生成新種群，對新種群進行優化操作得到優化的新種群，解碼優 化后的新種群中適應度最高的個體，獲得待檢測圖像到邊緣圖像的第二個劃分，根據第二 個劃分結果得到圖像的邊緣檢測模型，按照該邊緣檢測模型進行圖像邊緣檢測即可。
[0039] 其中，針對初始種群和新種群的優化操作都可以采用相同的操作步驟，具體地，該 優選操作包括如下步驟：
[0040] 評估種群中各個體的適應度；
[0041] 根據種群中各個體的適應度大小選擇優勝個體，對所選擇的優勝個體進行交叉變 異操作；
[0042] 對交叉變異后的個體進行局部搜索，對局部搜索后的種群中各個體進行適應度評 估，直至種群中個體的最大適應度大于設定值或迭代次數達到閾值，得到優化的種群。
[0043] 優選地，根據種群中各個體的適應度大小選擇優勝個體時，可以采用錦標賽策略 選擇種群中設定數目個個體。
[0044] 對交叉變異后的個體進行局部搜索時，也可以根據設定的變異步長對交叉變異后 的種群進行密集的變異操作。
[0045] 還要說明的是，上述方法中涉及到根據第一個劃分結果生成的新的特征集，是由 訓練特征集和解碼優化的初始種群中適應度最高的個體的解碼結果對應乘積加權平均計 算得到的。
[0046] 下面結合具體應用對本實施例作進一步詳細說明。
[0047] 上述邊緣檢測方法的具體實現過程，如圖1所示，包括如下步驟：
[0048] 步驟101，根據圖像庫中的圖像，隨機挑選出三幅原始圖像和相應的人工標記邊緣 的圖像組成訓練集，將訓練集圖像使用Sobel算子、Prewitt算子、Roberts算子和canny算 子生成初步邊緣圖像。將各圖像按像素值以列的方式組合成新的特征矩陣，得到訓練特征 集；
[0049] 其中，分類中的訓練特征集由兩部分組成，一部分為樣本數據，另一部分為真實可 靠的類別數據。在樣本數據與類別數據映射構建過程中，優選地，將彩色圖像轉化為灰度 圖，并提取每個像素點的灰度值。設定閾值Φ，將已由人工標記過邊緣的圖像轉化為二值 圖像，并將提取二值圖像每個像素點的值。列合并對應值，組成像素到像素的映射矩陣。另 夕卜，該步驟不限于Sobel算子、Prewitt算子、Roberts算子和canny算子，也可以采用其它 算子或算子的組合生成初步邊緣圖像。
[0050] 步驟102,設定第一階段的操作符集/"?L、終止符集〃"/L、交叉概率女、變異概 率乂、種群規模，變異步長因子St印，迭代次數gen1;第二階段的操作符集X、終 止符集〃、交叉概率凡2、變異概率d、迭代次數gen2、種群規模
[0051] 步驟103,依據步驟101中的的訓練集圖像及設定的第一階段的種群規模/-L， 產生初始種群：
[0052]A(t) = {ajt),a2(t),a3(t),…，an(t)|t= 0}，其中ajt)為初始種群中的第i個 個體，用深度為二的樹來表示，ie[1，η]。
[0053]步驟104,依據第一階段的操作符集、終止符集-/L，初始化個個體 的種群POP1，計算初始種群中每個個體的適應度；
[0054] 優選地，該步驟可以按照如下公式計算種群中每個個體的適應度：
[0055]個體ai ⑴的適應度=丨/"ΧΣ^ + retw//, )/2 _ 5
[005?] 式中，Precisioni為第i幅圖像邊緣點成功檢出的比率，recall丨為第i幅圖像中 被成功分類為非邊緣點的比率，N為訓練集中圖像的個數。
[0057] 步驟105,依據種群中各個體的適應度大小評價個體優劣：適應度高的個體視為 優勝個體；可以采用錦標賽策略選擇種群Pop1中PO/4,個個體；對優勝個體組成的種群 廠)進行交叉變異操作；
[0058] 具體地，根據個體的適應度進行種群選擇操作。可以采用錦標賽策略，錦標賽每輪 大小為5,產生n*Pc;± 1個配對個體，對剩余的個體進行變異操作。再根據精英策略，從種群 中選擇n*pe個精英個體。
[0059] 交叉變異操作，按如下步驟完成：
[0060] 對于種群中的被選擇到的個體:^屯與ind2，二者的葉子節點個數均為N，對 :^屯與ind2進行交叉操作。首先產生一個位于[1，N]的隨機數rand，將個體ind^勺 第rand到第N個葉子節點交換到ind2的對應位置；將個體ind2的第rand到第N個葉 子節點交換到Ind1的對應位置。如圖2所示，兩個體Abs(0.32, 0.65, 0.51，0.87，... ，0. 12)和Abs(0.48, 3. 1,0. 83,5. 0，...，-1.2)進行交叉操作，產生交叉點位置為3,然 后交換兩個體交叉點處右側的所有節點，完成交叉操作。原個體一、個體二分別變化為： Abs(0· 32, 0· 65, 0· 51，5. 0, · · ·，-1. 2)和Abs(0· 48, 3. 1，0· 83, 0· 87, · · ·，0· 12)。完成交叉 操作。
[0061] 對種群中某個體ind3進行變異操作。首先確定個體的葉子節點個數N，然后產生 一個位于區間[1，N]的隨機整數Rimfa，兩個位于區間[0，1]的隨機數Rstep，Rstyle:
[0062] ①若RstepS0.4則：
[0063] 若Rstyle< 0· 5 則xU二 _W印；
[0064]若Rstyle彡0· 5則xU二.?咖+對印；
[0065] ②若Rstep<0· 4 則：
[0066] 若Rstyle< 0· 5則 =*廠 *，，/() * 5 ;
[0067] 若Rstyle彡 0· 5 則 S+.叫產腦州*5;;
[0068] 其中rand()為0到1之間的隨機數，X為節點數值。
[0069]如圖 3 所示，個體Abs((λ65,(λ65,(λ51，(λ87,L5, 4.3,(λ12)參加變異，當產生隨 機變異點為3,步長控制參數Rstep> 0. 4,變異方式控制參數Rstyle多0. 5時，變異將是步長 為0. 5的加性變異。個體自左向右的第三個子節點處的值轉化為0. 51+0. 5即1. 01，個體變 異后為Abs(0· 65,(λ65,L01，(λ87,L5, 4. 3,(λ12)。完成變異操作。
[0070] 步驟106,對交叉變異后的個體進行局部搜索，設定較小的變異步長s'，根據此步 長對種群(進行較密集的變異操作；
[0071] 該步驟中，對交叉變異個體進行適應度計算，根據優勝劣汰法則選出兩代間較優 秀的個體。對個體進行局部搜索，搜索步長step為變異中步長的0. 1倍；局部搜索針對每 個個體進行五次，每次產生一個隨機變異點，改變異點處變異方法如下：
[0072] 產生隨機數R e[0,1];變異位置Rindex
[0073]若R< 0·5 則Rindex=Rindex+st印；
[0074]若R彡0·5 則Rindex=Rindex_st印。
[0075] 對比變異前后的個體的適應度，保留適應度最大的數量為Popsize的個體，構成新 的種群。
[0076] 步驟107,對局部搜索后的種群個體進行適應度評估，若種群中最大適應度大于 0. 85或迭代次數達到ger^t，則執行步驟108,否則，執行步驟105 ;
[0077] 步驟108,從迭代終止的種群中選擇適應度最高的個體，即為最優個體；解碼最優 個體，獲得待檢測圖像到邊緣圖像的一個劃分結果，根據該劃分結果生成新的特征集；
[0078] 種群中的最優個體將被選為劃分結果，最優個體的解碼方式可以是依次讀取個 體樹上的N個葉子節點，組成一個IXN的向量，N同時為圖像特征的維數，如解碼向量 (X1,X2, *··,ΧΝ}；
[0079] 新的特征構造方法為：F' =AvgiF1X1,F2X2,…，FNxN}i，其中F'為新特征，Fi為第i 個原始特征。故該步驟中，可以用{Fi，F2，F3，…，FJ表示某圖像的某一原始特征，個體解碼 后得到（X1,X2,X3,…，xj，則該圖像的新特征為AvgU1XF1,X2XF2,X3XF3，…，xkXFk}。即由 舊特征和最優個體的解碼結果對應乘積加權平均計算得到新特征，從而消除各特征間的差 異。
[0080] 另外，該步驟中，再次建模使用操作符多樣、深度變化的表達式樹。首先選擇操作 符，終止符，進化中的最大深度，初始最大深度，最小深度，初始化方式，種群規模，進化代 數genN，設定種群規模pop'size、交叉概率P'。，變異概率p'm，精英概率P' ε，操作符集 setf，終止符集sett;
[0081] 初始化種群，種群初始化方式有兩種，一種采用固定深度，即個體樹的深度固定， 且所有葉子節點處于同一層深度。一種使用生長方式，即個體樹的深度隨機變化。在此，使 用1:1混合法完成初始化。
[0082] 步驟109,依據第二階段的操作符集/_L、終止符集和新的特征集，初始化 個個體的種群P〇P2，對種群P〇P#各個體評估適應度；
[0083] 步驟110,根據種群？叩2中各個體的評估適應度結果優選種群pop2，獲得優選種群 。按照變異概率凡2、交叉概率太對進行交叉，變異操作；
[0084] 該步驟中所說的交叉變異操作，按如下方式進行：
[0085] 對于種群中被選擇到的個體Iind1，ind2進行交叉操作，首先計算出ind1與ind2中 個體表達樹的節點個數N1,N2;產生兩個隨機整數I^r2分別位于區間[1，N1]，[1，N2]中；在 個體表達樹中分別找到第^個和第r2個節點的位置；交換兩個位置處的子樹；
[0086] 對于種群中的個體ind3進行變異操作，首先計算個體樹的節點個數N;產生位于 [1，N]之間的隨機整數r1;找到個體表達樹中的第rl節點；產生位于[0, 1]區間的隨機 數rand;
[0087] 若rand< 0. 5則從操作符與終止符中隨機挑選一個運算符替換個體表達樹中的 第!^個運算符，并根據該運算符的目數，生成相應的個體子樹，完成變異操作；
[0088] 若rand多0. 5則首先獲取第Γι個節點處的運算符的目數T;然后從運算符中隨機 挑選目數為T的運算符替換1^節點處的運算符，完成變異。
[0089] 步驟111，對交叉變異后的個體進行適應度評估。若進化代數少于genjt，則返回 執行步驟110 ;否則按照適應度最大原則選出現有種群中的最優個體，輸出最優個體的解 碼結果，獲得新的劃分結果，據此結果得到圖像的邊緣檢測模型。
[0090] 對已初始化個體評估適應度，評估方式按照以像素點分類的precision與recall 平均值來計算，與步驟四中的相同；根據每個個體的適應度，進行種群選擇，被選擇到的個 體進行交叉變異操作；
[0091] 對交叉變異后的種群再次進行適應度評估，并根據評估結果選擇即將保留下來的 個體，組成新的種群，并進化下一代；直至達到進化代數genN為止。
[0092] 該步驟中的解碼最優個體，得到最終邊緣檢測模型。
[0093] 從最終種群中選擇適應度最高個體，對其進行前序遍歷，解碼為函數解析式f(I)， 即為訓練最終結果模型。其中I為待邊緣檢測的圖像。利用該模型，計算對應的函數結果， 將返回結果按照同樣的順序重新排布，即獲得圖像的邊緣檢測結果。
[0094] 從上述實施例可以看出，本申請技術方案克服了現有技術的不足，提出一種改進 的遺傳規劃算法來實現圖像邊緣檢測模型，共分別針對不同圖像每個像素點計算函數模型 的值，獲得邊緣輪廓圖。可以很好地實現一次學習處處使用的效果。并且，針對不同的圖像， 效果良好。圖4中間的一列圖像為人工標記的邊緣輪廓圖像。
[0095] 實施例2
[0096] 本實施例提供一種圖像邊緣檢測設備，可以實現上述實施例1的方法，其至少包 括如下模塊。
[0097] 第一階段處理模塊，構造圖像特征集和訓練特征集，并根據訓練特征集生成初始 種群，對初始種群進行優化操作得到優化的初始種群，解碼優化的初始種群中適應度最高 的個體，獲得待檢測圖像到邊緣圖像的第一個劃分，根據該第一個劃分結果生成新的特征 集；
[0098] 其中，第一階段處理模塊，對初始種群進行優化操作得到優化的種群時，執行如下 操作：
[0099] 評估初始種群中各個體的適應度；
[0100] 根據所述初始種群中各個體的適應度大小選擇優勝個體，對所選擇的優勝個體進 行交叉變異操作；
[0101] 對交叉變異后的個體進行局部搜索，對局部搜索后的種群中各個體進行適應度評 估，直至種群中個體的最大適應度大于設定值或迭代次數達到閾值，得到優化的初始種群。
[0102] 優選地，第一階段處理模塊可以采用錦標賽策略選擇，從初始種群中選擇設定數 目個優勝個體。
[0103] 另外，第一階段處理模塊也可以根據設定的變異步長對交叉變異后的種群進行密 集的變異操作。
[0104] 而第一階段處理模塊根據第一個劃分結果生成新的特征集時，主要是將訓練特征 集和解碼優化的初始種群中適應度最高的個體的解碼結果對應乘積加權平均計算得到新 特征集。
[0105] 第二階段處理模塊，基于新的特征集生成新種群，對新種群進行優化操作得到優 化的新種群，并解碼優化后的新種群中適應度最高的個體，獲得待檢測圖像到邊緣圖像的 第二個劃分，根據第二個劃分結果得到圖像的邊緣檢測模型，以及按照邊緣檢測模型進行 圖像邊緣檢測。
[0106] 同樣的，第二階段處理模塊，對新種群進行優化操作得到優化的新種群時，可以采 用第一階段處理模塊的方式，即執行如下操作：
[0107] 評估新種群中各個體的適應度；
[0108] 根據新種群中各個體的適應度大小選擇優勝個體，對所選擇的優勝個體進行交叉 變異操作；
[0109] 對交叉變異后的個體進行局部搜索，對局部搜索后的種群中各個體進行適應度評 估，直至種群中個體的最大適應度大于設定值或迭代次數達到閾值，從而得到優化的新種 群。
[0110] 優選地，可以采用錦標賽策略選擇，從新種群中選擇設定數目個優勝個體。
[0111] 也可以根據設定的變異步長對交叉變異后的種群進行密集的變異操作。由于本實 施例提供的設備可以實施上述實施例1的方法，故此設備的其他詳細操作，包括所采用的 具體算法等可以參見上述實施例1的相應內容，在此不再贅述。
[0112] 本領域普通技術人員可以理解上述方法中的全部或部分步驟可通過程序來指令 相關硬件完成，所述程序可以存儲于計算機可讀存儲介質中，如只讀存儲器、磁盤或光盤 等。可選地，上述實施例的全部或部分步驟也可以使用一個或多個集成電路來實現。相應 地，上述實施例中的各模塊/單元可以采用硬件的形式實現，也可以采用軟件功能模塊的 形式實現。本申請不限制于任何特定形式的硬件和軟件的結合。
[0113] 以上所述，僅為本發明的較佳實例而已，并非用于限定本發明的保護范圍。凡在本 發明的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本發明的保護范 圍之內。
【權利要求】
1. 一種圖像邊緣檢測方法，其特征在于，該方法包括： 構造圖像特征集和訓練特征集，根據所述訓練特征集生成初始種群，對所述初始種群 進行優化操作得到優化的初始種群，解碼優化的初始種群中適應度最高的個體，獲得待檢 測圖像到邊緣圖像的第一個劃分，根據第一個劃分結果生成新的特征集； 基于所述新的特征集生成新種群，對所述新種群進行優化操作得到優化的新種群，解 碼優化后的新種群中適應度最高的個體，獲得待檢測圖像到邊緣圖像的第二個劃分，根據 第二個劃分結果得到圖像的邊緣檢測模型，按照所述邊緣檢測模型進行圖像邊緣檢測。
2. 如權利要求1所述的方法，其特征在于，對所述初始種群進行優化操作得到優化的 初始種群的過程包括： 評估初始種群中各個體的適應度； 根據所述初始種群中各個體的適應度大小選擇優勝個體，對所選擇的優勝個體進行交 叉變異操作； 對交叉變異后的個體進行局部搜索，對局部搜索后的種群中各個體進行適應度評估， 直至種群中個體的最大適應度大于設定值或迭代次數達到閾值，得到優化的初始種群。
3. 如權利要求2所述的方法，其特征在于，根據所述初始種群中各個體的適應度大小 選擇優勝個體包括： 采用錦標賽策略選擇初始種群中設定數目個個體。
4. 如權利要求2所述的方法，其特征在于，對交叉變異后的個體進行局部搜索的過程 包括： 根據設定的變異步長對交叉變異后的種群進行密集的變異操作。
5. 如權利要求1至4任一項所述的方法，其特征在于，根據第一個劃分結果生成新的特 征集指： 將所述訓練特征集和解碼優化的初始種群中適應度最高的個體的解碼結果對應乘積 加權平均計算得到新的特征集。
6. -種圖像邊緣檢測設備，其特征在于，至少包括： 第一階段處理模塊，構造圖像特征集和訓練特征集，并根據所述訓練特征集生成初始 種群，對所述初始種群進行優化操作得到優化的初始種群，解碼優化的初始種群中適應度 最高的個體，獲得待檢測圖像到邊緣圖像的第一個劃分，根據該第一個劃分結果生成新的 特征集； 第二階段處理模塊，基于所述新的特征集生成新種群，對所述新種群進行優化操作得 到優化的新種群，并解碼優化后的新種群中適應度最高的個體，獲得待檢測圖像到邊緣圖 像的第二個劃分，根據第二個劃分結果得到圖像的邊緣檢測模型，以及按照所述邊緣檢測 模型進行圖像邊緣檢測。
7. 如權利要求6所述的設備，其特征在于，所述第一階段處理模塊，對所述初始種群進 行優化操作得到優化的種群指： 評估初始種群中各個體的適應度； 根據所述初始種群中各個體的適應度大小選擇優勝個體，對所選擇的優勝個體進行交 叉變異操作； 對交叉變異后的個體進行局部搜索，對局部搜索后的種群中各個體進行適應度評估， 直至種群中個體的最大適應度大于設定值或迭代次數達到閾值，得到優化的初始種群。
8. 如權利要求7所述的設備，其特征在于，所述第一階段處理模塊根據所述初始種群 中各個體的適應度大小選擇優勝個體指： 采用錦標賽策略選擇初始種群中設定數目個個體。
9. 如權利要求7所述的設備，其特征在于，所述第一階段處理模塊根據設定的變異步 長對交叉變異后的種群進行密集的變異操作。
10. 如權利要求6至9任一項所述的設備，其特征在于，所述第一階段處理模塊根據第 一個劃分結果生成新的特征集指： 將所述訓練特征集和解碼優化的初始種群中適應度最高的個體的解碼結果對應乘積 加權平均計算得到新的特征集。
【文檔編號】G06N3/00GK104504719SQ201510003860
【公開日】2015年4月8日 申請日期:2015年1月5日 優先權日:2015年1月5日
【發明者】楊振庚, 吳楠 申請人:浪潮(北京)電子信息產業有限公司