下载文档原格式
基于特征和主动轮廓算法的运动果蝇识别与跟踪研究摘要多目标跟踪是视频监控等领域的一项关键技术。
阐述目标跟踪算法的研究现状，运用灰度阈值分割，基于特征和主动轮廓跟踪方法实现对多只运动果蝇进行目标识别与跟踪。
运用c#以及emgu 开发应用程序予以系统实现。
经验证，该系统识别率高，具有稳健的跟踪效果。
关键词多目标跟踪；果蝇；运动检测；特征匹配中图分类号 tp391.41 文献标识码 a 文章编号 1007-5739（2013）14-0340-03多目标跟踪方法的研究和应用是计算机视觉的一个重要分支。
目标跟踪，即要在一段视频的不同帧中把被跟踪的物体标记出来。
目标跟踪简单地说就是估计一个对象的运动轨迹[1]。
目前，目标跟踪算法一般包括基于区域的跟踪算法、基于特征的跟踪算法、基于模型的跟踪算法、基于主动轮廓的跟踪算法[2]。
常用的数学方法有：卡尔曼滤波器（kalman filter）、mean shift、粒子滤波器（particle filter）、动态贝叶斯网络等[3]。
而一个跟踪算法的理想性应该具有快捷性、鲁棒性、透明性、高效性、稳定性、简单性等特性[4]。
1 基于特征和主动轮廓的跟踪实现多目标跟踪的关键在于完整地分割目标、合理地提取特征和准确地识别目标，同时要考虑算法实现的时间，保证实时性。
因为培养皿中的运动果蝇会经常聚集甚至重叠在一起，有必要采取相应的方法尽可能地排除这类影响。
因为培养皿中的果蝇只有在极少数情况下才会快速飞行，所以其运动轨迹通常具有连续性，针对果蝇的该种情况我们运用基于特征和主动轮廓的跟踪算法。
1.1 基于主动轮廓的跟踪主动轮廓模型即snake模型是在图像域内定义的可变形曲线，又称为snake曲线，由kass等人提出的，是将其能量函数进行最小化处理，使其动态轮廓逐渐向目标轮廓调整，最终成为一致。
该技术对于任何形状、任意变动的物体都可以进行处理，其具体的操作技术如下：一是将目标进行分割，将得到的物体边界作为跟踪的初始模板；二是确定目标轮廓函数即表征物体真实边界的目标函数；三是逐渐降低目标函数值，使初始轮廓逐渐向物体的真实边界移动。
组合预测模型1灰色神经网络（GNN）预测模型灰色神经网络预测方法是灰色预测方法和人工神经网络方法相结合的算法，即保留灰色预测方法中“累加生成” 和“累减还原” 运算，不再求参数，而是由BP神经网络来建立预测模型和求解模型参数。
利用这种灰色神经网络进行负荷预测的算法如下。
1）对电力负荷的原始数据序列进行“累加生成”运算，得到累加序列。
2）利用BP神经网络能够拟合任意函数的优势解决累加序列并非指数规律的问题。
训练BP神经网络，逼近累加数据序列Y。
3）利用现有已经训练好的BP神经网络进行预测，输出累加序列的预测值。
4）将累加数据的预测值进行“累减还原”运算，得到电力负荷的原始数据序列预测值。
2果蝇优化算法（FOA）果蝇优化算法（fruit fly optimization algorithm，FOA）是由潘文超教授于2011年提出的一种基于果蝇觅食行为推演出寻求全局优化的新方法。
这是一种交互式进化计算方法，通过模仿果蝇群体发现食物的行为，FOA能够达到全局最优。
在实际中FOA已经被应用于许多领域，包括交通事件，外贸出口预测，模拟滤波器的设计等。
依照果蝇搜寻食物的特性，将其归纳为以下几个重要步骤。
1）参数初始化：FOA的主要参数为最大迭代次数maxgen，种群规模sizepop，初始果蝇群的位置（X_axis，Y_axis）和随机飞行距离FR。
2）种群初始化：赋予果蝇个体利用嗅觉搜寻食物之随机方向与距离。
3）种群评价：首先，由于无法得知食物的位置，需要计算果蝇到原点的距离（Dist）。
再计算气味浓度判定值（S）此值为距离的倒数。
通过将气味浓度判断值（S）代入气味浓度判断函数（或称为适应度函数），求出果蝇个体位置的气味浓度（Smell）。
并找出群体中气味浓度值最大的果蝇个体。
4）选择操作：保留最大气味浓度值和x、y坐标，此时，果蝇通过视觉飞往的最大浓度值的位置。
进入迭代寻优，重复实施步骤2）～3），并判断味道浓度是否优于前一迭代味道浓度，若是则执行步骤4）。
基于FGNN算法的sEMG肌肉疲劳分类方法刘光达;许蓝予;肖若兰;孙嘉琪;蔡靖;张守伟【期刊名称】《科学技术与工程》【年(卷),期】2022(22)19【摘要】为了防止果蝇优化算法的局部最优约束,提高肌肉疲劳分类的准确率,本研究提出了一种基于肌电信号的肌肉疲劳分类方法:果蝇-遗传优化算法,实现了肌肉疲劳的准确检测和分类。
在改进的果蝇优化算法基础上把遗传算法的交叉变异和果蝇优化算法混合,并与神经网络结合对肌肉疲劳进行识别。
相较于果蝇优化算法,改进后的算法有更强的跳出局部最优的能力。
与神经网络结合后对于疲劳状态识别具有更好的效果。
本研究提出的肌肉疲劳分类方法,可以防止运动员过度疲劳引起的肌肉损伤,实现准确的肌肉疲劳检测和分类。
一共招募了10名健康的年轻参与者(6名男性和4名女性)进行疲劳测试。
首先根据主观评测法对疲劳等级进行划分。
然后将采集到的肌电信号数据进行预处理、提取特征后作为神经网络,遗传算法-神经网络,果蝇优化算法-神经网络,果蝇-遗传算法-神经网络的输入。
经比较果蝇-遗传优化算法-神经网络的准确率为94.3%,优于其他方法。
【总页数】8页(P8370-8377)【作者】刘光达;许蓝予;肖若兰;孙嘉琪;蔡靖;张守伟【作者单位】吉林大学仪器科学与电气工程学院;东北师范大学体育学院【正文语种】中文【中图分类】TN911.7【相关文献】1.基于sEMG信号的肌肉疲劳分析2.基于sEMG信号的不同年龄下男性肌肉疲劳特性研究3.基于sEMG的联合收获机驾驶人腰部肌肉疲劳研究4.基于sEMG的驾驶员肌肉疲劳研究5.基于sEMG的拉物行走作业肌肉疲劳发展机理研究因版权原因，仅展示原文概要，查看原文内容请购买。
上海电力大学学报Journal of Shanghai University of Elect-c Power第36卷第4期2020年8月Vol. 36,No. 4Aug. 2020DOI ： 10.3969/j.issn.2096 -8299.2020.04.014基于改进果蝇算法优化PNN 的变压器故障诊断研究郭晓芸，李海明，许赞杰(上海电力大学计算机科学与技术学院，上海200090)摘要:为了提高电力变压器故障诊断准确率，通过分析变压器油中溶解气体数据，提出了一种定向变步长的 果蝇算法(DVSFOA )与概率神经网络(PNN )相结合的变压器故障诊断模型。
由于PNN 的参数平滑因子对 输出结果影响较大，对果蝇算法位置公式进行更新调整，对平滑因子进行参数寻优，将优化结果赋值给PNN模型进行网络训练，得到了用于变压器故障诊断的最佳网络模型。
实验结果表明，该组合算法具有较高的诊 断精度，收敛速度快，整体性能高。
关键词：变压器；故障诊断；概率神经网络；改进型果蝇算法；平滑因子中图分类号:TP18 文献标志码:A 文章编号：2096 -8299(2020)04 -0395 -06Transformer Fault Diagnosis Based on Improved FOAOptimized PNNGUO Xiaoyun ，LI Haiming ，XU Yunjie( School of Computer Science and Technology ，Shanghai University of Electric Powe-，Shanghai 200090，China )Abstraci : I order to improve the efficiency of power —ansformer fault diagnosis ，od anhyze thedLsolved gas date in —osformer oil ，dLectional voGbk step fruit Iy optimization hgoihm (DVS- FOA ) combined wiZi PNN fo-ransformer fob diagnosis is proposed. Smoothing factor which is theparameter of PNN has great infuence on the correctnes s of network output. In thL paper ，the positionformula of FOA is updated od adjusted to find the optimal smoothing factor. The ophmh network mode'fortransformerfau tdiagnosisisobtained by a s igning theoptima'smoothing factorto PNN mode'fornetwork training.Theexperimenta'resu tsshow thatthecombined a'gorithm hashigher diagnosticaccuracy and fasterconvergencespeed ， and theovera 'performanceishigh.Key words :—ansformer ； fault diagnosis ； probablistie neural netwoTk ； improved fruit Iy 。
基于后坐距离要求的迫榴炮水弹试验装水质量设计研究傅建平;王蕊;张晶晶;窦晨【摘要】The determination of water loading quality in the water-projectile test is the premise of a successful water-projectile test. With mortar-howitzer as the object of study, an analysis was made of the features of the mortar howitzer's structure and the principle of water-projectile test. The design method was put forward of the water quality about gun water-projectile test based on the gun recoil dis-placement,with the fruit fly optimization algorithm applied to determine the mass of water-projectile. Through the verification of the result of the experiment,the design method proves to be feasible,which avoids the difficulties caused by the constant adjustment of the water loading quality and repeated test of the traditional test. The determination of the water loading quality of the water-projectile test pro-vides not only the theoretical grounds for the army to successfully carry out the water-projectile test,but also references for the other new types of gun in the water-projectile test.%水弹试验中装水质量的确定是顺利开展水弹试验的前提.以迫榴炮为研究对象,分析了该炮结构特点和水弹试验方法原理,提出了基于火炮后坐距离要求的水弹试验装水质量设计方法,应用果蝇算法确定了装水质量范围,并以水弹试验结果验证,表明该设计方法是可行的,避免了传统试验装水质量需经不断调整和反复试验带来的诸多困难.该方法考虑了复杂的试验环境,安全性好,为部队开展该炮的水弹试验提供科学依据,也为其他火炮装水质量确定提供参考.【期刊名称】《火炮发射与控制学报》【年(卷),期】2018(039)001【总页数】5页(P77-81)【关键词】迫榴炮;水弹试验;装水质量;果蝇算法;后坐运动【作者】傅建平;王蕊;张晶晶;窦晨【作者单位】山西农业大学信息学院,山西晋中 030800;军械工程学院火炮工程系,河北石家庄 050003;山西农业大学信息学院,山西晋中 030800;山西农业大学信息学院,山西晋中 030800;山西农业大学信息学院,山西晋中 030800【正文语种】中文【中图分类】TJ307火炮大修与中修后都要进行水弹试验，以动态射击方式综合检验火炮的修后质量[1]。
２０１２年２月 第２９卷第２期 湖北第二师范学院学报
Ｊｏｕｒｎａｌ ｏｆ Ｈｕｂｅｉ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｅｄｕｃａｔｉｏｎ Ｆｅｂ．２０１２
Ｖｏ１．２９ Ｎｏ．２
基于果蝇优化算法的模拟滤波器设计 肖正安 （湖北第二师范学院物理与电子信息学院，武汉４３０２０５） 摘要：基于粒子群优化算法的无源模拟滤波器优化设计方法容易陷入局部最优，收敛速度慢迭代次数多、运算量大且 稳定性不够好。提出果蝇优化算法对滤波器的整个参数空间进行高效并行搜索直到获得最优的参数值，实例仿真表明， 采用该方法设计的滤波器在相同的带宽准确度及阻带衰减的情况下，具有更快的运算速度及收敛性能。 关键词：滤波器；粒子群优化；果蝇优化 中图分类号：ＴＮ９１２．２０２ 文献标识码：Ａ 文章编号：１６７４．３４４Ｘ（２０１２）０２－００２６－０４ 作者简介：肖正安（１９７６・），男，湖北钟祥人，讲师，硕士，研究方向为通信与信息系统、数字信号处理。
无源滤波器应用于很多电子部件中，其具有功率 容量大、噪声低、稳定性强等特点。无源滤波器的设计 是以经典滤波器设计理论．网络综合设计方法来设计 的，但是其设计方法存在着带宽不精确及阻带衰减不 够陡峭等问题，而且一旦元件参数确定后就很难变 动－１ Ｊ。基于粒子群优化算法（Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａ— ｔｉｏｎ，ＰＳＯ）的模拟滤波器设计方法 Ｊ，相对于网络综合 方法来说，其幅频特性－３ｄＢ完全在要求的截止点上， 而且在阻带的衰减大，阻带陡峭。但是该算法存在收 敛速度慢、迭代次数多且运算量大、容易陷人局部最 优。本文提出一种基于果蝇优化（Ｆｒｕｉｔ Ｆｌｙ Ｏｐｔｉｍｉｚａ— ｔｉｏｎ Ａｌｇｏｒｉｔｈｍ，ＦＯＡ）算法－３ 的无源模拟滤波器优化设 计方法。经ｍａｔｌａｂ仿真表明，其稳定性及收敛速度要 优于ＰＳＯ。 １ 滤波器幅频特性数学模型 滤波网络如图１所示，节点导纳矩阵 ，再对滤 波器加以激励 ，利用节点电压法即可求出每个频率 点的节点电压为：
无线传感器网络(Wireless Sensor Networks, WSN)是一种分布式传感网络，由大量可移动的微型传感器节点以自组织的方式组成，信息通过节点进行多跳传输。
在无线传感器网络覆盖问题上，传统的节点部署策略会出现部署速度慢，覆盖范围小，服务质量差等问题。
目前已有多种智能算法运用在无线传感器网络的覆盖优化问题上，例如粒子群算法、鱼群算法、遗传算法等。
本文将提出一种改进的果蝇算法，实现网络覆盖的优化。
果蝇算法具有很多优点，例如计算量较小，运行时间短，算法复杂度低，且寻优精度较高等。
本文将果蝇算法与WSN覆盖模型相结合，可以快速实现节点布局优化，得到更高的网络覆盖率。
通过仿真对比实验，可以看出本文的改进果蝇算法的有效性和优越性，在寻优性能方面能够大幅度优于其它几种算法。
【关键词】：WSN；果蝇算法；传感器节点；覆盖优化；
1 引言
无线传感器网络[1]是一种分布式传感，面对多节点、多任务的无线自组织网络。
无线传感器网络是由大量部署在监测区域内的传感器节点组成，通过传感器节点对监测区域的信息进行实时收集。
WSN作为一门新的技术，被广泛应用于军事领域、农业生产、生态监测与灾害预警、基础设施状态检测、工业领域、智能家居等。
传感器网络的一个关键问题就是节点的部署优化，对于如何提高网络的覆盖率、降低网络的能耗、简化网络模型，最终提高服务质量，这是目前研究的一大热门问题，也是未来无线传感技术发展的基础。
目前已有多种智能算法运用在无线传感器网络的覆盖优化问题上，例如粒子群算法、鱼群算法、遗传算法等。
这些算法虽然在覆盖的优化问题上取得了良好的效果和重大的进步，但依然存在着一些明显的不足，例如某些算法的结构过于复杂，导致整体的计算速度太慢，达不到实时的要求，某些算法的性能太差，导致最后的覆盖效果太差，远远达不到用户的服务要求，某些算法的参数太多，导致网络模型过于复杂，实际的部署方式往往不容易做到，等等。
因此本文将运用一种改进的果蝇算法，解决以上算法在无线传感器网络覆盖优化问题上的弊端，实现对网络覆盖的进一步优化。
2 果蝇算法
果蝇优化算法[2]（Fruit Fly Optimization Algorithm，FOA）是台湾学者潘文超经过研究发现，并于2011年提出的一种新型智能优化算法，它具有很好的全局优化性能，能够解决很多的优化求解问题。
果蝇有着优于其它生物的感官知觉，特别是视觉与嗅觉，依靠灵敏的嗅觉，果蝇可以很好的感知到空气中的各种气味分子，甚至可以嗅到几十公里以外的食物。
同时利用敏锐的视觉与其它果蝇聚集，并向该方向移动。
果蝇算法就是模仿果蝇的觅食过程而提出一种新型的群智能优化算法。
2.1 基本果蝇算法：
果蝇拥有优于其它物种的感官，它可以收集空气中的气味分子搜寻远处的食
物，然后聚集同伴朝食物方向并拢。
FOA 算法就是模拟果蝇群体的觅食过程而衍生的优化算法，其步骤可以归纳为：
①初始化种群大小Sizepop ,最大迭代次数Maxgen ,随机初始化果蝇群体位置X_axis,Y_axis 。
②果蝇个体随机向各个方向的位置进行搜寻。
③计算果蝇个体与原点距离d ,再将距离的倒数做为果蝇个体的味道浓度判定值i S 。
④将味道浓度判定值i S 代入适应度函数（Fitness function ），求出果蝇个体的味道浓度。
⑤找出果蝇群体中i Smell 最佳的果蝇
⑥记录并保留最佳味道浓度值i bestSmell 与X,Y 坐标。
⑦开始迭代，重复执行②～⑤，并判断最佳味道浓度是否优于前一次迭代得到的味道浓度，并且当前迭代次数小于最大迭代数Maxgen ,则执行⑥，否则，算法结束。
2.2改进步长果蝇算法
根据上一节对果蝇算法的介绍，果蝇算法中的果蝇个体每次迭代从相同的起点出发，然后向随机的方向进行搜索，搜索步长为固定区间],[H H -内的随机数。
当H 设置比较大时，算法的全局搜索能力较强，收敛的速度较快，但算法局部搜索能力较低，导致后期收敛精度不够。
相反，如果H 设置比较小时，局部搜索能力较强，全局搜索能力较低，导致算法收敛速度较慢，而且算法在小区域内搜索，收敛结果易陷入局部最优的错误解集中。
针对以上所述的局限性，本文提出的可变步长果蝇算法（CS-FOA,Change the Step of FOA ）将搜索分为若干个周期，如取50次迭代为一个周期T ，每个周期内步长采用)(x Sin 的形式进行跌宕变化，表示如下：
i i H rand axis X X ⨯-⨯+=)1()2(_
],1[ ),mod(Maxgen i T i ∈=α (1)
⎩⎨⎧>≤⨯=L H L L H L H i i i
1)+(sin(i)α
其中，L 为算法搜索区间长度，T 为单位周期的迭代次数，mod(i,T)为第i 次迭代相对于T 取余。
从公式（1）可以看出，CS-FOA 首先将整个搜索过程分为若干个周期，这样做可以增加搜索过程的多样性，使算法能够有效跳出局部收敛，大大减小局部收敛的
可能性。
其次CS-FOA在每个周期内采用)
Sin函数，使步长在单位周期T内可
(x
以跌宕变化。
在)
Sin单调递增时，步长指数型增大，算法具有很强的全局搜索(x
能力，可以实现快速收敛，并且收敛结果不易陷入局部最优，同时步长的增大可以解决)
Sin单调递
(x Sin在上个单调递减区间内可能存在的局部收敛问题。
在) (x
减区间内，步长指数型减小，可以使算法在小范围内完成高精度的搜索，结果具有更好的收敛效果。
