基于粒子群算法训练常规自动编码器附Matlab代码

matlab科研助手

于 2022-11-16 23:26:28 发布

阅读量632

点赞数

CC 4.0 BY-SA版权

分类专栏：图像处理文章标签： matlab 算法开发语言

本文链接：https://blog.youkuaiyun.com/matlab_dingdang/article/details/127895649

图像处理专栏收录该内容

872 篇文章

订阅专栏

该博客介绍了通过粒子群优化（PSO）训练的完全连接自动编码器在图像重构中的应用。作者是一名Matlab仿真开发者，分享了代码实现和运行结果，包括输入图像处理、网络初始化、训练过程以及损失函数的行为。此外，还引用了相关文献，并提供了MATLAB相关资源的获取方式。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法神经网络预测雷达通信无线传感器

信号处理图像处理路径规划元胞自动机无人机电力系统

⛄ 内容介绍

由 PSO 训练的完全连接的常规自动编码器

⛄ 部分代码

clear all;

clc;

addpath('NEW_PSO','AE');

%% data preparation

original=imread('me_and_my_son.jpg');

original=imresize(original,[150,90]);

x=rgb2gray(original);

Inputs=double(x);

%% network initialization

number_neurons=89;% number of neurons

LB=-10; % lower bands of weights

UB=10; % upperbands of weights

n=10; % number of population

%% training process

[net]=PSO_AE(Inputs,number_neurons,LB,UB,n);

%% Illustration

regenerated=net.code*pinv(net.B');

subplot(121)

imagesc(regenerated);

colormap(gray);

Tc=num2str(net.prefomance);

Tc= ['RMSE = ' Tc];

xlabel('regenerated image')

title(Tc)

subplot(122)

plot(smooth(net.errors,52),'LineWidth',2);

xlabel('iterations')

ylabel('RMSE')

title('loss function behavior')

axis([0 length(net.errors) min(net.errors) max(net.errors)])

grid

⛄ 运行结果

⛄ 参考文献

[1] M. N. Alam, “Particle Swarm Optimization : Algorithm and its Codes in MATLAB Particle Swarm Optimization : Algorithm and its Codes in MATLAB,” no. March, 2016.
[2] Y. Liu, B. He, D. Dong, Y. Shen, and T. Yan, “ROS-ELM: A Robust Online Sequential Extreme Learning Machine for Big Data Analytics,” Proc. ELM-2014 Vol. 1, Algorthims Theor., vol. 3, pp. 325–344, 2015.
[3] H. Zhou, G.-B. Huang, Z. Lin, H. Wang, and Y. C. Soh, “Stacked Extreme Learning Machines.,” IEEE Trans. Cybern., vol. PP, no. 99, p. 1, 2014.

❤️ 关注我领取海量matlab电子书和数学建模资料

❤️部分理论引用网络文献，若有侵权联系博主删除