PCNN模型改進(jìn)及參數(shù)調(diào)整研究.pdf

1、脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse Coupled Neural Network，簡記為PCNN)是以感知器和激活函數(shù)為計算單元的神經(jīng)網(wǎng)絡(luò)之后的新型神經(jīng)網(wǎng)絡(luò)模型。由于同時考慮了神經(jīng)生物學(xué)的時間編碼和空間累積特性，PCNN模型具有傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)不可比擬的優(yōu)勢，包括脈沖耦合特性，非線性相乘調(diào)制特性，神經(jīng)元鄰域捕捉特性和指數(shù)衰減的閾值機(jī)制等。因此，PCNN在圖像分割領(lǐng)域具有廣泛的應(yīng)用前景。
　　近年來，對PCNN的研究不斷深入，但PCNN與

2、真正的生物視覺模型還有一段距離，存在進(jìn)一步發(fā)展和完善的空間。模型參數(shù)調(diào)整，模型特性挖掘以及模型運(yùn)行效率逐漸成為PCNN領(lǐng)域的重要研究內(nèi)容。
　　首先，本文將圖像梯度、圖像局部熵和灰度關(guān)聯(lián)度三個圖像的重要局部特征與脈沖耦合神經(jīng)網(wǎng)絡(luò)的參數(shù)結(jié)合，完成了參數(shù)鏈接強(qiáng)度和鏈接權(quán)值的自動調(diào)整，根據(jù)不同準(zhǔn)則對最佳迭代次數(shù)的選取及分割效果進(jìn)行了分析。
　　其次，考慮到無耦合連接PCNN分割結(jié)果的一些區(qū)域不符合人類視覺對目標(biāo)和背景的判斷以及脈沖

3、耦合神經(jīng)元單方向捕捉的特性，本文用神經(jīng)元的充分正向捕捉特性定位目標(biāo)區(qū)域中符合定義的暗點(diǎn)區(qū)域（將其定義為目標(biāo)區(qū)域的高相似性區(qū)域），用神經(jīng)元的充分反向捕捉特性定位背景區(qū)域中符合定義的亮點(diǎn)區(qū)域（將其定義為背景區(qū)域的高相似性區(qū)域），將無耦合連接PCNN分割結(jié)果與高相似性區(qū)域進(jìn)行邏輯運(yùn)算，得到圖像的分割結(jié)果。實(shí)驗結(jié)果說明，此方法保持了分割結(jié)果中目標(biāo)和背景的完整性。
　　最后，本文在分析脈沖耦合神經(jīng)網(wǎng)絡(luò)用于圖像分割固有缺陷的基礎(chǔ)上，結(jié)合神經(jīng)生