單位脈沖耦合神經(jīng)網(wǎng)絡(luò)中若干理論及應(yīng)用問(wèn)題的研究.pdf

1、有生物學(xué)背景的脈沖耦合神經(jīng)網(wǎng)絡(luò)(PulseCoupledNeuralNetwork-PCNN)是一種時(shí)空編碼的新型人工神經(jīng)網(wǎng)絡(luò)，近來(lái)得到研究者們廣泛的關(guān)注。針對(duì)脈沖耦合神經(jīng)元結(jié)構(gòu)復(fù)雜，對(duì)其進(jìn)行了合理的簡(jiǎn)化，減少了參數(shù)的選擇，引入了單位聯(lián)接(Unit-linking)的概念，得到了Unit-linkingPCNN，它繼承了PCNN的主要特點(diǎn)。Unit-linkingPCNN易于分析與控制，便于用硬件實(shí)現(xiàn)，可應(yīng)用于圖像處理、優(yōu)化等領(lǐng)域，對(duì)其

2、展開(kāi)深入研究具有重要的理論意義與應(yīng)用價(jià)值。 本文的工作取得了以下的新進(jìn)展：1.提出了基于數(shù)學(xué)形態(tài)學(xué)的Unit-linkingPCNN二值圖像通用設(shè)計(jì)方法。首先證明了嚴(yán)格的數(shù)學(xué)形態(tài)學(xué)運(yùn)算與Unit-linkingPCNN的運(yùn)算是完全等價(jià)的；接著從數(shù)學(xué)形態(tài)學(xué)的角度，分別提出了Unit-linkingPCNN顆粒分析新方法及PCNN二值圖像噪聲去除新方法；在上述研究的基礎(chǔ)上，提出了Unit-linkingPCNN二值圖像通用設(shè)計(jì)方法，

3、并據(jù)此統(tǒng)一了我們?cè)岢龅膱D像邊緣檢測(cè)、細(xì)化、空洞濾波等方法。 2.提出了用Unit-linkingPCNN產(chǎn)生具有旋轉(zhuǎn)、平移不變性的全局圖像時(shí)間簽名的方法；提出了能反應(yīng)圖像局部變化的Unit-linkingPCNN局部圖像時(shí)間簽名；并將兩者應(yīng)用于智能機(jī)器人的實(shí)際項(xiàng)目中。Unit-linkingPCNN全局圖像時(shí)間簽名在目標(biāo)識(shí)別中具有旋轉(zhuǎn)及平移不變的優(yōu)良性質(zhì)；其在非平穩(wěn)視頻流的導(dǎo)航中具有穩(wěn)定的特征提取性能，導(dǎo)航成功率遠(yuǎn)高于增量主元

4、分析(CCIPCA)算法。Unit-linkingPCNN局部圖像時(shí)間簽名能反應(yīng)圖像的局部變化，可有效地用于目標(biāo)跟蹤。全局圖像時(shí)間簽名及局部圖像時(shí)間簽名兩者相結(jié)合，可有效地進(jìn)行平穩(wěn)視頻流的“智能機(jī)器人1號(hào)”的自主實(shí)時(shí)導(dǎo)航。 3.提出了基于Unit-linkingPCNN的方位檢測(cè)模型及方法，模仿了大腦視覺(jué)皮層的方位檢測(cè)功能。 4.提出了擁有TOP-DOWN機(jī)制的Unit-linkingPCNN注意力選擇模型及方法，該模型