论文部分内容阅读
脉冲耦合神经网络(Pulse Coupled Neural Network，PCNN)是一种有着生物学背景的新一代人工神经网络，和传统的人工神经网络(Artificial Neural Network,ANN)模型相比有着很大的区别。PCNN具有脉冲发放和双通道相乘调制特性，阈值可动态改变，在具有外部神经元脉冲和外部激励信号输入时具有不应期和被捕捉两种现象。脉冲耦合神经网络可用于图像处理、优化等领域，并显示了其特有的优越性，对其展开深入研究应用具有重要的理论和现实意义。
本文利用m-PCNN模型进行了图像融合的研究；建议了采用参数自适应PCNN和最大相关系数的进行图像分割；在DPCNN的基础上提出了mDCPCNN和AWPCNN模型，分别用于最大流网络和最短路径问题的求解中。利用PCNN进行图像融合和图像分割时，本文主要解决了融合和分割结果对参数的过分依赖等问题，进一步拓展了PCNN的应用。
本文所做的工作及所取得的研究进展主要体现在以下几个面：
一、综述了PCNN的原始模型和原理；改进后的通用PCNN模型和原理；时延脉冲耦合神经网络DPCNN(Delay PCNN)模型和原理；调权脉冲耦合神经网络AWPCNN及m-PCNN模型和与原理。
二、利用m-PCNN实现了灰度图像的融合处理，得到了较好的处理结果；目前，利用PCNN进行图像融合存在的问题主要是PCNN网络中的参数对融合结果影响较显著。本文提出了用m-PCNN中神经元点火频率进行图像融合。该方法中，融合结果仅仅跟阈值常数VT有关系，而与其他参数的取值没有关联。
三、提出了阈值基于像素值的PCNN算法与最大相关系数的图像分割算法。目前，图像分割算法中存在着参数受人为因素的影响较大，判定准则太单一(基本上都是用图像熵来进行判定)。本文算法中，各PCNN神经元参数是由像素点自身决定的，不受任何的外界人为因素的影响，此外，本文还提出了基于最大相关系数的判定准则，对图像分割的判定思想进一步扩宽。
四、提出了调权脉冲耦合神经网络AWPCNN(Adjustable Weight PCNN)模型，并成功地用于最短路径问题的求解中。当利用DPCNN(Delay PCNN)进行最短路径求解时，若网络时延过大，则时延思想不能满足实时的要求。AWPCNN模型在网络传输过程中没有引入时延，而仅仅通过权重的变化和神经元连接关系来确定最短路径。因此，该方法在SP问题中较已有的方法具有明显的优势。
五、提出了双通道脉冲耦合神经网络DCDPCNN(Dual Channels DPCNN)并成功地将其应用于最大流网络求解中。在最大流问题中，原有的标号法采用串行计算方法，计算的时间复杂度随着节点个数的增多而增大是相当明显的，此外，对某个节点的标号可能不唯一，致使在标号过程中容易产生混乱，不便于求解。DCDPCNN算法运用神经网络的并行特性，利用神经元的点火时间的先后关系，能很好地区分各神经元，对每一个节点的标号均是唯一的。因此，DCDPCNN具有很好的计算性能。