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，和传统人工神经网络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现象，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获现象，神经元相互作用时体现了时间和空间累加特性，很好地模拟了生物神经元的疲劳、不应期，脉冲激励现象。它可用于图像处理，优化等领域，并显示了独特的优越性，对其展开深入研究应用具有重要的理论和现实意义。
本文对改进型PCNN进行了研究。利用CPCNN模型进行了迷宫最短路径的求解；利用m-PCNN模型进行了彩色图像融合的研究，本文主要解决了融合对参数的过分依赖等问题，进一步拓展了PCNN在彩色图像上的应用。
一、综述了脉冲耦合神经网络的原始模型及原理；改进后的通用PCNN模型和原理；竞争型脉冲耦合神经网络CPCNN(Competitive Pulse-Coupled NeuralNetwork)的模型和原理；m-PCNN模型和与原理。
二、提出在竞争型脉冲耦合神经网络(CPCNN，Competitive Pulse-Coupledneural Network)的神经元一定参数设置条件下，利用其脉冲波高速并行传播可求解网络的最短路径。将迷宫等效为一固定连接权值的网络，利用CPCNN网络成功求解了迷宫的最短路径问题。实验仿真表明，CPCNN网络求解迷宫最短路径所需的迭代次数只和入口到出口的最短路径有关，而和迷宫的大小和复杂程度无关，它利用较少的计算迭代次数即可得到迷宫的最短路径，具有较好的适用性。
三、在m-PCNN处理灰度图像融合的基础上，利用m-PCNN的点火频率进行彩色图像融合的算法，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。本文利用m-PCNN中神经元点火频率进行彩色图像融合。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。