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，与传统人工神经网络(Artificial Neural Network．ANN)模型相比有着很大的区别。PCNN具有脉冲发放、双通道相乘调制和阈值动态可变的特性，当PCNN有外部神经元脉冲和激励信号输入时具有不应期和捕获现象，神经元的相互作用体现了时间和空间的累加特性，很好地模拟了生物神经元具有的疲劳期和不应期现象。脉冲耦合神经网络可用于图像处理，网络优化，模式识别等领域，并显示了其独特的优势，对其展开深入的研究具有重要的理论和现实意义。
本文在对PCNN进行了深入地分析和研究的基础上，提出了改进型PCNN模型，并将其用于有向网络的关键路径的求解；利用Unit-Linking PCNN模型，结合三种图像熵对灰度图像进行分割；在Unit-Linking PCNN模型基础上，实现了灰度图像和彩色图像的阴影去除。本文所做的研究工作及研究内容主要包括：
1、综述了PCNN的原始模型和原理，改进后的通用PCNN模型和原理，单位链接脉冲耦合神经网络(Unit-Linking PCNN)模型和原理。
2、在PCNN原始模型的基础上，提出了改进型脉冲耦合神经网络mPCNN(modified PCNN)模型，并成功用于有向网络的关键路径问题的求解。利用mPCNN模型，可在一次正向计算中求出有向网络的所有关键路径和关键路径的长度，该方法与传统算法相比体现了较好的优势。
3、利用单位链接脉冲耦合神经网络(Unit-Linking PCNN)模型，结合图像的最大香农熵、最小交叉熵和最大交叉熵三种迭代准则，实现对灰度图像的分割，并分析比较了三种迭代准则在分割图像时的优势和不足。
4、使用单位链接脉冲耦合神经网络(Unit-Linking PCNN)模型，实现灰度图像和彩色图像的阴影去除，并得到了较好的处理结果，该方法进一步拓展了PCNN的应用范围。