形态分解联想算法及抗随机噪声的应用与研究

论文摘要

联想记忆是人类脑细胞的重要功能之一,人工神经网络一个很重要的方面就是模拟人类的联想记忆功能。20世纪末,G.X.Ritter[1,2]等人提出的双向形态学联想记忆网络（MBAM）是一种较为有效的联想记忆网络,它不仅克服了经典联想记忆网络存储能力有限、联想记忆需要多次迭代等缺陷,而且对含单一噪声二值图像有较强的抗噪能力,但它几乎没有抗随机噪声的能力。双向形态学联想记忆网络及它的各种改进型网络在处理模糊性解释的问题上无能为力,B.Kosko[3]提出了模糊联想记忆网络（FAM）,解决了模糊性解释的问题,然而这种网络的存储能力却极为微弱。为此,有学者将形态学和模糊联想记忆网络相结合提出了双向模糊形态学联想记忆网络（FMBAM）,较好的解决了FAM存储能力微弱的缺陷,并还具有很强的抗单一噪声能力,可它对随机噪声几乎没有任何抑制性,这一缺陷限制了该网络的应用本文主要做了四方面的工作,一是将动态核与图像分解算法相结合得到了动态核形态分解联想算法,仿真实验结果表明该算法具有很强的抗随机噪声能力。二是将动态核形态分解联想算法应用于MBAM、FMBAM和αβ形态学联想记忆网络,使得这三种网络具备了抗随机噪声的能力,并把应用范围推广到了灰度图像与彩色图像。三是针对形态分解联想算法会增加联想记忆时间这一缺点,文中提出了并行化的分解联想算法,使得联想记忆的时间大为缩短。最后,把这一算法成功的应用到了图像的识别上。文中我们通过大量的仿真试验验证了上述结论。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 概述
• 1.1.1 研究背景与意义
• 1.1.2 经典联想记忆神经网络的发展
• 1.2 HOPFIELD 神经网络及联想记忆
• 1.2.1 Hopfield 神经元网络
• 1.2.2 用于联想记忆
• 1.3 主要工作与论文结构
• 1.3.1 本文的主要工作包括
• 1.3.2 本文的论文结构
• 第二章 数学形态学及模糊理论
• 2.1 数学形态学
• 2.1.1 数学形态学的发展和基本运算
• 2.1.2 灰度图像的数学形态学
• 2.2 模糊理论
• 2.3 本章小结
• 第三章 联想记忆网络模型及其理论
• 3.1 双向形态学联想记忆网络
• 3.1.1 双向形态学联想记忆网络（MBAM）
• 3.1.2 MBAM 的缺陷
• 3.2 双向模糊形态学联想记忆网络（FMBAM）
• 3.3 αβ 形态学联想记忆网络
• 3.4 本章小节
• 第四章 动态核形态分解联想算法
• 4.1 动态核概念
• 4.2 灰度图像的分解联想算法
• 4.3 动态核形态分解联想算法
• 4.3.1 动态核形态分解联想算法的联想记忆步骤
• 4.3.2 算法的优缺点
• 4.4 动态核彩色图像形态学分解联想算法
• 4.5 并行化的动态核形态学分解联想算法
• 4.6 本章小节
• 第五章 动态核形态分解联想算法的应用
• 5.1 动态核形态分解联想算法在MBAM 中的应用
• 5.1.1 灰度图像的仿真实验
• 5.1.2 彩色图像的仿真实验
• 5.2 动态核形态分解联想算法在FMBAM 中的应用
• 5.2.1 灰度图像的仿真实验
• 5.2.2 彩色图像的仿真实验
• 5.3 动态核形态学分解联想算法在 αβ 形态联想记忆网络中的应用
• 5.3.1 灰度图像的仿真实验
• 5.3.2 彩色图像的仿真实验
• 5.4 并行化的动态核形态分解联想算法的应用
• 5.5 动态核分解联想算法在图像识别中的应用
• 5.6 本章小节
• 第六章 结束语
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文