基于生物侧抑制机制的神经网络模型研究

论文摘要

侧抑制机制存在于生物神经系统中,是神经系统信息处理的基本原则之一,能够运用在图像处理的各个方面,使得处理结果图更符合“人眼”的视觉效果。基于生物生理特性,研究者们提出很多神经网络模型。本文将从侧抑制机制出发,探讨研究基于视觉系统的侧抑制构成的神经网络模型。首先,研究基于生物视觉系统提出的脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）,PCNN运用于图像处理是一种单层二维的局部连接网络,神经元与像素点一一对应。本文对PCNN进行参数讨论,并将其运用于图像分割、图像增强、边缘检测;与传统方法比较优劣,基于生物视觉系统的模型用于图像处理具有运行速度较快、结果比较自然、灰度表现力好、且能够很好地提取图像中的信息等特点。其次,对生物侧抑制模型进行分类并讨论,针对侧抑制模型运用于图像处理方面的缺陷提出两种新的方法:一种是加入可能性度量因子;一种是与自适应滤波相结合;进行实验分析论证方法的可行性。接着针对PCNN在图像处理方面的缺陷,给出一种新的模型,即侧抑制机制与PCNN相结合的模型进行仿真实验,所得的结果比单纯PCNN仿真结果轮廓线条更加明确,图像具有更好的连通性。最后,给出一种基于点火（Integrate-and-Fire,IF）的侧抑制机制神经网络群用于位置跟踪的模型,在此基础上,提出一种新的迭代训练算法PITS（Progressive interactive training scheme,PITS）算法进行参数学习,利用信息中心（Information Center,IC）储存每次训练结果,在保证收敛的情况下,比较跟踪结果的误差函数给出权值调整公式进行自学习。运用H-H简化的模型在模拟侧抑制机制的同时实现位置跟踪,新的学习算法提高了跟踪精度和速度。

论文目录

• 摘要
• ABSTRACT
• 图清单
• 表清单
• 注释表
• 第一章 绪论
• 1.1 生物侧抑制机制
• 1.1.1 鲎复眼的实验
• 1.1.2 侧抑制机制
• 1.1.3 侧抑制模型
• 1.1.4 侧抑制的功能
• 1.1.5 侧抑制机制研究背景和现状
• 1.2 脉冲耦合神经网络（PCNN）
• 1.2.1 PCNN 的应用范围
• 1.2.2 PCNN 研究背景和现状
• 1.3 主要工作和结构安排
• 第二章 基于 PCNN 图像处理的研究
• 2.1 引言
• 2.1.1 脉冲耦合神经网络模型及简化模型分析
• 2.1.2 PCNN 几个特性分析
• 2.2 图像分割
• 2.2.1 图像分割的定义
• 2.2.2 PCNN 与传统图像分割方法的对比
• 2.3 图像增强
• 2.3.1 PCNN 在图像增强方面的应用
• 2.3.2 常规图像增强方法
• 2.3.3 仿真实验与讨论
• 2.4 边缘检测
• 2.4.1 PCNN 边缘检测原理
• 2.4.2 基于 PCNN 模型边缘检测的步骤
• 2.4.3 仿真实验与讨论
• 2.5 本章小结
• 第三章 基于侧抑制机制神经网络模型的研究
• 3.1 引言
• 3.2 侧抑制的模型及作用
• 3.2.1 侧抑制网络的作用
• 3.2.2 侧抑制网络模型
• 3.2.3 侧抑制网络的数学模型
• 3.3 侧抑制机制运用于图像处理
• 3.3.1 基于非循环侧抑制网络的图像增强
• 3.3.2 构造可能性度量因子的改进模型
• 3.3.3 仿真实验
• 3.3.4 侧抑制与自适应滤波相结合模型
• 3.3.5 仿真实验
• 3.4 侧抑制与PCNN 相结合应用于图像处理
• 3.4.1 侧抑制与PCNN 结合的数学模型
• 3.4.2 基于点火频率的图像分割方法
• 3.4.3 仿真实验
• 3.5 本章小结
• 第四章 基于IF 模型神经网络群位置跟踪的研究
• 4.1 引言
• 4.2 神经网络群
• 4.2.1 大脑皮层柱功能的柱状结构
• 4.2.2 神经网络群结构
• 4.3 IF 神经元模型
• 4.3.1 尖峰神经元
• 4.3.2 尖峰神经元模型
• 4.3.3 点火结果的影响因素
• 4.3.4 动态阈值
• 4.3.5 基于H-H 方程简化的模型
• 4.4 基于PITS 学习的位置跟踪
• 4.4.1 PITS 学习算法
• 4.4.2 基于柱体点火概率的跟踪方法
• 4.5 仿真实验
• 4.5.1 实验仿真平台
• 4.5.2 性能指标
• 4.6 本章小结
• 第五章 结论和展望
• 5.1 本文结论与成果
• 5.2 展望
• 参考文献
• 致谢
• 在学期间的研究成果及发表的学术论文