课程文献中心 更多>>

关键词： 运动目标提取   帧差法   脉冲耦合神经网络  

摘要： 运动目标提取是视频分析和理解的基础,在视频监控应用中具有重要的意义.本文在帧间差分法运动检测的基础上,研究了运动目标的提取方法.针对现有方法存在的对帧间差结果噪声敏感和低效的问题,引入了一种脉冲耦合神经网络PCNN(Pulse Coupled Neural Network)方法.通过一种特别的映射方法,该PCNN网络模型能有效地抑制噪声,并能高效地提取运动目标.实验结果证明,该PCNN方法比现有一些方法具有更高的精度和更快的速度.

关键词： 脉冲耦合神经网络(PCNN)   脉冲噪声   边缘信息   中值滤波[  

摘要： 针对脉冲噪声图像,传统的滤波算法容易造成图像模糊或者图像细节丢失等问题。在深入分析脉冲噪声的特点及脉冲耦合神经网络(PCNN)的内在机理的基础上,提出了一种基于PCNN和边缘信息的脉冲噪声滤波算法。通过PCNN找到图像的疑似噪声点,然后通过对像素的位置信息分析,采用不同的模板对图像进行中值滤波,得到脉冲噪声滤波的具体算法。试验结果表明,该方法不但能有效地去除图像中的脉冲噪声,而且能很好地保护图像细节信息。

关键词： 简化脉冲耦合神经网络   振荡时间序列   人脸识别  

摘要： 基于简化脉冲耦合神经网络(S-PCNN),提出了一种新颖的人脸识别方法。首先通过对神经元振荡特性的分析,将神经元振荡时间序列(OTS)分解为捕获性振荡时间序列(C-OTS)和自激性振荡时间序列(S-OTS)。然后通过图像几何变换和振荡频图,分析了X-OTS(OTS、C-OTS和S-OTS)的鉴别特性。最后利用C-OTS+S-OTS和余弦距离测度给出了人脸识别的系统结构。人脸库中的实验结果验证了所提方法的有效性,显示了它比其它传统算法具有更好的识别性能。

关键词： 脉冲神经网络   突触   响应曲线   Simulink   FPGA  

摘要： 脉冲神经网络被誉为第三代神经网络,近年来受到许多学者的关注,其优势已经在模式识别、计算机视觉等诸多领域得到了发挥.脉冲神经网络的硬件化是实现其强大计算能力的重要途径,而突触的硬件实现又是其中的一个关键性环节.本文先从SRM模型中脉冲神经元突触的特性曲线入手,用适合FPGA实现的差分方程来逼近这一响应曲线,并对差分方程中的待定参数进行了优化,然后根据差分方程,在Simulink平台上设计出硬件电路,并给出了在方波脉冲激励下,电路输出的仿真结果,最后对今后的工作做出了展望.

关键词： 脉冲暂态混沌神经网络   非线性规划   高非线性   非凸失效域   可靠度系数  

摘要： 工程中计算结构可靠度系数β可以看做一个优化问题。考虑极限状态函数的非线性程度很高且存在非凸失效域时,传统的求解非线性优化方法,如序列二次规划(SQP)法、罚函数法和梯度投影法等都有其使用范围和局限性,无法解决局部极小解问题。如何避免局部极小解问题并且兼顾计算精度和效率目前仍很难处理。提出一种新的可靠度计算方法:将求解转化为带有约束条件的非线性规划问题,利用罚函数法转化成无约束条件的非线性规划问题,引入脉冲暂态混沌神经网络(PTCNN)模型快速有效地进行全局寻优,从而解决具有局部极小解的约束非线性规划问题。最后采用不同类型的非线性极限状态函数算例进行算法验证,验证该方法在处理高维、高非线性、不可微、非凸失效域问题时具有可行性、高效性。

关键词： RBF神经网络   预测   熔化极气体保护焊   焊接接头  

摘要： 利用matlab2012软件建立用于预测脉冲熔化极惰性气体保护焊(Pulsed metal inert gas welding,PMIGW)的RBF神经网络模型。以6个焊接工艺参数(峰值电压、基值电压、脉冲持续时间,脉冲频率、送丝速度和焊接速度)和2个测量值(焊接电流和电压均方根值)为预测模型输入参数,以焊后接头抗拉强度为输出参数,模型训练后仿真。结果表明,RBF神经网络具有建模速度快,模型结构简单,预测精度高的优点,为预测脉冲熔化极气体保护焊抗拉强度开辟了一条新的途径。

关键词： 图像处理器   数据处理能力   DARPA   美国密歇根大学   Adaptive   脑   局部学习   自适应  

摘要： 2013年8月，美国国防先期研究计划局（DARPA）授予美国密歇根大学570万美元，开展“传感与分析稀疏自适应局部学习（Sparse Adaptive Local Learning for Sensing and Analytics）”项目研究，开发一种处理速度比目前图像处理器快1000倍，而功耗仅是其万分之一的类脑图像处理器。

关键词： 海马结构   内嗅皮层   网格细胞   位置细胞   环境认知   啮齿类动物  

摘要： 动物神经学家经过长期的研究发现啮齿类动物大脑内的海马结构是动物进行环境认知和导航的关键脑区，但其神经元作用机理至今仍不完全清楚。海马结构中神经元在老鼠环境认知中所起的作用、各神经元之间的相互关系及其建模方法的研究是目前研究的热点。课题组借助生物学上老鼠海马结构在环境认知过程中所起作用的研究成果，在研究老鼠环境认知生理学机理的基础上，研究仿老鼠海马结构的自主移动机器人环境认知发育模型及其物理体现方法。本文构建了两种内嗅皮层中网格细胞的模型，并对内嗅皮层中网格细胞网格野形成海马中位置细胞位置野的建模方法进行了深入研究。主要研究工作包括:\n (1)根据内嗅皮层中网格细胞网格野形成的吸引子机理，构建一种网格细胞的吸引子网络模型。将网格细胞放电特征和神经网络的细胞排列特征进行对应，建立网格细胞的吸引子网络模型。仿真结果表明该模型能够较好的模拟网格细胞的网格野。\n (2)根据内嗅皮层中网格细胞网格野形成的振荡干扰机理，构建一种网格细胞的振荡干扰模型。计算老鼠运动时在各个头朝向细胞最优方向上的位移偏离量，将网格间距和网格大小作为判断网格细胞是否激活的重要参数，建立网格细胞的振荡干扰模型。仿真结果表明该模型能够较好的模拟网格细胞网格野的形成过程。\n (3)基于沿着内嗅皮层背腹侧轴网格细胞网格野的半径逐渐增大、沿着海马背腹侧轴位置细胞的位置野半径也逐渐增大的生物学基础，构建网格细胞网格野相互作用形成位置细胞位置野的一种数学模型。首先，三个二维cos波相互作用形成具有不同空间特征的网格细胞网格野，选择具有相同位相、不同间距、不同定向的网格细胞作为位置细胞输入，然后通过傅里叶变换计算网格细胞到位置细胞的输入权值，最后将网格细胞到位置细胞的权值向量与网格细胞激活率向量的点积与阈值比较得到位置细胞的激活率。仿真结果表明，该模型在较少网格细胞作为输入的情况下就可产生稳定的位置细胞位置野。\n (4)基于生物学上海马中发现的侧抑制现象，构建网格细胞到位置细胞的竞争型神经网络模型。首先，随机选择具有不同空间特征的网格细胞作为网络输入，建立位置细胞竞争网络，通过竞争算法产生具有多个激活区域的位置细胞位置野;其次在竞争机制的基础上加入Hebb学习规则，在训练过程中不断调整网格细胞到位置细胞的联结权值，最终产生具有单个激活区域的位置细胞位置野;最后改进Hebb学习规则，利用跟踪学习算法产生具有较大激活区域的位置细胞位置野。仿真结果表明，该模型较好的模拟了生物学上从内嗅皮层到齿状回再到CA3区的信息通路。

关键词： 自适应注意力选择   脉冲耦合神经网络   沙漠车辆识别   尺度不变特征   多层分类回归树  

摘要： 针对现有车辆识别模型不适用于沙漠背景的不足,提出一种基于自适应四元数注意力选择模型与脉冲耦合神经网络相融合的车辆识别算法.首先建立自适应四元数注意力选择模型,将图像背景、颜色、亮度等多方面信息并行处理计算注意力显著图,并利用图像缩放与双线性插值提升计算效率;然后将显著图输入脉冲耦合神经网络,利用神经元脉冲传播特性提取感兴趣区域;最后提取区域尺度不变特征并结合多层分类回归树完成目标识别.实验结果表明,该算法计算时间短、区域提取完整、识别虚警率低;以分辨率0.6m×0.6m的沙漠图像为例,文中算法较形态学及支撑向量机算法识别率分别提升了5.8%和15.4%.

关键词： 多聚焦图像融合   脉冲耦合神经网络   链接强度   外部刺激  

摘要： 多聚焦图像融合是针对同一场景中的每个不同物体分别进行聚焦,获得多幅使该场景中每一物体均清晰的不同焦距图像,然后对这些具有不同焦距的图像进行清晰区域提取,从而获得包括该场景中所有清晰物体在内的图像的过程.由于这一技术能够对各图像中的有用信息进行有效利用,因此被广泛使用.\n 脉冲耦合神经网络（pulse couple neural network,PCNN）是在1990年后被Eckhorn提出的一种简化神经网络模型,这种简化模型建立在猫的视觉原理基础之上,与传统的神经网络模型相比,具有着不需要学习或者训练的特性,并且能将相关有效信息进行复杂背景下的有效提取,在处理机制上与人类的视觉感受颇为相似.\n 本文在对 PCNN模型的基本工作原理以及数学实现方法进行深入分析研究的基础上,对标准PCNN模型进行简化及改进,将单通道PCNN模型与双通道PCNN模型相结合,根据图像的清晰度水平选取模型中对应神经元的动态链接强度以及外部刺激来进行多聚焦图像融合.\n 本文所做的研究工作主要包括以下几个方面：\n （1）研究了基于简化型自适应PCNN的多聚焦图像融合算法.在对源图像进行分块的基础上,根据 PCNN的工作原理,对其模型进行了简化,并选取 EOL(Eneger of Laplacian)既作为简化 PCNN模型中对应神经元的链接强度又作为其外部刺激进行图像块融合,最后根据融合规则获得融合图像.实验结果表明,这种算法比传统多种算法获得了更好的融合效果.\n （2）研究了基于改进型自适应PCNN的多聚焦图像融合算法.在对源图像进行分块的基础上,根据 PCNN的工作原理,对其模型进行了改进,不仅简化模型参数,而且将硬限幅函数改为软限幅函数,并选取 SML(sum-modified-Laplacian),EOL分别作为改进PCNN模型中对应神经元的链接强度以及外部刺激进行图像块融合,最后根据融合规则获得融合图像.实验结果表明,这种算法比传统多种算法获得了更好的融合效果.\n （3）研究了基于PCNN二次融合的多聚焦图像融合算法.在对源图像进行分块的基础上,将分块源图像分别输入到简化PCNN模型以及改进PCNN模型中进行一次融合,获得两幅具有较好融合效果的一次融合图像；其次将所获得一次融合图像作为源图像输入到简化双通道 PCNN模型中进行二次融合,从而获得最终融合图像.实验结果表明,相比之下,这种算法比传统多种算法获得了更好的融合效果.