课程文献中心 更多>>

关键词： 指数同步   非线性脉冲效应   变时滞   脉冲控制   模糊细胞神经网络   指数滞后同   步   p-范数  

摘要： 由于模糊细胞神经网络的同步问题在不同的领域有着广泛和潜在的重要应用,许多专家和学者对模糊细胞神经网络的同步理论进行了深入全面的研究,得到了一些很好的结果.在本文中,我们对具有脉冲效应和时滞的模糊细胞神经网络的全局指数同步进行了分析.得到了:具有变时滞和脉冲效应的模糊细胞神经网络的指数同步、具有线性脉冲和滞后时滞的模糊细胞神经网络的指数同步、具有变时滞的耦合相同的Yang-Yang型模糊细胞神经网络的指数同步的判别准则. 本文的主要内容可以概述如下： 第1节,对模糊细胞神经网络同步的研究背景和意义进行了简单的介绍,给出了具有脉冲效应和时滞的模糊细胞神经网络同步的研究现状和成果.最后给出了本文的组织结构. 第2节,研究了具有变时滞和非线性脉冲效应的模糊细胞神经网络的指数同步.通过不等式分析技巧和Lyapunov函数方法,在p范数意义下得到了系统指数同步的充分条件.最后通过一个数值例子的模拟,显示了得到的同步结论的合理性和正确性. 第3节,讨论了一类具有线性脉冲效应和滞后时滞的模糊细胞神经网络的指数同步.通过Lyapunov-Lasall泛函微分方程定理,利用一些不等式分析方法得到了模糊细胞神经网络指数滞后同步的充分条件.最后通过一个数值实例,验证了方法的可行性和有效性. 第4节,主要讨论了一组具有变时滞的耦合相同Yang-Yang型模糊细胞神经网络的自适应同步,通过设计简单自适应控制策略,利用泛函微分方程不变原理,构造了一个Lyapunov-Krasovskii泛函,同时利用线性矩阵不等式,得到了具有变时滞的耦合相同Yang-Yang型模糊细胞神经网络指数同步的充分条件.最后,通过一个数值例子验证了同步结论的合理性和正确性.

关键词： IMAGE fusion   SAMPLING (Statistics)   NEURAL networks (Computer science)   MATHEMATICAL models   PERFORMANCE evaluation   ALGORITHMS  

摘要： In the nonsubsampled contourlet transform (NSCT) domain, a novel image fusion algorithm based on the visual attention model and pulse coupled neural networks (PCNNs) is proposed. For the fusion of high-pass subbands in NSCT domain, a saliency-motivated PCNN model is proposed. The main idea is that high-pass subband coefficients are combined with their visual saliency maps as input to motivate PCNN. Coefficients with large firing times are employed as the fused high-pass subband coefficients. Low-pass subband coefficients are merged to develop a weighted fusion rule based on firing times of PCNN. The fused image contains abundant detailed contents from source images and preserves effectively the saliency structure while enhancing the image contrast. The algorithm can preserve the completeness and the sharpness of object regions. The fused image is more natural and can satisfy the requirement of human visual system (HVS). Experiments demonstrate that the proposed algorithm yields better performance.

关键词： 脉冲神经网络   LBP   置乱评价   图像检索   图像增强  

摘要： 人工神经网络从诞生至今经过了六十多年的演变,相对于传统神经网络,第三代人工网络脉冲神经网络(Spiking Neural Network,SNN)更好地模仿了生物神经元的工作原理。SNN中的脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)对图像的处理获取的特征序列具有很好的尺度不变性、旋转不变性、信号强度不变性和信号扭曲不变性,而交叉皮层神经网络(Intersecting Cortical Model Neural Network, ICMNN)可以看做是PCNN的简化模型,继承了PCNN提取的特征序列的特性。大量的研究表明,PCNN的生物学工作机制决定了它作为图像处理引擎的有效性。论文将探究两种SNN模型：脉冲耦合神经网络和交叉皮层模型神经网络。 　　特征提取是成功进行图像描述、分类、分析等过程中的关键环节。基于认知理论和感知经验,给定一种纹理图像,对该种纹理图像不论进行怎样的变换、旋转、缩放、仿射、甚至是失真处理后获取的图像,从人类观察的角度来说都应该是同一种纹理,对应地,提取到的纹理特征也应该是不变的。因此,不变性纹理特征提取在实际应用和理论分析中都是不可或缺的一部分。论文从纹理特征的提取角度,利用 PCNN 的特性进行了纹理图像的特征提取和应用研究。 　　首先,论文利用ICMNN对灰度信息不发生变化但像素分布位置发生变化的图像,提取直接及间接的图像结构信息,并将其用于图像置乱算法的性能评价。由于ICMNN的连接调制,可以将图像的结构信息有效地进行耦合,所以,论文通过增大连接强度因子,减小灰度信息来提取图像的结构信息。针对图像像置乱变换的置乱评价问题,对ICMNN的模型进行了改进,通过加入连接强度因子耦合图像的结构信息,削弱灰度信息,从而实现对图像的结构信息的提取,使得置乱评价的结果与视觉评价相一致。由于改进算法是通过间接的方式提取图像的结构信息,为了进一步能够直接提取结构信息,论文采用按位分解图像的方法对图像进行处理,并利用ICMNN实现了直接结构信息的提取。 　　其次,论文研究了灰度信息发生一定变化但具有强结构信息的纹理图像的不变性特征提取。为了减少图像灰度信息变化带来的干扰,论文首先利用局部二值模式(Local Binary Pattern ,LBP )将图像从灰度模式转化成二值结构模式,然后对二值结构模式的图像进行PCNN 处理以获取不变性特征序列。通过将LBP 和PCNN 相结合,提取具有较好平移、旋转、缩放、光照不变性的图像特征序列。利用 Brodatz图库进行的实验结果表明,论文提出的基于LBP与PCNN的图像检索提取的特征具有平移、旋转、缩放、光照不变性。 　　再次,论文针对内容复杂的图像,利用 PCNN 分解模型对图像进行乘性分解,提取图像在不同细节层次下的图像特征。论文采用 PCNN 分解模型将图像按照结构层次进行分解,将原图像中的内容分解到不同的图像中,以根据需求获取图像中不同的内容。通过对PCNN的分解模型进行改进,降低了PCNN分解模型的复杂度,增强了该模型的鲁棒性,同时,将改进后的模型用于图像阴影去除和图像增强,实验结果表明,改进后的PCNN分解模型能够较好地实现图像阴影去除和图像增强。

关键词： 脉冲超宽带   神经网络   粒子群   目标探测识别  

摘要： 脉冲超宽带是一种利用短脉冲传输信息的短距离无线通信方式,具有分辨力强、探测能力强、抗干扰的技术优势,在目标识别领域中与神经网络的结合,使其在交通运输、医学、安全等领域取得了重大成果。然而,在一些通信兼目标探测的场景,如单兵作战、入侵检测的应用中,超宽带雷达技术只能完成目标探测,无法完成通信。因此,如何在脉冲超宽带通信的条件下结合神经网络技术实现目标识别是本文研究的课题。 针对上述的研究课题,本文在做了大量仿真及实际测量分析之后发现,当在通信信道中含有不同类型的目标时,会导致接收信号呈现出不同的特性,利用接收信号的这些差异特性,能够提取表征目标的特征参数,通过引入神经网络,建立接收信号特征参数和目标之间的映射模型,以此达到完成通信及实现目标探测识别的双重目的。基于以上的思想,本文以通信为导向,在通信时收集接收信号,分析信号的特征参数,结合神经网络算法的自学习能力,辨别出通信信道中的目标类型。 为了验证该方法的有效性,首先,本文运用时域有限差分法建立了室内理论仿真模型,对室内信号的传播及目标识别分析应用了该方法,并讨论了不同信噪比时的目标识别率,结果表明了该方法的有效性,并且发现噪声对不同类型的目标识别结果有着不同的影响；其次,本文运用测量设备P400在实际测量环境小树林中对通信接收信号进行了采集,去噪,参数提取,并考虑到实际测量环境的干扰比较大,对神经网络算法采用了粒子群算法进行了优化,解决了其初始参数的随机性带来的性能下降问题,进一步地完善和提高了方法的识别率及稳定性,最终仿真结果表明在实际的环境中该方法仍然很有效,且经过粒子群优化的方法具有更高的识别率。

关键词： Cohen-Grossberg neural networks   S-type delays   impulses   reaction-diffusion   Hardy-Poincaré inequality  

摘要： An impulsive Cohen-Grossberg neural network with time-varying and S-type distributed delays and reaction-diffusion terms is considered. By using Hardy-Poincaré inequality instead of Hardy-Sobolev inequality or just the non- positivity of the reaction-diffusion operators, under suitable conditions in terms of M-matrices which involve the reaction-diffusion coefficients and the dimension and size of the spatial domain, improved stability estimates for the system with zero Dirichlet boundary conditions are obtained. Examples are given.

关键词： 神经网络   遗传算法   电磁脉冲灭藻   循环冷却水  

摘要： 循环冷却水系统是工业生产中大型设备进行换热所必不可少的附带设备，由于循环冷却水中适宜的环境条件导致细菌和藻类大量繁殖，造成了大量生物粘泥和设备腐蚀的问题，严重影响了设备的换热效率。因此，对循环冷却水系统中的微生物进行杀灭是一道重要的工序。 目前，国内外研究大多集中在高压低频脉冲对细菌的杀灭作用上，而对高频低压脉冲对微生物的杀灭作用研究较少。另外，电磁脉冲对微生物的杀灭作用尚无统一的电磁参数，有必要采取合适的方法来进行电磁参数寻优。 本文主要研究工作如下： ①对目前常用的两种人工智能算法——遗传算法和神经网络进行了系统的介绍，并从理论和实践上证明两种算法结合的有效性。通过遗传算法的全局寻优能力来优化BP神经网络的初始权值和阈值，从而提高神经网络的预测精度;结合BP网络良好的非线性映射能力以及遗传算法的全局寻优能力，来解决复杂系统的参数寻优问题。文中完成了程序编制，也通过对复杂非线性函数的仿真分析加以验证。 ②利用实验室已有设备，开展了高频低压电磁脉冲的灭藻实验研究。由于叶绿素a含量是衡量水质的一个重要指标，与水体中藻类的数量呈正相关，因此本文将水体叶绿素a含量的变化率代替灭藻率来使用。本文通过正交实验设计，以电压U、频率P和处理时间T三个参数作为控制变量，用manta2水质分析仪检测相应的灭藻率，共开展了50组实验。实验结果表明高频低压电磁脉冲的灭藻效果明显。通过对实验数据进行方差分析，得到三个控制变量对灭藻率的影响程度为：处理时间对灭藻效果的影响最大最明显，电压次之，最后是脉冲频率。 ③以实验数据作为神经网络的学习样本，GA优化BP神经网络初始权值和阈值来建立灭藻率的预测模型，仿真结果表明模型预测精度在7%以内;最后，GA结合灭藻率预测模型进行电磁参数寻优，得到的最佳参数组合为： U66V、P204KHz、 T76min。

关键词： 随机脉冲神经网络   平均脉冲区间   Markov切换参数   部分同步   通信信道  

摘要： 许多人工神经网络都会因内部部件的故障、维修、受到突发性环境扰动和子系统之间关联发生改变等使得系统结构发生多样性变化.具有这种特性的系统被称为Markov切换系统.因为真实的网络节点不同方式的非局域耦合,使得系统很难达到全局同步,这时网络中的部分节点可能会达到同步.部分同步指的是在一定的耦合强度范围内网络中具有某些对称性的节点之间出现同步的现象,即产生了同步节点聚类. 另一方面,在许多实际情况中,系统的状态会在某些时刻发生突变,称为脉冲现象.按照脉冲效应对网络性能的影响来说,可以分为两类脉冲：促进同步脉冲和阻碍同步脉冲.早期的工作对这两种脉冲是分开处理.本文在引入平均脉冲区间的基础上,同时考虑同步促进脉冲和阻碍同步脉冲,对具有Markov切换参数的随机脉冲神经网络进行研究,得到了对于系统部分同步的一个充分性准则.具体来说,本文主要内容如下： 第一部分,我们简要概述了时滞脉冲神经网络,Markov切换系统以及部分同步等的相关背景和意义,接着介绍具有Markov切换参数的随机神经网络当前的研究工作进展.本文的主要研究工作也在这一部分加以阐述. 第二部分,首先引进具有Markov切换参数的随机脉冲神经网络模型和平均脉冲区间的定义,通过构造新的Lyapunov泛函并结合一些新的技巧分析,得到了一个同时适应于促进同步脉冲和阻碍同步脉冲的部分同步的充分性准则,并通过数值例子说明所提出方法的有效性和可行性. 第三部分,进一步研究了具有离散时滞和白噪声的Markov切换参数的随机脉冲神经网络模型,应用Lyapunov理论和Dini导数的相关性质,得到了系统部分同步的充分性准则,最后通过几个数值例子验证了本文判据的有效性.

关键词： 脉冲神经网络   鲁棒性   XOR问题  

摘要： 神经网络的输入信号因为受到众多因素的影响,可能会产生一定的噪声干扰。脉冲神经网络是目前拟人性能较强的一种新型网络,通过模拟树突和轴突之间产生的脉冲处理各种信息。由于噪声的干扰,脉冲神经网络的信息处理能力会受到一定的影响,比如输入信号有偏差,延迟时间太长或太短,阈值过大或过小,权值过大或过小等。而脉冲神经网络对于输入信号的敏感性特别强,所以输入信号受到干扰,脉冲神经网络的处理能力很容易受噪声的影响而产生一定的扰动。本文通过在脉冲神经网络中对输入信号加入一定数值范围内的随机扰动来研究其分类能力的鲁棒性。一系列的数值实验结果表明对网络的输入信号进行随机扰动基本不会影响网络的分类能力,扰动前后的网络识别正确率相差不到4%。更为有趣的一个结果是网络受到扰动后的识别率反而有所提高,这恰好从另一个方面佐证了脉冲神经网络的较强的拟人性。

关键词： 单位联接脉冲耦合神经网络   车牌定位   车牌字符识别   特征匹配  

摘要： 车牌识别是智能交通中一个重要的组成部分。随着车辆的增多,智能交通越来越体现出其价值。车牌识别还在无人管理车库、校区安全、社区安全、道路状况调控等交通监控系统中得到了广泛的应用,发挥着缓解值勤人员工作压力的作用。因此,对车牌识别的研究成为了这段时期的研究热点。 车牌识别分为车牌定位、字符分割和字符识别三个主要步骤。对每个步骤的独立研究可以提升车牌识别效率；对三个步骤共同研究则可以提升算法的连贯性和识别效率。这篇论文对车牌识别算法进行了探讨,并介绍了以下三方面的工作： 一、提出了基于单位联接脉冲耦合神经网络的车牌定位方法。该定位算法首先用单位联接PCNN对输入车牌图像的某个灰度通道进行点火处理；接着,找出点火图像中带有车牌特征的区域；第三,进一步判断该区域是否符合车牌长宽比特征；最后,对图像进行倾斜校正并输出校正后的车牌区域图像。输出的车牌图像为二值图像。 二、提出了用单位联接脉冲耦合神经网络改进投影法字符分割算法。基于同车牌定位算法中同样结构的脉冲耦合神经网络,可对二值图像进行空洞填充。用该空洞填充法对二值车牌图像进行处理后；再寻找处理后车牌图像中线上的有效联通域；然后,对中线上的联通域进行分析以规整字符的尺寸；第四,用投影法寻找车牌字符的边界并结合联通域分析完成字符分割。改进后的分割方法不但提升了分割率,还提升了字符识别率,这是因为改进后的分割方法能将同一个车牌的字符归一化。 三、提出了以点火图像序列和空洞数为特征的字符识别方法。并使用投票方式度量待识别字符和模板字符对应特征间的差异。仍然基于单位联接PCNN,对分割出的字符进行细化、点火和空洞提取；对细化、点火特征和空洞特征赋予不同的投票权重,将待识别字符的特征和模板字符的对应特征进行比较并投票；将得票最高模板对应的字符作为未知字符的识别结果。 本文提出的车牌识别算法分为主要的三个子算法,分别实现车牌定位,字符分割和字符识别,且这三个子算法都应用单位联接脉冲耦合神经网络。三个子算法中的PCNN结构一致,仅改变初始值和输出判定条件即可,一改以往应用PCNN需要复杂设置的状况。单位联接PCNN在车牌定位和字符识别算法中,用于核心算法的实现；而在字符分割中,则起到辅助作用,提升了原算法。这些都验证了PCNN在图像处理的应用潜力和优势。

关键词： 脉冲神经网络   监督学习   误差反向传播   精确定时编码   分类问题  

摘要： 最近几年来，随着多层前馈脉冲神经网络监督学习研究的快速发展，越来越多的研究成果表明基于脉冲精确定时编码的脉冲神经网络是神经系统处理信息的基础。很多研究者借鉴传统人工神经网络的误差反向传播算法，给出了脉冲神经网络基于梯度下降的学习规则。而且本文旨在解决多层前馈脉冲神经网络监督学习中的两个基本问题：(1)如何定义多脉冲误差函数以及构建脉冲神经网络多脉冲定时误差反向传播算法；(2)如何设计有效的多脉冲定时信息编码方法以实现对具体问题求解的脉冲神经网络监督学习计算模型。 本文针对多脉冲精确定时编码信息的特点，定义了新型的多脉冲误差函数，并提出了一种新型的基于多脉冲误差反向传播的多层前馈脉冲神经网络监督学习算法。通过构建输出层和隐含层神经元突触权值的梯度下降学习规则，实现了脉冲神经网络突触权值的自动调整。该算法克服了现存学习算法中对输出层神经元仅能发放一个脉冲的限制，可使网络中所有层的神经元发放多个脉冲，提高了应用脉冲神经网络解决复杂问题的能力。 本文通过一组模拟实验展示了多脉冲误差反向传播算法在各种学习情况下，对一系列学习任务的学习能力。首先，通过对单脉冲序列的学习验证了对于给定输入脉冲序列，脉冲神经网络能够训练出一个理想的脉冲序列。其次，通过对多脉冲序列的学习展示了脉冲神经网络能够有效地学习不同的目标脉冲序列。最后，多任务脉冲序列的学习显示了脉冲神经网络对于不同的输入模式能够并行地完成多模式的学习。实验结果表明了该算法能够在误差反向传播学习过程中能够有效地完成不同的学习任务，并实现了对脉冲序列复杂时空模式的学习。 本文将多脉冲定时误差反向传播算法应用到非线性模式分类问题，验证该算法对非线性模式分类问题的求解能力。首先，结合线性脉冲序列编码的特点，分别对Fisher Iris数据集和Wisconsin乳腺癌数据集的数据进行编码，使该算法分别在不同学习模式下对Fisher Iris分类以及Wisconsin乳腺癌基准分类问题进行学习。实验表明多脉冲学习的分类准确率比单脉冲学习得到有效地提高。其次，分别对多脉冲神经网络中突触个数、隐藏层神经元个数两个参数进行了分析。实验结果显示突触个数和隐含层神经元个数会影响该算法的学习能力。