基于脉冲耦合神经网络的运动检测算法
基于带宽剩余率的脉冲耦合神经网络最短路径算法

PCNN s ho r t e s t pa t h a l g o r i t hm b a s e d o n b a nd wi d t h r e ma i ni ng r a t e
ZH EN G Ha o — t i a n,G U Xi a o — d o ng ( De p a r t me n t o f El e c t r o n i c En gi n e e r i n g,Fu d a n Un i v e r s i t y,S h a n g h a i 2 0 0 4 3 3,Ch i n a )
Ab s t r a c t :Us i n g p u l s e c o u p l e d n e u r a l n e t wo r k( PCN N) t o f i n d a s h o r t e s t p a t h i s a n o n — d e t e r mi n i s t i c a l g o — r i t h m .Th e c o mp u t a t i o n c o mp l e x i t y i s o n l y r e l a t e d t o t h e s h o r t e s t p a t h’ S l e n g t h,a n d i s n o t r e l a t e d t o t h e c o m— p l e x i t y o f t h e p a t h g r a p h .Th e e x i s t i n g PCNN f i n d i n g s h o r t e s t p a t h a l g o r i t h m o n l y t a k e s i n t o a c c o u n t t h e p a t h l e n g t h,wi t h o u t c o n s i d e r i n g o t h e r p a r a me t e r s .Th i s p a p e r p r o p o s e s a n a l g o r i t h m b a s e d o n t h e b a n d wi d t h r e ma i — n i n g r a t e ,wh i c h c o n s i d e r s t h e i n f l u e n c e o f t h e b a n d wi d t h r e ma i n i n g a mo u n t o n t h e n e t wo r k,a s we l l a s t h e p a t h l e n g t h;b e s i d e s ,p a r a me t e r o f t h e b a n d wi d t h r e ma i n i n g r a t e i s u s e d t o c o n t r o l n e u r o ns ’t h r e s h o l d t o f i n d t h e s h o r t e s t p a t h . Th e s i mu l a t i o n r e s u l t s s h o w t h a t t h i s me t h o d c a n f i n d t h e g l o b a l o p t i ma l s o l u t i o n . Ke y wo r d s :p u l s e c o u p l e d n e u r a l n e t wo r k( P CNN) ;s h o r t e s t p a t h b a n d wi d t h r e ma i n i n g r a t e ; t h r e s h o l d c o n t r o l
基于脉冲耦合神经网络和形态学的边缘检测

边 缘是 图像 的 基本 特 征 , 反 映 了 目标 的重 要 它 特征 . 缘检 测 是 图像 处 理 的重 要 内容 , 边 可使 图像 后 续 处 理 的数 据量 大 大减 少 . 速 准确 地 提 取 图像 的 快 边 缘 是研究 人 员 关 注 的焦 点 之 一. 献 [ ] 出 了 文 1提
基 于 脉 冲 耦 合 神 经 网 络 和 形 态 学 的 边 缘 检 测
张 翠 翠 , 峙 江 , 殿 龙 赵 姜
( 尔滨工程 大学 信息与通信工程 学院, 哈 黑龙江 哈 尔滨 10 0 ) 50 1 摘 要: 阐述 了脉冲耦合神经 网络 ( us o p dnua ntok P N 模 型的基本 工作原理 . 于含有 噪声 的 pl cu l erl ew r ,C N) e e 对
用 .
种 利用 P N C N进 行 二 值 图像 边 缘 检 测 的方 法 , 取
图像 , 用传统的边缘检测方法不能很好 地将 图像边缘检测 出来. 考虑到 P N C N在图像分割 中的天然优势 和数学 形态学对 图像 的膨胀腐蚀 作用 , 采用 P N C N和数学形态学相结 合的方法对含有噪声 图像进 行边缘 检测. 实验结
果表 明 , 算法是有效可行 的. 该 关 键 词 : 冲 耦 合 神 经 网络 ; 学 形 态 学 ; 缘 检 测 ; 脉 数 边 图像 熵
维普资讯
第3 5卷 第 6期
20 0 8年 6月 应 ຫໍສະໝຸດ 用 科 技
Vo13 N 6 . 5. o.
A pi d S in e a d T c n lg p l ce c n e h oo y e
Jn 20 u .0 8
文章 编号 :0 9— 7 X( 0 8 0 0 0 10 6 1 2 0 ) 6— 0 7—0 4
基于三维脉冲耦合神经网络模型的医学图像分割信号与信息处理

S I u , CH NG Q a , Z ONG Jn H n J A in H i
S h o o mmu iaina dIfr t n E gn eig S a g a n vri , h n h i 0 0 2 hn c ol fCo n ct n nomai n i ern , h n h iU iest S a g a 0 7 ,C ia o o y 2
文章编号: 25 292 1)600—7 05— 7(000—6 9 8 0
S g e t t o fM e c lI a e a e n Thr e D i e i na e m n a ino di a m g s B s d o e m ns o lPule s Co upl d N e a e wo k M ode e ur lN t r l
i a ,c m put i n o pl xiy m ge o ato c m e t
人体组织器 官的三维 图像分割 是医学图像 分析 中
最 基 本 和 最 重 要 的环 节 之 一 , 是 医 学 图像 三 维 可 视 也
割方法 不能利用 三维序 列 图像 的空间信 息. 三维 整体 分割方法 充分利用 了三维 空间的位置信 息, 对每 个像
anwrl f pi a i g emett n n m dpo ut ta if m t n(MI,s rp s . ae n e e o ot lmae g nai , a e rd c muu l o ai P )ipo oe B sdo u r m s o r o n d
结合自适应脉冲耦合神经网络和最大类间方差准则的眼底图像血管自动检测方法

W u J u n Xi a o Zh i - - t a o Z h a n g F a n g Ge n g L e i Wa n g o f E l e c t r o n i c s a n d I n f o r m a t i o n E n g i n e e r i n g , T i a n i f n P o l y t e c h n i c U n i v e r s i t y , T i a n j i n 3 0 0 3 8 7 , C h i n a )
Co mb i n g Ad a pt i v e Pu l s e Co u pl e d Ne u r a l Ne t wo r k a nd Ma x i ma l
Ca t e g o r i e s Va r i a nc e Cr i t e r i o n f o r Bl o o d Ve s s e l s Aut o ma t i c De t e c t i o n i n F u nd us I ma g e
t o i mp r o v e t h e c o n t r a s t be t we e n b l o o d v e s s e l s a n d b a c k g r o u n d.Th e n b a s e d o n s i mp l i i f e d PCNN mo d e l a n d ma x i ma l c a t e g o r i e s v a r i a n c e c r i t e r i o n,t h e p r e p r o c e s s e d f un d u s i ma g e i s s e g me n t e d.I n i ma g e p r o c e s s i n g ,t h e
PCNN脉冲耦合神经网络

PCNN脉冲耦合神经网络从20 世纪90年代开始,由Eckhorn等对猫的视觉皮层神经元脉冲串同步震荡现象的研究,得到了哺乳动物神经元模型,对Eckhorn提出的模型进行一些改进,就得到了脉冲耦合神经网络模型。
它具有许多独特的优良特性:时空总和特性、动态脉冲发放特性和同步脉冲发放引起的振动与波动等特性。
分支树中有两个分支,馈送输入Fj和链接输入Lj,Fj/L j分别以相对较小/较大的时间常数τF/τL对神经元J某邻域内的其他神经元的输出进行漏电容积分加权和,此外Fj还接受该神经元的外部刺激Lj。
链接器以乘积耦合形式Uj=Fj(1+βLj)构成神经元J的内部行为Uj。
脉冲产生器由对网络输出进行漏电容积分的变阈值特性(起激活该神经元的作用)和硬限幅函数(起抑制该神经元的作用)组成,脉冲是否产生取决于内部行为大小能否超过其激发动态门限,且此门限值随着该神经元输出状态的变化发生变化。
当阈值θj小于Uj时,神经元被激活(即输出Yj=1),称之为点火一次,紧接着因为输出端对阈值的反馈使得阈值θj突然变高(通常Ve取值大),神经元又被抑制(即输出Y =0),从而在神经元输出端产生一个脉冲信号,此脉冲信号经过加权又连接到相邻神经元的输入端,从而影响这些神经元的激发状态,故该网络称为脉冲耦合神经网络。
PCNN的神经元j的离散方程形式为β:内部活动项的连接因子F、VF、τF:反馈输入域及其放大系数、衰减时间常数L、VL、τL:耦合连接域及其放大系数、衰减时间常数θ、Vθ、τθ:动态门限及其放大系数、衰减时间常数I:神经元强制激发的外部激励U:内部活动项Y:脉冲对于图像处理,它可以做相应的简化。
实现的功能:1. 图像去噪2. 图像增强:图像增强是指按照特定的要求突出一幅图像中的某些感兴趣信息,以获得更“好”的视觉效果的一种图像处理技术.这种“好”的评价是由图像的观察者给出的.根据人眼视觉的特性,提出了各种基于PCNN的图像增强算法3. 图像分割:将图像划分为一些互不重叠的区域,每一区域是像素的一个连续集4. 图像边缘检测5. 图像融合:图像融合(Image Fusion)技术是指将多源信道所采集到的关于同一目标的图像经过一定的图像处理,提取各自信道的信息,最后综合成同一图像以供观察或进一步处理。
脉冲耦合神经网络

1
PAPER DISCUSS
一.PCNN模型介绍 二.PCNN特性分析 三.问题与思考 四.基于PCNN的图像分割算法 五.基于PCNN的语音情感识别
2
PCNN模型
Eckhorn 等通过对小型哺乳动物大脑视觉皮层神经系统工作机理 的仔细研究,提出了一种崭新的网络模型脉冲耦合神经网络模型 (Pulse-Coupled Neural Network, PCNN )[1] 。 PCNN 来源于对哺乳 动物猫的视觉皮层神经细胞的研究成果,具有同步脉冲激发现象、阈 值衰减及参数可控性等特性。
12
PCNN特性
(5)相乘调制 单个的PCNN神经元中,信号 L j 与信号 Fj 进行相乘调制,从而使得 神经元与神经元之间拥有强联接权时,它们之间并不一定存在影响; 拥有弱联接权时,神经元之间却也可能存在影响。如两个联接的神经 元,若其中一个长期不点火,即使它们之间拥有强联接权,另一个神 经元也不会被激活。若两个神经元之间的联接权非常小,但其中一个 不断点火,则另一个神经元也会被激活。
U j Fj (1 j Lj )
6
脉冲产生部分
脉冲发生部分包括一个阈值可变的比较器和一个脉冲发生器。闭 值发生和脉冲发生可用下式表示: d T T j j V j Y j (t ) dt Y j Step(U j j ) 当神经元输出一个脉冲,神经元的阈值就通过反馈迅速得到提高。 当神经元的阈值超过时,脉冲产生器就被关掉,停止发放脉冲。接着 ,阈值就开始指数下降,当阈值低于时,脉冲产生器被打开,神经元 就被点火,即处于激活状态,输出一个脉冲或脉冲序列,因此一次“ 脉冲输出”也称为一次“点火”。
m,n
Fij (n) I ij U ij (n) Fij (1 Lij (n))
基于脉冲耦合神经网络金属拉链缺陷检测方法的研究

n e t w o r k ,P C NN)是 一 种 模拟 动物 大 脑 视 觉 皮层 的 同 步 发 放 脉 冲 特性 的人 工 神 经 元 模 型 , 具 有 良 好 的 尺 度 、旋 转 、变 形 和 强 度 不 变 性 的 特 征 , 因
研 究未 见报 道 。
针 对 金 属拉 链 的特 点和 脉 冲耦 合 神 经 网络 的
工 作 机 理 ,本 文 在 传 统 神 经 网 路 的基 础 上 提 出一 种 改 进型P C NN模 型 和数 学形 态学 相 结合 的 图像处
理 方 法 ,实 现 对 拉 链 外 观 质 量 检 验 。利 用脉 冲耦
作者简介:徐超 ( 1 9 7 3 一),男,安徽泗县人 ,副教授 ,研 究生 ,研 究方 向为船舶 电气 自动化 。
1 金 属 拉 链 外 观 缺 陷 检 测 系统 脉 冲 耦 合神 经网络模 型
由Ec k h o r n 提 出 的 脉 冲 耦 合 神 经 网 络 模 型
( P NC C)是 由若 干神 经 元相 互连 接组 成 的单 层反 馈 型 网 络 。但 在 金 属拉 链 自动 检 测 过 程 中 , 传统
O o i :1 0 . 3 9 6 9 / J . I s s n . 1 0 0 9 -0 1 3 4 . 2 0 1 3 . 0 9 (I - ) . 0 6
0 引言
随 着 我 国 经济 的 发展 和 产 业 结 构调 整 , 劳 动 力 成 本 显 著 增 加 ,改 进 生 产 工 艺 ,提 高 效 率 ,降
基于脉冲神经网络的轻量化SAR图像舰船识别算法

基于脉冲神经网络的轻量化SAR图像舰船识别算法
谢洪途;陈佳兴;张琳;朱楠楠
【期刊名称】《东北大学学报(自然科学版)》
【年(卷),期】2024(45)4
【摘要】针对传统方法进行合成孔径雷达(SAR)图像目标识别存在参数多、能耗高等问题,提出了一种基于脉冲神经网络(SNN)的轻量化SAR图像舰船识别算法.首先,利用视觉注意力机制提取SAR图像视觉显著图,采用泊松编码器进行脉冲序列编码,能抑制背景噪声干扰.然后,结合泄漏整合发射(LIF)脉冲神经元和卷积神经网络,构建融合时序信息的SNN模型,能实现SAR图像舰船识别.最后,采用反正切函数作为反向传播时脉冲发射函数的梯度替代函数对SNN模型进行优化,能解决模型难以训练的问题.实验结果表明所提算法具有高精度、少参数、高效率和低能耗等优势,能实现SAR图像高效准确舰船识别.
【总页数】9页(P474-482)
【作者】谢洪途;陈佳兴;张琳;朱楠楠
【作者单位】中山大学·深圳电子与通信工程学院;空军预警学院;中山大学系统科学与工程学院
【正文语种】中文
【中图分类】TN957.52;TP391.4
【相关文献】
1.探究基于深度学习神经网络的SAR图像目标识别算法
2.轻量化SAR图像舰船目标检测算法
3.基于卷积神经网络的SAR图像目标识别算法研究
4.探究基于深度学习神经网络的SAR图像目标识别算法
5.一种基于集成卷积神经网络的SAR图像目标识别算法
因版权原因,仅展示原文概要,查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
信 息 技 术
基 于 脉 冲耦 合 神 经 网络 的运 动 检 测 算 法
刘 丽 , 王保 增 , 陈瑞 生
( 1 . 甘 肃省陇南市气象局 , 甘肃 陇南 7 4 6 0 0 0; 2 . 兰州理工大学 机电工程学院 , 甘肃 兰州 7 3 0 0 5 0 )
2 P C N N 的 基 本 模 型
脉冲耦合 神经 网络就 是利用 神经元 的特性 构建
的, 是 一个 二 维单 层神 经 元 阵列 , 由脉 冲耦 合 神 经元 构
其中 , [ n ] 为 与第 ( i , ) 个 神 经 元 内部 活 动 项 , 卢 为 突触 之 间连接 调制 常量 。
[ 凡 ]一 [ 一1 ] e 一 + + ∑ z z [ 一 1 ] ( 2 )
其 中, £ , [ n ] 为第 ( i , ) 个 神经元相连 的其 它神经
元 的线 性输 入 。 式 1 、 2中 和 是 连 接权 重 矩 阵 , y为神 经 元 点 火 与 否 的信息 , n , 和 吼 为 时 间衰减 常量 , 和 为连 接和 反馈 常量 。 非线 性 连 接 调 制 部 分 也称 神 经元 内部 活 动项 , 它
, [ ] 一 F [ n一 1 ] e ~ + + ∑
l [ 一 1 ]( 1 )
其中 , F , [ n ] 为第( i , ) 个神经元 的反馈输入, 为
外部 输 人刺 激信 号 。 ,
另 一个 线性 连接 输入 通道 接 受局 部 相邻 神 经元 的
摘
要: 在研 究 P C N N算法的基础上 , 详细 论述 了 P C N N的数学 模 型与工 作原 理 , 提 出 了基 于 P C N N的运 动 目标 检测 算
法, 设计 了基于简化 P C N N模型 的运 动 目标检测算法流程 , 针对模 型的匹配 问题 , 结合双 阈值 思想 , 提出 白适 应局部 阈值
算关 系 为 :
个 高科技 研 究 领 域 , 是 信息科学、 脑科 学、 神 经 心 理
学 等 多种 学科 的研 究 热点 。人 工 神 经 网络 是 指模 拟 人 脑 神 经 网络 的结构 和 功能 , 运 用 大量 的处 理 部件 , 由人 工 方 式建 立起 来 的 网络 系统 。 早在 1 9 4 3年 , 神 经心 理学 家麦 克 洛 奇 和 数 学 家皮 兹 就 提 出 了形式 神经 元 的数 学模 型 ( M —P ) , 从 而 开创
为第 三 代人 工 神经 网络 的新 型人 工 神经 网络 模 型——
Байду номын сангаас
脉冲耦 合神经 网络模 型(P u l s e C o u p l e d N e t w o r k , P C —
N N) 的研究 在 国 内外兴 起 。这 种模 型是 通 过模 拟在 猫 的大脑 视 觉皮 层 中实验 所 观察 到 的 与特 征有 关 的神 经
方法 。实验证 明 , 该方 法在 目标和背景 的灰度差别对 比度较低 的条件下 , 能提高 目标检测 的完整性 , 该算法较传统 算法有 背景建模 快 、 抗干扰性 强等优 良特性 、 较好地解决背景 的多模 态问题 。为 以后研究 P C N N提供了理论基础 。 关键词 : 脉冲耦合神经 网络 ; 遗传算法 ; 运动检测 ; 高斯混合模 型
元 同 步行 为而 建 立 起 来 的 一 个 简 化 模 型 _ 2 J , 它 与 视 觉
由加有偏置的线性连接部分与反馈输入两部分相乘获
得 。其运 算关 系 为 : U ]=F q [ 凡 ] ( 1+ [ ] ) ( 3 )
神 经 系统 的感 知 能力有 着 天然 的联 系 。
突触 输 入信 息 , 其运 算关 系为 :
了神经科学理论研究 的时代 。2 0世 纪 8 O年代 由霍普
费尔 特 ( J .J .H o p i f e l d ) 提 出 了 HN N模 型 , 从 而有 力 的
推 动 了神经 网 络 的研 究 , 这 个 模 型 直 到现 在 还有 广 泛 的应 用 … 。随着 生 物 神 经 学 的研 究 和 发 展 , 一 种 被 称
其中 , O L 为 时问衰 减常数 , 为 门限常量 。
2 0 1 3 年( 第4 2 卷) 第1 期
很多的像素 , 这也是 P C N N为什么会 以相似 性集群产
生 同步脉 冲发 放 的原 因[ 5 3 。
脉 冲耦 合 神 经 网络 的作 用 过 程 : 神 经 元 接 受 反馈 输入 [ n ] 和 连 接输 入 L [ ] , 然后 在 其 内部 神 经元 活动 系统 形 成 内部 活动 项 U [ n ] , 当 [ 凡 ] 大 于动 态 门限 E n ] 时, 产生 输 出时序 脉 冲序列 [ 凡 ] 。
脉冲是否产生取决于内部活动项大小能否超过其 激发动态门限 , 而此 门限值随着该神经元输 出状态 的
作者简 介 : 刘丽 ( 1 9 7 9 一) , 女, 汉族 , 甘肃武都人 , 工程 师 , 主要研究 方向 : 计算 机应 用技术 , 现代气象应用 。
1 7
信 息技 术
变化 相应 发 生 变 化 , 则 根 据 对 门 限 函 数 要 进 行 调 整, 其运 算关 系为 :
成 。E c k h o m在 1 9 9 0年 根据 猫 的大 脑皮 层 同 步脉 冲发
1 概 述
神 经 网络 (N e u r a l N e t w o r k) 是 近 年来 再 度 兴起 的
一
放现 象, 提 出 了展 示 脉 冲 发 放 现 象 的联 接 模 型。
J o h n s o n 在该联 接模 型 的基础上 提出 了 P C N N , 其运