PCNN的原理及其应用

本文综述了一种新的有生物学依据的人工神经网络——脉冲藕合神经网络(PCNN—Pulse Coupled NeuralNetworks)的模型与原理,同时分析并总结了其特性与其在图象处理、图象识别、运动目标识别、通讯、决策优化等方面的应用, 并指出了今后PCNN的研究重点。

基于并行点火PCNN模型的图像分割新方法

提出一种并行点火脉冲耦合神经网络(Parallelized firing pulse coupled neural networks,PFPCNN)模型的图像分割方法.首先用改进的Unit—linking PCNN(ULPCNN)模型对图像进行增强,便于后续的图像分割.然后采用PFPCNN新模型对增强后的图像进行分割,最后用最大香农熵方法判定最佳分割结果.各种复杂场景下的仿真实验及定量评价表明,本文提出的图像分割方法,其效果明显优于常规的PCNN分割方法。

基于改进PCNN模型的对称中值滤波方法

为滤除灰度图像中椒盐噪声同时保留图像细节,提出了一种椒盐噪声滤波算法.首先利用改进PCNN模型执行一次点火操作从而定位灰度图像中噪声像素点位置,然后利用提出的对称检测中值滤波算法对已定位的噪声点进行滤波而其他位置像素信息保持不变.实验仿真表明,新提出的方法对噪声密度低于60%的椒盐噪声图像较已有的滤波算法有更优异的滤波性能.该算法能有效滤除噪声而且对图像的边缘细节保留完整,实验结果证明了算法的有效性.

基于最优PCNN模型的织物疵点自动检测

脉冲耦合神经网络(PCNN)直接来自于动物视觉特性的研究,它可以准确地检测到织物疵点的存在。但因目前理论上很难解释PCNN模型参数与图像识别效果之间的关系,为了获得较好的图像识别效果,需要多次的实验来选择PCNN模型参数。本文提出了一种根据织物纹理的特征,自动选择最优化PCNN模型参数的方法。实验结果表明,优化后PCNN模型可以有效地提取到纹理图像局部的灰度和空间邻近的特征信息,从而获得理想的织物疵点检测效果。

一种基于局部特征的PCNN电力故障区域提取方法

为有效提取红外图像中电气设备的故障或异常区域,提出一种新的红外图像故障区域提取方法。以脉冲耦合神经网络(PCNN)同步点火机理为依据,通过简化其内部参数,同时在参数优化配置下结合故障区域和非故障区域邻域边界的局部特征,设置PCNN模型迭代结束规则,从而使模型能进行自适应迭代,并获取红外图像故障区域。针对实际的红外检测图像进行实验,结果表明,与Otsu、k-means、分水岭及改进的PCNN方法相比,该方法具有较好的故障区域提取性能。

基于PCNN的迷宫最短路径求解算法

本文根据脉冲耦合神经网络(PCNN)并行运行的特点,提出了基于PCNN模型的迷宫最短路径搜索算法。从理论上对该算法进行了分析和讨论,并给出了具体的算法和实验结果,验证了该方法的有效性。与其他算法相比,该方法可以在最短的时间内完成最短路径的搜索。

基于图像复杂度的PCNN边缘检测新算法

针对脉冲耦合神经网络(PCNN)模型在数字图像处理中存在的参数庞大、自适应设置和迭代终止条件判定困难等问题,提出了一种基于图像复杂度的PCNN边缘检测新算法。该算法从PCNN数学模型出发,在保留模型同步脉冲发放特性和捕获特性的基础上,对模型进行了数学形式上的简化,减少了模型中参数的数量,同时结合图像复杂度提出参数自适应设置方法。经过实验论证,结果表明该算法能获得完整的图像边缘轮廓和细节,实现PCNN模型实用化、智能化。

基于多尺度空间PCNN模型的图像分割算法

运动车辆图像中车牌具有所占比例小、位置不固定和大小不一的特点,因此,对车辆图像分割时车牌区域容易产生过分割与欠分割问题.脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)被誉为"第三代神经网络"并广泛应用于图像分割.在利用PCNN模拟人类视觉的图像分割过程中,由于传统PCNN模型中的连接矩阵使用固定值表示,使得PCNN模型不能满足图像分割时尺度变化的需求.为了解决这个问题,本文提出了基于多尺度空间PCNN模型的车辆图像分割算法,将尺度空间引入PCNN模型,使PCNN模型具有了尺度特性,提高了系统自适应分割车牌图像的能力.

PCNN在图像处理中的应用

简要介绍了有生物学依据的新型人工神经网络——脉冲耦合神经网络（PCNN），总结了近年来PCNN用于图像处理方面的研究成果，阐述了PCNN在图像去噪、图像增强、图像分割、图像边缘检测、图像融合、图像阴影去除、最小路径求解等方面的各种新算法．研究发现，PCNN可有效用于图像处理．虽然PCNN解决图像处理的不同问题时算法各异，但都用到了PCNN的脉冲传播特性。最后指出了今后PCNN的一些研究热点．

基于PCNN的高斯混合模型运动检测改进方法

针对固定摄像机的视频监控系统,提出了一种改进的基于混合高斯模型的运动目标检测方法.改进方法引入PCNN算法,针对模型匹配问题,提出自适应局部阈值算法并结合区域增长思想,利用PCNN的迭代计算,逐步检测出运动目标.实验表明,改进的方法与传统方法相比具有更好的运动目标检测能力,在运动目标和背景的灰度值差别比较小的情况下,能改善其运动目标检测的效果.

改进的PCNN模型在多光谱与全色图像融合中的应用研究

介绍了PCNN模型原理,提出了基于双通道自适应的PCNN多光谱与全色图像融合算法。该算法首先将RGB空间的多光谱图像转换为HSV彩色空间,然后将HSV彩色空间中的非彩色通道(V通道)的灰度像素值和全色图像的像素灰度值分别作为PCNN-1及PCNN-2的神经元输入,利用方向性信息作为自适应链接强度系数,对非彩色通道图像和全色图像进行自适应分解,再将点火时间序列送入判决因子得到新的非彩色通道图像,最后将原多光谱图像的H通道分量、S通道分量及新的V通道分量经HSV空间逆变换获得最终的融合图像。实验结果表明,该算法不仅解决了链接强度系数自动设置的问题,而且充分考虑到图像边缘和方向特征的影响,无论在主观视觉效果,还是客观评价标准上均优于IHS、PCA、小波融合等其他图像融合算法,同时降低了计算复杂度。

基于改进PCNN的数据降噪方法

为去除数据中存在的噪声点,提高数据质量,提出一种基于改进PCNN的数据降噪方法。该方法在无耦合链接的简化PCNN模型基础上,改进阈值函数,添加记录神经元是否点火的矩阵以及点火时间矩阵,根据神经元初次点火时间辨识并去除噪声点,从而实现数据降噪。实验测试结果表明:该算法能够有效滤除数据中的噪声点,很好地保持原始数据的特征。

基于稀疏表示和NSCT-PCNN的红外与可见光图像融合

针对小波变换容易造成细节信息丢失、非下采样轮廓波变换(NSCT)分解的低频子带系数不稀疏以及红外与可见光图像融合结果综合性能不佳的问题,提出了一种基于稀疏表示和NSCT-PCNN的红外与可见光图像融合算法。首先将源图像进行NSCT分解,获得低、高频子带;其次,利用K奇异值分解(K-SVD)算法对低频子带进行字典训练,实现低频子带的稀疏表示和低频稀疏系数的融合;然后,利用高频子带的空间频率激励脉冲耦合神经网络(PCNN),选择较大点火次数的系数作为高频子带的融合系数;最后对低、高频子带融合系数进行NSCT逆变换,得到融合的图像。实验结果表明,该算法在视觉效果和客观指标方面均具有较大优势,且融合结果综合性能优于现有算法。

基于改进PCNN算法的光网络RWA问题的研究

针对波分复用光网络在动态业务下的路由和波长分配问题,本文将一种改进的脉冲耦合神经网络(PCNN——Pulse Coupled Neural Networks)算法引入到光网络路由选择中,并将波长分配与分层图模型相结合,通过改变PCNN神经元的点火方式以及控制自动波的传播时间模拟路径代价,使得网络路由选择具有了PCNN的并行处理特性。结合波长分配算法进行仿真,结果表明,本算法与传统的最短路径算法相比,总能得到全局最优解且计算量小,降低了网络的呼叫阻塞率,提高了对网络资源的利用。

基于PCNN的图像边缘检测方法

通过对PCNN点火特性的分析,提出了一种利用PCNN点火阶梯特性和图像灰度统计特性进行图像边缘检测的新方法。在PCNN参数的设置过程中,采用了自适应设置的方法,使得该算法具有较好的实用性。仿真实验表明该方法可以有效地实现图像的边缘检测。

基于PCNN的自动图像分割

脉冲耦合神经网络(PCNN)模型在数字图像分割中得到了广泛的应用,但对网络参数的确定以及最优结果的选则一直是一个难题,主要是以人工经验为主,虽然提出了一些参数自动设置的算法,但都缺乏对模型本身数学理论的研究和分析.通过对PCNN网络神经元点火特性的分析,提出了一种基于图像最大灰度值最小时刻点火的参数自适应设定算法,并针对该算法构造了一种新的用于最优结果选择的判定准则.将其用于lena等图像分割中,取得了与主观评价相一致的结果,而且表现出更快的速度和较好的鲁棒性.

基于HSV空间优化耦合参数PCNN的人眼定位方法

为解决人眼定位中受光照、人脸姿态、人眼开闭影响的问题,提出了一种HSV空间肤色模型与优化耦合参数的脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)相结合的人眼定位算法。将RGB空间图像转化为HSV空间图像,根据肤色检测人脸图像,利用优化耦合参数PCNN模型良好的捕捉特性及衰减特性,对图像进行分割,提取出人眼范围,利用形态学运算对图像进行增强处理,去除背景干扰,精确定位人眼。实验结果表明,所提算法在不同光照条件、不同人脸姿态,人眼闭合均能成功定位,且具有定位准确、速度快、不受人眼开闭程度影响的特点。

基于视觉注意机制PCNN模型的车牌图像分割方法

车辆图像中车牌具有所占比例小、位置不固定、大小不一,以及分割易受光照影响的特点.因此,车牌图像的分割始终是车辆跟踪、车辆识别等领域中的难点问题.针对以上问题,本文提出了基于视觉注意机制脉冲耦合神经网络模型的车牌图像分割方法.该方法将视觉注意机制中的数据驱动模式和任务驱动模式相结合.数据驱动模式中,通过对PCNN模型细胞感受野功能的完善,使优化PCNN模型具有了尺度性和方向性.任务驱动模式中,针对不同尺度的分割,利用组合不变矩和局部灰度熵,自适应地确定目标的特征尺度和最佳尺度,并确定该目标最终的分割结果.经实验验证,该方法对车牌图像具有较好的分割效果.

基于PCNN的交通路径寻优算法研究

路径寻优作为智能交通系统的重要组成部分,搜索效率需要提高,但是目前的算法未能快速准确地实现大规模交通路网路径寻优的计算功能。本文提出脉冲耦合神经网络(PCNN)求解最短路径,根据PCNN独特的自动波并行传播特性,结合大规模路网"节点数目多、结构复杂"的特点,采用PCNN改进模型。各神经元点火形成脉冲波在路网传播,记录最先到达脉冲波走过的路径为最短路径。最后给出路径搜索实现算法并与蚁群算法、Dijkstra算法比较,通过实例验证了改进模型和算法的有效性,该算法对求解大规模实时问题具有一定优越性。

用BERT和改进PCNN模型抽取食品安全领域关系

为了提高食品安全领域关系抽取的效率和准确性,该研究在收集食品安全领域语料的基础上,对语料中相应的实体和关系进行标注,构建可用于食品安全领域关系抽取的专业数据集。同时,提出面向食品安全领域的基于BERT-PCNN-ATT-Jieba的关系抽取模型,该模型使用基于转换器的双向编码器表征量(Bidirectional Encoder Representations from Transformers,BERT)预训练模型生成输入词向量,并结合分段卷积神经网络(Piecewise Convolutional Neural Network,PCNN)模型的分段最大池化层能极大程度捕获句子局部信息的特点,在分段最大池化层与分类层之间添加了注意力机制,以进一步提取高层语义。此外,考虑中文语料的特性,在BERT模型进行随机掩码切分之前,采用Jieba分词技术对中文语料进行分词,PCNN模型在执行掩码语言模型(Masked Language Model,MLM)时以词为单位进行掩码,使得输入到训练模型中的句子尽可能减少语义损失,以实现更高效的关系抽取。在该研究构建的数据集基础上,将BERT-PCNN-ATT-Jieba模型与经典的卷积神经网络(Convolutional Neural Network,CNN)、PCNN模型、以及结合BERT的CNN、PCNN、PCNN-ATT、PCNN-Jieba等6个模型进行比较,该研究提出的BERT-PCNN-ATT-Jieba模型取得更优的性能,其准确率达到84.72%,召回率达到81.78%,F值达到83.22%。该模型为食品安全领域的知识抽取提供参考,为该领域知识图谱的自动化构建节约了成本,同时为基于该领域知识图谱的知识问答、知识检索、数据共享及食品安全智慧监管等应用提供依据。