洪水灾情评价的脉冲耦合神经网络模型

洪水灾情的评价工作对洪水灾害的分类管理具有重要的指导意义。脉冲耦合神经网络模型应用到洪水灾情评价中是一次新尝试,该方法通过脉冲输出从而调节阈值,并且应用动态阈值来确定洪水灾情的等级。这个方法比传统的BP模型简化了权值的训练,模型更加简便、直观。采用脉冲耦合神经网络模型得出的评价结果同灰色关联法、灰色聚类法、灰色模糊综合法的评价结果进行了比较,表明其用于洪水损失评价具有科学性和实用性。

基于改进的脉冲耦合神经网络模型的图像分割

提出了一种改进的脉冲耦合神经网络(Receptive field-pulse coupled neural net-works,RF-PCNN)模型。通过感受野模型对连接矩阵的优化,使脉冲耦合神经网络(Pulsecoupled neural networks,PCNN)模型具有了方向性和尺度性,能够更好地模拟视觉细胞图像分割的功能。试验结果表明:RF-PCNN模型对自然环境中车辆图像分割的有效性,分割结果具有较高的边界检出率,较好地解决了图像分割中车牌区域存在的欠分割和过分割问题。

基于脉冲耦合神经网络模型的小波自适应斑点噪声滤除算法

分析了维纳滤波原理和脉冲耦合神经网络(PCNN)模型的特点,根据斑点噪声统计模型的特征,结合小波变换方法,提出了一种基于PCNN模型的小波自适应斑点噪声滤除算法(W-PCNN-WD)来改善超声图像质量。首先,对超声图像进行对数变换,使斑点噪声转换为加性噪声;对医学图像进行维纳滤波处理,计算其加性噪声的标准方差,并以此作为小波阈值。然后,利用小波变换对图像进行预处理,利用PCNN在小波域中对小波系数进行相应的修正。最后,进行小波逆变换和指数变换,获得滤除噪声的图像。结果表明:本文提出的滤波方法优于其他滤波方法,当噪声方差为0.01时,本文滤波算法获得的峰值信噪比(PSNR)比经Wiener滤波方法获得的高出9dB。该滤波方法能在有效去除超声斑点噪声的基础上保留图像的边缘细节信息,极大地改善了图像的视觉质量。

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

该文将脉冲耦合神经网络模型从二维平面扩展到三维空间,同时提出一种新的乘积型互信息算法,将其作为脉冲耦合神经网络分割算法的最优分割准则,并将两者结合实现三维医学图像的整体自动分割.利用该文提出的算法对三维CT肺部图像进行分割实验,结果表明,该算法在保证分割精度的基础上显著地减少了分割运行时间,提高了分割效率,具有应用于医学图像分割的潜在价值.

反馈式脉冲耦合神经网络模型及应用研究

脉冲耦合神经网络模型自从被提出以来,在图像处理领域得到了广泛的应用,现在被称为第三代神经网络模型。反馈式脉冲耦合神经网络模型是在其基础上,通过将脉冲耦合神经网络的输出二值图像相或和异或后反馈到输入端,从而建立起反馈的框架,对退化输入图像进行相应分量的提取,在此基础上进行图像信号的合成,从而实现了退化图像的增强。试验仿真结果验证了该模型的实用性和可信性。

基于简化自适应脉冲耦合神经网络模型和非下采样剪切波变换的多模态图像融合算法研究

目的:提出一种简化自适应脉冲耦合神经网络(PCNN)模型和非下采样剪切波变换(NSST)的CT和MR图像融合算法,用于PCNN模型构建融合规则。方法:采用NSST变换将已配准的CT和MR图像分解成高频和低频子图像,分别采用基于平方差之和与方向梯度特征之和的PCNN模型融合低频子图像;而高频子图像采用绝对值取大与方向梯度特征之和进行融合。采用NSST逆变换重建融合图像,选取哈佛大学脑图库8组临床实例的CT和MR图像进行仿真试验,仿真算法为本研究算法和5种基于NSST变换的融合算法,采用互信息、空间频率、标准差、边缘强度和相似度对融合图像质量进行评估。结果:定性分析与其他5种基于NSST变换的算法相比,基于图像融合算法获得的融合图像对比度、清晰度和边缘强度均最佳;本研究算法所得定量结果中互信息为2.71%~13.63%,空间频率为12.25%~73.69%,标准差为1.86%~26.33%,边缘强度为0.37%~29.90%,相似度为0.37%~67.07%,均比5种基于NSST变换的算法有不同程度提升。结论:基于简化自适应PCNN模型和NSST变换的融合算法性能优越,是一种可行的CT和MR图像融合算法。

一种基于优化脉冲耦合神经网络模型的图像分割算法

图像分割是图像处理领域的重要研究内容之一,是图像处理和分析的基础.针对基于脉冲耦合神经网络模型的图像分割,提出一种基于PCNN的参数自适应图像分割方法.实验表明,本文提及的方法能普遍适用于分割数字图像,能较好提高算法的全局搜索能力,避免算法陷入局部最优,给出的模型不仅能获得良好的分割效果,并且分割时间短.

基于Harris矩阵的脉冲耦合神经网络模型

分割含有弱边界、对比度低的图像目标时,传统的脉冲耦合神经网络模型难以得到有效的分割效果,主要原因是动态阈值的衰减时间常数固定,衰减速度固定,分割弱边界时,输出的脉冲信号难以准确描述目标区域,产生误分割现象。为了解决这一问题,本文采用Harris矩阵获取图像梯度信息,特别是弱边界的梯度信息,提出动态阈值的衰减速度与图像的梯度信息有关,当梯度信息大时,动态阈值的衰减快,当梯度信息小时,动态阈值的衰减速度慢,给出动态阈值的新定义。通过对弱边界、对比度低的图像进行仿真对比实验,说明本文算法的分割效果优于传统脉冲耦合神经网络模型。

一种改进衰减时间常数的脉冲耦合神经网络模型

在传统脉冲耦合神经网络模型(PCNN)中,当神经元的内部活动项大于动态阈值时输出脉冲,根据输出脉冲分割出图像目标。分割弱边界的图像目标时,由于动态阈值的衰减时间常数固定不变,动态阈值的衰减速度过快或过慢于理论需要的衰减速度时,影响神经元的内部活动项与动态阈值的比较,发送错误的脉冲信号,产生误分割现象。为了解决这一问题,本文利用人眼对图像亮度的敏感性,使动态阈值的衰减速度与人眼对亮度的敏感度相一致,提出将人眼亮度权重系数作为动态阈值的衰减时间常数的系数,得到新的动态阈值。通过对含有弱边界、目标不规则、目标像素点的灰度值与背景像素点的灰度值存在重叠区域的图像进行仿真对比实验,实验结果说明本文提出的算法优于传统脉冲耦合神经网络模型。

基于栅格元的脉冲耦合神经网络模型

传统脉冲耦合神经网络模型描述神经元之间的内在联系时,仅仅考虑神经元之间的空间位置信息,忽略了神经元之间的灰度信息,使神经元之间的连接权值不准确,易产生误分割现象。为了解决这一问题,本文采用栅格元的响应函数作为神经元之间的连接权值,得到新的连接输入项。在新的连接权值中,不仅考虑了局部区域的灰度信息,而且考虑了局部区域的方差信息,同时继承了栅格元神经元的优点,即具有较强的方向性、位置相对性和周期性。通过对遥感图像、生活图像、血管图像进行仿真对比实验,实验结果说明本文提出的算法优于传统脉冲耦合神经网络模型。

基于感觉亮度的脉冲耦合神经网络模型

在脉冲耦合神经网络模型中,为了寻找最优衰减时间常数,基于韦伯-费赫涅尔定律,考虑到人眼的感觉亮度与实际亮度对数之间的线性关系,提出将人眼的感觉亮度作为动态阈值的衰减时间常数,使神经元动态阈值的衰减速度更符合人眼的亮度感觉。对含有弱边界、对比度低的图像目标进行仿真对比实验。实验结果表明,提出的算法性能优于传统脉冲耦合神经网络模型。

基于改进脉冲耦合神经网络模型的真空电弧燃烧过程研究

真空开关开断电流过程中电弧形态演变和特征量变化过程是决定真空开关开断能力的关键特性之一。该文首先建立改进脉冲耦合神经网络(PCNN)模型,对真空电弧图像进行多值分割;然后利用形态学技术对分割电弧图像进行连通域选取和边缘噪声滤波,用于量化描述动触头位移、电弧面积等特征参数;最后结合特征参数曲线和电弧实验图像,对整个开断过程中真空电弧产生、发展和熄灭等燃烧过程展开定量和定性分析。研究结果表明,改进 PCNN 模型适用于处理边缘区域灰度梯度变化大的真空电弧图像,呈现出细节特征丰富、边缘清晰、噪声低和分割精度高等特点;结合电弧特征参数和实验结果对电弧燃烧过程进行定量和定性分析,相比前期研究工作更加细化深入;不同峰值电弧电流对电弧面积、电弧最大面积出现时刻、电弧各燃烧阶段持续时间和转变过程均有很大影响。本文将定量计算和定性分析相结合,较深入地研究了真空开关开断过程中电弧的燃烧过程,研究工作对真空电弧调控策略的提出具有一定的参考价值。

基于改进的脉冲耦合神经网络模型的图像融合

脉冲耦合神经网络模型PCNN(Pulse Coupled Neural Network)运行时间长、效率低等特点,现提出了一种改进的脉冲耦合神经网络模型用于图像融合。通过对多聚焦距图像和医学图像进行了实验,同时与小波变换、拉普拉斯变换等图像融合算法进行了比较。研究结果表明:方法简化了PCNN模型,减少了PCNN运行的时间。在主观视觉和客观评价上均具有良好的效果。

基于剪切波变换和脉冲耦合神经网络的图像融合方法研究

图像融合的目的是将多个来源的图像合并,从而产生1个包含所有原始图像信息的新图像。传统的图像融合方法可能损失一些重要信息或导致图像失真,因此研究新的图像融合方法具有重要意义。作为新兴技术,剪切波变换和脉冲耦合神经网络在图像融合中的应用潜力尚未被充分发掘。文章致力于研究这2种技术在图像融合中的效果,并提出结合两者的新方法。

基于脉冲耦合神经网络的图像分割算法分析

为进一步提高脉冲耦合神经网络(PCNN)在图像分割中的性能,文章研究了基于PCNN模型的图像分割算法,并探讨其模型简化算法,旨在减少其中的参数量,从而提高图像分割处理效率和分割效果。借助Girl属性图像进行仿真验证,通过与OTSU算法及LevelSet算法的分割效果进行对比,文章论证了算法的有效性及可行性。实验结果表明,该算法具有显著的分割效果。

基于EEMD-NGO-LSTM神经网络耦合的月径流预测模型及应用

为了提高径流序列的稳定度和精度,减小参数优化不当导致的非线性误差,研究将长短期记忆神经网络(LSTM)、集成经验模态分解(EEMD)和北方苍鹰优化算法(NGO)相结合,构建了EEMD-NGO-LSTM耦合预测模型。将此预测模型应用于模拟东辽河中下游的控制总站——王奔水文站2012年~2021年逐月径流过程,并与鲸鱼算法(WOA)以及灰狼算法(GWO)优化的长短期记忆神经网络进行模型比较。结果表明,EEMD-NGO-LSTM耦合预测模型的超参数迭代速度最快,精度最高,预测结果最接近实测值,其决定系数R^(2)为0.8643。而后采用CMIP6气候模式(SSP126情景)下的2030年的降水、气温数据输入模型进行预测,在气温上升1℃,降水不变的情景下,年径流量将增加6.61%;在降水升高5%,气温不变的情景下,年径流量将增加6.95%;在气温上升1℃、降水升高5%的情境下,年径流量将增加22.16%。

基于BP神经网络的水中双爆源爆炸冲击波峰值压力预测模型研究

为了获得水中等质量两爆源同步爆炸时冲击波耦合中心的峰值压力计算模型,利用Autodyn计算得到不同药量和爆距下的峰值压力数据.一方面根据量纲分析确定的函数形式拟合数据从而获得峰值压力的计算公式;另一方面对药量、爆距及峰值压力三类数据进行对数变换和归一化,并将其分为训练集和测试集,然后将训练集代入BP神经网络进行训练,得到结构相对简单、均方误差最小的BP神经网络预测模型.结果表明:公式计算结果和BP神经网络模型计算得到的峰值压力与实际值吻合较好,公式计算值与实际值的平均相对误差为1.08%,BP神经网络预测值与实际值的平均相对误差为0.52%,与公式计算相比,BP神经网络能够以更少的数据样本容量实现更高的精度预测.

基于不同神经网络模型预测体测成绩

为更加准确地反应当前学生的身体素质情况,基于多个不同的神经网络模型构建体测成绩预测模型,为降低体测成绩中各项目数据之间的相关性,使用主成分分析法对数据集进行处理。使用BP神经网络结合脉冲神经网络构建一个预测模型,加强模型处理分析数据集的能力,提高预测的准确性。在长短期记忆神经网络中加入注意力机制构建另一个预测模型,使模型更加关注数据集中的关键信息。通过实验,预测模型输出的预测值与实际值的重合率高达90%以上,预测准确率整体在95%以上。

基于耦合神经网络的步态识别方法

主流步态识别过程中识别率易受到视角变化的影响,使用耦合网络模型解决最小类间距离大于最大类内距离的问题,利用步态样本比对解决识别问题。用二值图像序列合成步态能量图,联合使用逻辑回归与对比损失函数对模型进行训练优化,实验验证耦合神经网络的步态识别性能,并与普通卷积神经网络模型(CNNs)的识别结果进行对比。在背包与大衣遮挡情况下的识别率达到73.7%和60.5%,高于CNNs的识别率,并提高了遮挡情况下步态识别精确度。

双通道量子脉冲耦合神经网络

脉冲耦合神经网络(PCNN)在图像处理领域应用广泛,改进的双通道脉冲耦合神经网络(DPCNN)也在图像融合领域具有优异性能。为了将量子计算的优异并行性能与双通道脉冲耦合神经网络相结合,降低其算法复杂度,提出了双通道量子脉冲耦合神经网络(DQPCNN)。该模型使用量子逻辑门构建量子模块,如量子全加器、量子乘法器和量子比较器,构建了一个适用于DQPCNN的量子图像卷积模块,并采用这些模块完成DQPCNN所需的计算。通过仿真实验证明了DQPCNN的有效性,DQPCNN的复杂度与其他模型相比具有明显优势。