PCNN模型改進及參數(shù)調整研究.pdf

1、脈沖耦合神經網(wǎng)絡(Pulse Coupled Neural Network，簡記為PCNN)是以感知器和激活函數(shù)為計算單元的神經網(wǎng)絡之后的新型神經網(wǎng)絡模型。由于同時考慮了神經生物學的時間編碼和空間累積特性，PCNN模型具有傳統(tǒng)人工神經網(wǎng)絡不可比擬的優(yōu)勢，包括脈沖耦合特性，非線性相乘調制特性，神經元鄰域捕捉特性和指數(shù)衰減的閾值機制等。因此，PCNN在圖像分割領域具有廣泛的應用前景。
　　近年來，對PCNN的研究不斷深入，但PCNN與

2、真正的生物視覺模型還有一段距離，存在進一步發(fā)展和完善的空間。模型參數(shù)調整，模型特性挖掘以及模型運行效率逐漸成為PCNN領域的重要研究內容。
　　首先，本文將圖像梯度、圖像局部熵和灰度關聯(lián)度三個圖像的重要局部特征與脈沖耦合神經網(wǎng)絡的參數(shù)結合，完成了參數(shù)鏈接強度和鏈接權值的自動調整，根據(jù)不同準則對最佳迭代次數(shù)的選取及分割效果進行了分析。
　　其次，考慮到無耦合連接PCNN分割結果的一些區(qū)域不符合人類視覺對目標和背景的判斷以及脈沖

3、耦合神經元單方向捕捉的特性，本文用神經元的充分正向捕捉特性定位目標區(qū)域中符合定義的暗點區(qū)域（將其定義為目標區(qū)域的高相似性區(qū)域），用神經元的充分反向捕捉特性定位背景區(qū)域中符合定義的亮點區(qū)域（將其定義為背景區(qū)域的高相似性區(qū)域），將無耦合連接PCNN分割結果與高相似性區(qū)域進行邏輯運算，得到圖像的分割結果。實驗結果說明，此方法保持了分割結果中目標和背景的完整性。
　　最后，本文在分析脈沖耦合神經網(wǎng)絡用于圖像分割固有缺陷的基礎上，結合神經生