基于細(xì)胞神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究.pdf

1、隨著基于CNN算法的發(fā)展和CNN芯片的完善，一方面，帶動(dòng)了新一輪的神經(jīng)網(wǎng)絡(luò)研究熱潮。另一方面，由于CNN芯片的發(fā)展與完善，其并行高速的特點(diǎn)使大數(shù)據(jù)量、大運(yùn)算量的CNN算法在硬件上獲得了很大的實(shí)時(shí)性支持。因此，很有必要研究基于細(xì)胞神經(jīng)網(wǎng)絡(luò)的應(yīng)用及其算法的相關(guān)實(shí)現(xiàn)。 本文主要研究了細(xì)胞神經(jīng)網(wǎng)絡(luò)三方面的應(yīng)用，具體內(nèi)容如下： 提出了基于自適應(yīng)遺傳算法的CNN模板設(shè)計(jì)算法。通過(guò)對(duì)交叉概率和變異概率的改進(jìn)以及遺傳算子的設(shè)計(jì)，克服了基

2、于簡(jiǎn)單遺傳算法設(shè)計(jì)模板時(shí)算法容易早熟的不足，并采用準(zhǔn)精確懲罰函數(shù)來(lái)設(shè)計(jì)適應(yīng)度函數(shù)，降低了算法的運(yùn)算量，提高了算法的收斂速度。 提出了基于主動(dòng)輪廓圖像分割模型的CNN實(shí)現(xiàn)算法。提出用梯度場(chǎng)和GVF場(chǎng)的有機(jī)組合作為外力場(chǎng)，構(gòu)建了與該算法有關(guān)的擴(kuò)展模塊模板和細(xì)化模塊模板，并進(jìn)行了仿真，對(duì)仿真結(jié)果進(jìn)行了分析和對(duì)比，最后證明了該算法能有效地克服傳統(tǒng)實(shí)現(xiàn)算法計(jì)算復(fù)雜度高的不足。另外該算法易于硬件實(shí)現(xiàn)和并行處理，使Snake模型可以用于高速圖