基于動(dòng)態(tài)遞歸RBF神經(jīng)網(wǎng)絡(luò)的圖像恢復(fù)技術(shù)研究.pdf

1、國(guó)內(nèi)外專(zhuān)家學(xué)者在過(guò)去幾十年中對(duì)圖像恢復(fù)進(jìn)行了廣泛而深入的研究，提出了一些有效的圖像恢復(fù)算法，但這些傳統(tǒng)的方法都存在各自的局限性。神經(jīng)網(wǎng)絡(luò)能夠有效地解決圖像恢復(fù)的非線性模型，而且不需要知道先驗(yàn)知識(shí)?；谏窠?jīng)網(wǎng)絡(luò)的圖像恢復(fù)能夠避免傳統(tǒng)方法的一些不足，成為新的研究熱點(diǎn)。 RBF神經(jīng)網(wǎng)絡(luò)(RBFNN)是一種高效的前饋式神經(jīng)網(wǎng)絡(luò)，它具有其他前向網(wǎng)絡(luò)所不具有的最佳逼近性能和全局最優(yōu)特性，并且結(jié)構(gòu)簡(jiǎn)單，訓(xùn)練速度快。本文在研究RBFNN基礎(chǔ)上將

2、其與WLP網(wǎng)絡(luò)結(jié)合構(gòu)成遞歸神經(jīng)網(wǎng)絡(luò)，探討了一種動(dòng)態(tài)遞歸RBFNN(DRRBFNN)模型并用于圖像恢復(fù)；然后運(yùn)用自適應(yīng)遺傳算法(AGA)對(duì)其參數(shù)進(jìn)行優(yōu)化，提出了一種基于自適應(yīng)遺傳算法的DRRBFNN(AGA-DRRBFNN)，避免了人工選擇網(wǎng)絡(luò)參數(shù)的弊端。本文的主要工作總結(jié)如下： (1)對(duì)圖像恢復(fù)技術(shù)進(jìn)行了討論，并重點(diǎn)研究了人工神經(jīng)網(wǎng)絡(luò)在圖像恢復(fù)中的應(yīng)用，分析了人工神經(jīng)網(wǎng)絡(luò)在圖像恢復(fù)應(yīng)用中的研究動(dòng)態(tài)和發(fā)展趨勢(shì)。 (2)對(duì)R

3、BF神經(jīng)網(wǎng)絡(luò)的基本原理進(jìn)行了研究，分析了RBF神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)，網(wǎng)絡(luò)結(jié)構(gòu)以及映射方式，并重點(diǎn)對(duì)RBFNN的訓(xùn)練算法做了全面的研究和總結(jié)。 (3)研究了一種動(dòng)態(tài)遞歸RBFNN模型，著重研究了網(wǎng)絡(luò)訓(xùn)練算法中的最近鄰聚類(lèi)學(xué)習(xí)算法和梯度下降學(xué)習(xí)算法，在分析了這兩種學(xué)習(xí)算法的性能基礎(chǔ)上將二者結(jié)合用于DRRBFNN的訓(xùn)練。并分析討論了影響網(wǎng)絡(luò)分類(lèi)精度和收斂速度的中心寬度參數(shù)γ和收斂參數(shù)K。通過(guò)實(shí)驗(yàn)驗(yàn)證了上述方法對(duì)于含有椒鹽噪聲的圖像有較好