《时空编码脉冲耦合神经网络理论及应用》PDF下载

  • 购买积分:12 如何计算积分?
  • 作  者:顾晓东著
  • 出 版 社:北京:科学出版社
  • 出版年份:2017
  • ISBN:9787030548054
  • 页数:313 页
图书介绍:本书结合作者多年来从事的研究工作系统介绍了时空编码脉冲耦合神经网络(PulseCoupledNeuralNetwork,PCNN)的原理及应用。与传统的只有空间编码的平均点火率神经网络相比,脉冲耦合神经网络具有更强的信息处理能力。在图像处理及模式识别等方面:将其用于阴影去除、去噪、分割、细化、边缘提取、颗粒分析、空洞滤波、道路提取、目标跟踪和图像检索等,并由数学形态学得到了图像处理通用设计方法;将具有不变性的全局时间签名及提出的能反映局部变化的局部时间签名用于机器人导航、目标识别、图像认证等方面。在仿生建模方面,提出方位柱模型、目标轮廓同步振荡模型、拓扑知觉注意力选择模型等。在优化方面,将其用于通信中最优路径的选择等。

第1章 绪论 1

1.1 人工神经网络的缘起 1

1.2 平均点火率神经网络 2

1.2.1 平均点火率神经网络的发展历程 2

1.2.2 平均点火率神经网络的局限性 3

1.3 脉冲神经网络 4

1.3.1 脉冲神经网络的发展回顾 4

1.3.2 脉冲神经网络信息编码 6

1.4 本书的内容及组织安排 7

1.4.1 本书内容 7

1.4.2 本书组织安排 9

1.5 本章小结 10

参考文献 10

第2章 脉冲耦合神经网络基本理论 18

2.1 脉冲耦合神经元及其简化模型 18

2.1.1 脉冲耦合神经元模型及分析 18

2.1.2 单位连接脉冲耦合神经元模型及分析 23

2.1.3 脉冲耦合神经元与平均点火率神经元的区别 27

2.2 脉冲耦合神经网络 27

2.2.1 脉冲耦合神经网络的连接方式 27

2.2.2 脉冲耦合神经网络动态行为分析 29

2.3 脉冲耦合神经网络的特性与应用 33

2.3.1 脉冲耦合神经网络的特性 33

2.3.2 脉冲耦合神经网络的应用 34

2.3.3 脉冲耦合神经网络的硬件实现 36

2.4 脉冲耦合神经网络的发展前景 37

2.5 本章小结 39

参考文献 40

第3章 基于PCNN的图像处理与模糊数学及粗集理论 50

3.1 基于Unit-linking PCNN的图像分割 50

3.1.1 基于Unit-linking PCNN及图像熵的图像分割方法 51

3.1.2 基于直方图及边缘乘积互信息的Unit-linking PCNN图像分割 57

3.2 基于Unit-linking PCNN的图像阴影去除 65

3.2.1 基于Unit-linking PCNN的图像阴影去除方法及分析 65

3.2.2 Unit-linking PCNN阴影去除方法在道路检测中的应用 74

3.3 基于PCNN的图像去噪及与模糊数学的结合 77

3.3.1 基于PCNN的图像去噪 77

3.3.2 基于PCNN及模糊算法的四值图像去噪 81

3.4 基于PCNN与粗集理论的图像增强 84

3.4.1 粗集理论简介 84

3.4.2 基于PCNN与粗集理论的图像增强方法及仿真 85

3.4.3 仿真及分析 87

3.5 本章小结 88

参考文献 89

第4章 PCNN图像处理通用设计方法与数学形态学 94

4.1 Unit-linking PCNN与数学形态学的关系 94

4.1.1 图像处理中的数学形态学 94

4.1.2 网络中脉冲传播和数学形态学的等价关系 96

4.2 Unit-linking PCNN图像处理通用设计方法及应用 97

4.2.1 Unit-linking PCNN图像处理通用设计方法 97

4.2.2 Unit-linking PCNN颗粒分析及形态学分析 97

4.2.3 基于Unit-linking PCNN的图像斑点去除方法及形态学分析 102

4.2.4 基于Unit-linking PCNN的边缘检测方法及形态学分析 104

4.2.5 基于Unit-linking PCNN的空洞滤波方法及形态学分析 107

4.2.6 基于Unit-linking PCNN的细化方法及形态学分析 110

4.3 本章小结 117

参考文献 117

第5章 Unit-linking PCNN特征提取及应用 120

5.1 Unit-linking PCNN全局图像时间签名 120

5.2 Unit-linking PCNN局部图像时间签名 127

5.3 基于Unit-linking PCNN全局图像时间签名的目标识别 130

5.4 基于Unit-linking PCNN图像时间签名的机器人自主导航 135

5.4.1 发育机器人自主导航流程 135

5.4.2 增量分层回归法 136

5.4.3 增量主元分析方法 140

5.4.4 非平稳视频流导航中Unit-linking PCNN全局图像时间签名的性能 142

5.4.5 Unit-linking PCNN时间签名应用于平稳视频流的机器人导航 142

5.5 基于粒子滤波及Unit-linking PCNN图像时间签名的目标跟踪 144

5.5.1 粒子滤波简介 145

5.5.2 粒子滤波目标跟踪 145

5.5.3 Unit-linking PCNN图像时间签名应用于粒子滤波目标跟踪 146

5.6 基于Unit-linking PCNN局部图像时间签名的图像认证 151

5.6.1 基于内容及数字签名的图像认证 151

5.6.2 基于Unit-linking PCNN局部图像时间签名的图像认证 151

5.7 基于Unit-linking PCNN特征提取的图像检索 154

5.7.1 用于图像检索的Unit-linking PCNN特征 155

5.7.2 相似度 160

5.7.3 仿真及分析 163

5.8 本章小结 172

参考文献 173

第6章 PCNN车牌和静脉识别及多值模型数据分类 179

6.1 基于Unit-linking PCNN的车牌识别 179

6.1.1 车牌识别概述 180

6.1.2 Unit-linking PCNN应用于车牌定位 182

6.1.3 Unit-linking PCNN应用于车牌字符分割 187

6.1.4 基于Unit-linking PCNN的车牌字符识别 190

6.2 Unit-linking PCNN应用于手静脉识别 193

6.2.1 手静脉识别概述 193

6.2.2 Unit-linking PCNN细化方法应用于手静脉识别 194

6.2.3 实验结果及讨论 196

6.3 多值脉冲耦合神经网络及应用 198

6.3.1 多值脉冲耦合神经网络 198

6.3.2 基于多值模型脉冲波的数据分类 200

6.4 本章小结 205

参考文献 206

第7章 基于Unit-linking PCNN的静态及动态路径寻优 212

7.1 基于时延Unit-linking PCNN的静态最短路径求解 212

7.1.1 时延Unit-linking PCNN 213

7.1.2 基于时延Unit-linking PCNN的最短路径求解 214

7.1.3 仿真及分析 217

7.2 基于带宽剩余率及Unit-linking PCNN的静态路径寻优 218

7.2.1 基于带宽剩余率及Unit-linking PCNN的最优路径求解 219

7.2.2 仿真及分析 222

7.3 基于Unit-linking PCNN的动态网络最优路径求解 224

7.3.1 概述 224

7.3.2 基于Unit-linking PCNN的最优路径动态求解方法 226

7.3.3 仿真及分析 228

7.4 本章小结 235

参考文献 236

第8章 PCNN与注意力选择和拓扑性质知觉理论的结合及应用 238

8.1 PCNN与心理学注意力选择的结合 238

8.1.1 心理学注意力选择计算模型 239

8.1.2 PQFT与Unit-linking PCNN相结合的沙漠车辆识别 241

8.1.3 PQFT与Unit-linking PCNN相结合的海上目标识别 249

8.1.4 基于PCNN和PQFT的足球检测与跟踪 251

8.2 基于PCNN与拓扑性质知觉理论的注意力选择 257

8.2.1 拓扑性质知觉理论 258

8.2.2 基于PCNN和拓扑知觉的注意力选择 259

8.2.3 基于PCNN、光流场及拓扑知觉的运动目标注意力选择 275

8.3 本章小结 281

参考文献 281

第9章 Unit-linking PCNN方位检测及同步振荡注意力选择 288

9.1 模型概述 288

9.1.1 结构 288

9.1.2 所建模型与生物视觉系统的关系 289

9.2 基于Unit-linking PCNN的仿生方位检测 290

9.2.1 Unit-linking PCNN边缘检测 290

9.2.2 用Unit-linking PCNN模仿生物视觉皮层的方位检测 292

9.2.3 仿真及分析 296

9.3 具有Top-down机制的Unit-linking PCNN注意力选择 298

9.3.1 Unit-linking PCNN注意力选择概述 298

9.3.2 目标轮廓链码 299

9.3.3 Unit-linking PCNN注意力选择层 300

9.3.4 仿真及分析 310

9.4 本章小结 311

参考文献 312