基于灰度共生矩阵的模糊神经网络FuCMAC在图像分割中的应用

文中提出了一种改进的CMAC神经网络(FuCMAC),与经典的FCMAC相比,其逼近精度得到提高,解决了CMAC系列神经网络逼近精度不高的弱点.在颅脑磁共振图像分割仿真实验中,把当前像素点的子图像的纹理特征和该像素点的灰度值作为该像素的特征向量,将该特征向量作为神经网络的输入,结果表明其具有较高的分割准确性.     

基于神经网络的医学图像分割研究(英文)

为了更好地分割医学图像,对传统的神经网络进行改进,对分割后的图像区域特征进行约减,以降低特征向量维数,同时抽取出规则,根据这些规则构造神经网络隐含层的神经元个数,确定神经网络的初始拓扑结构.然后用逆推学习算法迭代,得到最终的决策结果,即实现图像的分割.实验证明,该方法大大缩短了实验时间,提高了精度,并且得到优于常规的分割图像,满足图像处理的事实性要求.     

基于模糊系统的新型CMAC神经网络及学习算法

提出了一种基于模糊系统的新型CMAC神经网络，该神经网络与CMAC相比，它不需要对输入分量进行量化，而且能够根据实际问题的性质来初始化网络参数，有利于提高网络的收敛速度，与一般的FCMAC相比，它的逼近精度更高，能够解决CMAC系列网络逼近精度不高的弱点，所以此网络的实际应用前景更广阔，所做的大量仿真实验也证明了这一特性。     

基于稀疏自编码的手指静脉图像分割

针对获取的手指静脉图像不仅包含静脉特征,而且包含噪声和不规则阴影,从而增加了特征提取难度的问题,提出了一种基于稀疏自编码的手指静脉图像分割算法;首先采用传统分割算法对原始灰度图像进行分割,得到一副二值图像(背景像素值为0,静脉像素值为1);然后,以该灰度图像的每个像素点为中心,对其进行图像分块,并将二值图像中对应于中心点的值(0或者1)作为该块的标签,建立训练集合;最后,将训练样本(分块图像和标签)输入到自编码器和神经网络中进行训练,再用训练好的模型对测试图像进行分割;实验结果表明,相比传统的算法,提出的手指静脉分割算法能够有效地对静脉进行分割,提高手指静脉认证系统的认证精度。     

基于PCNN模型的区域生长图像分割

提出了一种结合区域生长算法和脉冲耦合神经网络进行图像分割的方法.该方法将待分割图像的像素点映射为PCNN模型中的神经元,把改进的脉冲耦合神经网络模型的点火频率同区域生长的理论结合起来进行图像分割.实验表明该方法分割的图像与传统的分割法相比具有边缘信息更加完整,区域划分更加准确,分割效果更能符合人眼视觉的识别特征.     

基于RGB空间的非经典K最近邻算法应用研究

为迅速、准确、无过多人工干预的进行图像分割,提出了一种K最近邻算聚类方法并将其应用于图像处理。与经典K最近邻算法在样本库中寻找最近邻点不同,该算法在待分割图像的RGB空间中寻找每一个像素点的K个最近邻点,参考所有像素点同最近邻点之间的平均距离,引入聚类阈值并对像素点的归属进行判断。对火焰图像的分割实验结果表明,在分割精度相接近的情况下,该算法的分割速度要快于其它几种常见算法。     

粗糙集CMAC神经网络故障诊断策略

提出一种基于粗糙集CMAC神经网络的智能互补融合的诊断策略．该策略利用粗糙集理论对数据样本进行数据浓缩．提取初步的诊断规则．对初步的诊断规则通过神经网络进行粗映射,利用神经网络的分类逼近能力,建立故障状态空间到诊断空间的精确映射．大大提高了神经网络的收敛速度和逼近精度．将该神经网络应用于的变压器故障诊断实例．结果表明．该神经网络具有分类逼近能力强．计算量小等优点．诊断正确率比普通神经网络的诊断正确率高．     

基于神经网络的自适应图像分割

非均匀光照条件下的图像目标难以用阈值选取方法分割，本文使用神经网络建立自适应阈值曲面，以此作为图像分割的依据．自适应阈值曲面由图像中具有高Ｌａｐｌａｃｅ值的边缘拟合而成，拟合过程由神经网络实现．计算机摸拟证实了此设想的可行性以及相对阈值分割方法的优越性．     

基于自组织映射神经网络的粘连字符分割

用自组织映射神经网络作为粘连字符分割的方法，对经典的自组织学习规则做了一些改进，使其以较少的神经元结点、较快的速度逼近粘连字符的白像素点的分布。     

基于玻耳兹曼原理的图像分割算法

针对图像分割算法中存在的难以自动处理和范化能力差等问题，基于热力学的玻耳原理和Metropolis准则，设计了一种新颖的图像分割算法．该算法在无需预先设定阈值的情况下，可高速地获得单像素、连续轮廓边界的分割图像，并通过调节温度系数，实现图像由概略到细节的分割，因此避免了过分割现象．该算法的分割时间随温度系数的减小而增加，而温度系数的减小造成分割类数增多所导致的像素点重复计算问题，可通过并行计算来改进．由对比实验证明，该算法在快速性、自动处理程度和范化能力性能指标上，明显优于常用的K聚类和可控竞争惩罚学习等图像分割算法．     

一种新的CMAC函数逼近器及其再励学习方法

针对复杂再励学习系统状态空间存在维数灾问题，结合多移动机器人协调避障路径规划实际应用，用非均匀模糊分割方法将状态空间分解成模糊子空间，相应地将小脑模型连接控制器网络（Cerebellar Model Articulation Controller,CMAC)函数逼近器改进为模糊CMAC（Fuzzy CMAC,FCMAC)函数逼近器，并将FCMAC函数逼近器置入滞后更新多步Q（Pstphoned-Updating Multi-Stp Q-learning,PUMSQ)学习笮算法，提出FCMAC－PUMSQ学习算法，仿真实验证明，该算法有效且有较好的鲁棒性，FCMAC函数逼近器有较好的收敛速度和泛化能力。     

一种基于模糊CMAC自学习模糊逻辑系统及其在控制中的应用

把HCMA（Hyperball Cerebellar Model Articulation Conroller)与模糊逻辑理论有机结合起来，形成FHCMAC（Fuzzy HCMAC)，它便于从输入输出数据中提取模糊规则，直接用作控制器。可以将FHCMAC看作用基函数网络实现的模糊逻辑系统，兼有HCMAC神经网络和模糊逻辑两者的优点，即可以较容易表达定性或模糊的经验知识，又具有很好的学习性能，应用仿真实例验证了其有效性，该方法可应用于难以获取模糊规则的吻合。     

基于GA的CMAC与PID控制器的设计与仿真

将遗传算法(GA)、比例-积分-微分(PID)控制器和小脑模型控制器(CMAC)神经网络的优点结合起来，设计了一种新的CMAC与PID并行控制器，并用改进的遗传算法对该控制器的五个参数进行寻优，很好地解决了PID控制参数调整繁琐和CMAC神经网络参数学习困难的问题.仿真结果表明，该方法具有超调量小和响应时间短的特点.     

一种基于PCNN的参数自适应图像分割方法

针对在基于脉冲耦合神经网络（PCNN）模型的图像分割中,如何确定合适的网络参数的问题,提出一种基于PCNN的参数自适应图像分割方法。该方法通过设定神经元合适的捕获范围和连接值,综合利用图像像素邻域的灰度信息,结合PCNN网络参数间的相互联系,实现对模型参数自动确定。仿真实验表明,该方法可有效地对不同图像进行自适应分割。与传统的PCNN图像分割方法相比具有一定的优越性。     

Image Segmentation Based on Period Difference of the Oscillation

A new method for image segmentation based on pulse neural network is proposed. Every neuron in the network represents one pixel in the image and the network is locally connected. Each group of the neurons that correspond to each object synchronizes while different groups of the neurons oscillate at different period. Applying this period difference, different objects are divided. In addition to simulation, an analysis of the mechanism of the method is presented in this paper.     

基于CMAC神经网络的工业过程稳态优化

提出一种利用CMAC (cerebellar model articulation controller)神经网络进行工业过程的辨识和稳态优化方法.利用CMAC神经网络的优点,基于系统的动态信息,在不干扰系统正常运行的情况下获得当前时刻下系统的稳态模型,并在此模型的基础上,对系统进行稳态优化和仿真.仿真结果证明了该方法的有效性.     

BMAC网络及其在函数学习中的应用

论述了将n阶B样条函数运用到CMAC网络中形成BMAC网络的过程,并讨论了BMAC网络感受域函数和网络输出特性.BMAC网络与CMAC网络相比,克服了输入状态空间和输出状态空间离散化的缺点,具有连续的输入状态空间和输出状态空间.在函数学习中通过与CMAC网络的对比,体现出了BMAC网络具有逼近速度快,精度高的特性,同时也得出了学习参数及网络权值初始化对学习速度及逼近精度的影响规律.     

基于Zernike矩和BP神经网络的纹理分割

提出了一种基于Zernike矩和BP神经网络的纹理分割方法.对图像的每个像素,选择一个窗口,计算该窗口内的Zernkie矩,然后通过非线性变换器将得到的矩值转换成纹理特征;选择BP神经网络作为分类器,将图像的每个像素得到的n维特征向量输入BP神经网络进行分类,最后将结果标注在原图像上.和基于Legendre矩的纹理分割结果相比,基于Zernike矩的纹理分割可以降低分割错误率.