基于混沌脉冲耦合神经网络系统的信号跟踪

根据脉冲耦合神经网络能产生混沌现象,研究了对混沌PCNN系统配置控制序列来达到对参考信号追踪的方法。基于离散线性系统的稳定性理论,根据参考信号情况,配置不同参数,设计不同的控制序列来改变混沌系统,达到信号跟踪的要求。仿真和实验结果证明了该算法的有效性,实现了混沌PCNN系统对参考信号的追踪。     

基于脉冲耦合神经网络的结构损伤检测方法研究

机械结构的损伤发展到一定程度,会对其功能产生严重影响,所以及早检测出损伤非常必要。针对机械结构在损伤发生时其内部能量分布会发生变化的情况,对加速度计测得的结构振动信号进行短时傅立叶变换,获得可以反映能量分布的时频谱图。使用脉冲耦合神经网络提取时频谱图的熵序列特征,很好地识别了结构的损伤。使用上述方法对简支梁的损伤进行了实验研究,验证了其有效性和实用性。     

基于脉冲耦合神经网络的运动检测算法

在研究PCNN算法的基础上,详细论述了PCNN的数学模型与工作原理,提出了基于PCNN的运动目标检测算法,设计了基于简化PCNN模型的运动目标检测算法流程,针对模型的匹配问题,结合双阈值思想,提出白适应局部阈值方法。实验证明,该方法在目标和背景的灰度差别对比度较低的条件下,能提高目标检测的完整性,该算法较传统算法有背景建模快、抗干扰性强等优良特性、较好地解决背景的多模态问题。为以后研究PCNN提供了理论基础。     

基于脉冲耦合神经网络的目标特征抽取方法

为解决待识别目标的特征抽取问题,提出了一种脉冲耦合神经网络结合形状信息的图像混合特征抽取方法。该方法利用脉冲耦合神经网络将图像空域信号转化为时域信号的特性,结合物体形状信息,对图像的灰度和形状进行了统一描述。实验结果证明,该方法在一定程度上对物体的形变、平移、缩放不敏感,对目标识别系统是一种很好的特征抽取方法。     

基于脉冲耦合神经网络和形态学的边缘检测

阐述了脉冲耦合神经网络(pulse coupled neural network,PCNN)模型的基本工作原理.对于含有噪声的图像,用传统的边缘检测方法不能很好地将图像边缘检测出来.考虑到PCNN在图像分割中的天然优势和数学形态学对图像的膨胀腐蚀作用,采用PCNN和数学形态学相结合的方法对含有噪声图像进行边缘检测.实验结果表明,该算法是有效可行的.     

基于改进型脉冲耦合神经网络的关键路径求解

 在脉冲耦合神经网络(PCNN-Pulse Coupled Neural Network)的基础上,提出了改进型脉冲耦合神经网络(mPCNN-modified PCNN)模型,并将其用于AOE-网的关键路径问题的求解.该方法通过快速并行计算,一次正向计算即可求解AOE-网的所有关键路径,与传统方法相比体现了较好的优势.     

脉冲耦合神经网络的人脸识别方法

 在脉冲耦合神经网络(PCNN,pulse coupled neural network)中,基于神经元脉冲震荡的时间序列概念,利用平均时间序列和平均欧氏距离的方法实现了人脸识别.实验仿真表明了该方法的有效性,对不同人脸和复杂表情的人脸均具有较好的识别效果.     

基于RBF神经网络的混沌背景下瞬态弱信号检测

针对海杂波背景下瞬态弱信号检测的问题,采用海杂波混沌模型,基于神经网络重构混沌序列相空间,提出了基于RBF神经网络预测混沌时间序列和瞬态弱信号检测方案。理论分析和仿真结果表明这种方法能够有效实现混沌背景噪声中瞬态弱信号的检测。     

基于忆阻脉冲耦合神经网络的图像去噪

为解决传统脉冲耦合神经网络的参数不固定问题,在图像处理中应用忆阻元件突出的记忆属性,提出了 应用两个忆阻元器件反向并联模拟脉冲神经网络中的神经元间的连接强度,构建新型忆阻脉冲神经网络,实现 神经元间连接强度动态可变化,再将该新型网络用于图像去噪问题。通过Matlab 仿真实验,验证了改进后的 新型网络在图像去噪方面的良好性能,并通过峰值信噪比和图像相似度指标证明了该方法用于图像去噪具有 较好的效果。     

脉冲控制的双向耦合混沌广义同步

基于Lyapunov稳定性和脉冲控制理论,研究了脉冲控制的双向耦合混沌系统的广义同步问题,理论给出了系统间达到广义同步时的充分条件。用混沌系统及超混沌系统进行了数值仿真,仿真结果验证了该方法的有效性。     

Pulse Coupled Neural Network Edge-Based Algorithm for Image Text Locating

This paper presents a method for locating text based on a simplified pulse coupled neural network (PCNN).The PCNN generates a firings map in a similar way to the human visual system with non-linear image processing.The PCNN is used to segment the original image into different planes and edges detected using both the PCNN firings map and a phase congruency detector.The different edges are integrated using an automatically adjusted weighting coefficient.Both the simplified PCNN and the phase congruency energy...     

基于LM算法的BP神经网络的混沌背景下瞬态弱信号检测

分析了BP神经网络的改进算法,用神经网络实现混沌时间序列相空间重构,用基于LM算法的BP神经网络对混沌背景进行预测,从而检测出信号。     

基于小波变换的双通道脉冲耦合神经网络图像融合

提出了一种基于小波变换的双通道脉冲耦合神经网络的图像融合方法.先使用小波变换的方法来分解配准后的各个源图像,进而得到各个源图像的低频分量和高频分量,再把得到的低频和高频系数进行融合处理,使用高斯加权平均的低频融合规则来处理低频子带,利用双通道脉冲耦合神经网络的融合规则处理各高频子带,链接系数为图像的清晰度.融合后的小波系数取决于点火图和点火次数的多少,最后的融合图像由小波逆变换得到.实验结果表明,该方法能更有效地提取原始图像的特征信息,在主观视觉效果以及客观性能指标上较传统算法都有所改善.     

混沌背景下基于小波神经网络的弱信号检测

依据Takens嵌入定理提出了一种基于小波神经网络（WNN）的强混沌背景中微弱信号的检测方法。该方法利用混沌系统的单变量值对混沌背景重构相空间，采用小波神经网络所具有的强大的学习能力和非线性处理能力建立了混沌背景噪声的一步预测模型，使其与混沌背景噪声具有相同的基本动力学特征，并通过设定合适的预测误差门限来检测掩埋在混沌背景中的有用微弱信号。仿真结果验证了该方法的可行性。     

一种改进的深度卷积神经网络的精细图像分类

精细图像分类不同于传统的图像分类,由于精细图像自身的类间相似性和类内差异性,传统的基于手工特征和局部特征组合方法已经很难完整地表达精细图像的特征,因此提出了一种基于改进的深度卷积神经网络模型.由于深度卷积神经网络结构参数和神经元数量巨大,训练模型困难,所以采用高斯分布对前6层参数初始化,其中激活函数采用校正之后的Relus-Softplus函数,在花卉图像数据库OXford-102 flowers中TOP1准确率达到85.75%,TOP3准确率达到了94.50%.实验结果表明:该模型在中等规模数据集上比传统方法优势明显,且比未改进的CNN模型识别率高.     

纹理特征抽取和纹理识别的神经网络系统

本文提出一个纹理特征抽取和纹理识别的神经网络系统,它含有一基于纹理回归模型的特征抽取网络和一个纹理识别的多层神经网络,尤其是前者是一个能求解回归系数的,神经网络,不仅解决了纹理特征抽取问题,而且解决了一大类采用最小二乘估计的应用问题,因而具有一定通用性.     

基于FPGA的混沌神经网络的硬件实现

简要介绍Aihara混沌神经网络及数字化硬件实现的参数选择方法,并通过FPGA对其硬件实现。对所实现的混沌神经网络的输出状态进行分析,结果表明具有良好的混沌特性。