目錄
《信息科學技術(shù)學術(shù)著作叢書》序
前言
第1章 緒論 1
1.1 人工神經(jīng)網(wǎng)絡的緣起 1
1.2 平均點火率神經(jīng)網(wǎng)絡 2
1.2.1 平均點火率神經(jīng)網(wǎng)絡的發(fā)展歷程 2
1.2.2 平均點火率神經(jīng)網(wǎng)絡的局限性 3
1.3 脈沖神經(jīng)網(wǎng)絡 4
1.3.1 脈沖神經(jīng)網(wǎng)絡的發(fā)展回顧 4
1.3.2 脈沖神經(jīng)網(wǎng)絡信息編碼 6
1.4 本書的內(nèi)容及組織安排 7
1.4.1 本書內(nèi)容 7
1.4.2 本書組織安排 9
1.5 本章小結(jié) 10
參考文獻 10
第2章 脈沖耦合神經(jīng)網(wǎng)絡基本理論 18
2.1 脈沖耦合神經(jīng)元及其簡化模型 18
2.1.1 脈沖耦合神經(jīng)元模型及分析 18
2.1.2 單位連接脈沖耦合神經(jīng)元模型及分析 23
2.1.3 脈沖耦合神經(jīng)元與平均點火率神經(jīng)元的區(qū)別 27
2.2 脈沖耦合神經(jīng)網(wǎng)絡 27
2.2.1 脈沖耦合神經(jīng)網(wǎng)絡的連接方式 27
2.2.2 脈沖耦合神經(jīng)網(wǎng)絡動態(tài)行為分析 29
2.3 脈沖耦合神經(jīng)網(wǎng)絡的特性與應用 33
2.3.1 脈沖耦合神經(jīng)網(wǎng)絡的特性 33
2.3.2 脈沖耦合神經(jīng)網(wǎng)絡的應用 34
2.3.3 脈沖耦合神經(jīng)網(wǎng)絡的硬件實現(xiàn) 36
2.4 脈沖耦合神經(jīng)網(wǎng)絡的發(fā)展前景 37
2.5 本章小結(jié) 39
參考文獻 40
第3章 基于PCNN的圖像處理與模糊數(shù)學及粗集理論 50
3.1 基于Unit-linking PCNN的圖像分割 50
3.1.1 基于Unit-linking PCNN及圖像熵的圖像分割方法 51
3.1.2 基于直方圖及邊緣乘積互信息的Unit-linking PCNN圖像分割 57
3.2 基于Unit-linking PCNN的圖像陰影去除 65
3.2.1 基于Unit-linking PCNN的圖像陰影去除方法及分析 65
3.2.2 Unit-linking PCNN陰影去除方法在道路檢測中的應用 74
3.3 基于PCNN的圖像去噪及與模糊數(shù)學的結(jié)合 77
3.3.1 基于PCNN的圖像去噪 77
3.3.2 基于PCNN及模糊算法的四值圖像去噪 81
3.4 基于PCNN與粗集理論的圖像增強 84
3.4.1 粗集理論簡介 84
3.4.2 基于PCNN與粗集理論的圖像增強方法及仿真 85
3.4.3 仿真及分析 87
3.5 本章小結(jié) 88
參考文獻 89
第4章 PCNN圖像處理通用設計方法與數(shù)學形態(tài)學 94
4.1 Unit-linking PCNN與數(shù)學形態(tài)學的關系 94
4.1.1 圖像處理中的數(shù)學形態(tài)學 94
4.1.2 網(wǎng)絡中脈沖傳播和數(shù)學形態(tài)學的等價關系 96
4.2 Unit-linking PCNN圖像處理通用設計方法及應用 97
4.2.1 Unit-linking PCNN圖像處理通用設計方法 97
4.2.2 Unit-linking PCNN顆粒分析及形態(tài)學分析 97
4.2.3 基于Unit-linking PCNN的圖像斑點去除方法及形態(tài)學分析 102
4.2.4 基于Unit-linking PCNN的邊緣檢測方法及形態(tài)學分析 104
4.2.5 基于Unit-linking PCNN的空洞濾波方法及形態(tài)學分析 107
4.2.6 基于Unit-linking PCNN的細化方法及形態(tài)學分析 110
4.3 本章小結(jié) 117
參考文獻 117
第5章 Unit-linking PCNN特征提取及應用 120
5.1 Unit-linking PCNN全局圖像時間簽名 120
5.2 Unit-linking PCNN局部圖像時間簽名 127
5.3 基于Unit-linking PCNN全局圖像時間簽名的目標識別 130
5.4 基于Unit-linking PCNN圖像時間簽名的機器人自主導航 135
5.4.1 發(fā)育機器人自主導航流程 135
5.4.2 增量分層回歸法 136
5.4.3 增量主元分析方法 140
5.4.4 非平穩(wěn)視頻流導航中Unit-linking PCNN全局圖像時間簽名的性能 142
5.4.5 Unit-linking PCNN時間簽名應用于平穩(wěn)視頻流的機器人導航 142
5.5 基于粒子濾波及Unit-linking PCNN圖像時間簽名的目標跟蹤 144
5.5.1 粒子濾波簡介 145
5.5.2 粒子濾波目標跟蹤 145
5.5.3 Unit-linking PCNN圖像時間簽名應用于粒子濾波目標跟蹤 146
5.6 基于Unit-linking PCNN局部圖像時間簽名的圖像認證 151
5.6.1 基于內(nèi)容及數(shù)字簽名的圖像認證 151
5.6.2 基于Unit-linking PCNN局部圖像時間簽名的圖像認證 151
5.7 基于Unit-linking PCNN特征提取的圖像檢索 154
5.7.1 用于圖像檢索的Unit-linking PCNN特征 155
5.7.2 相似度 160
5.7.3 仿真及分析 163
5.8 本章小結(jié) 172
參考文獻 173
第6章 PCNN車牌和靜脈識別及多值模型數(shù)據(jù)分類 179
6.1 基于Unit-linking PCNN的車牌識別 179
6.1.1 車牌識別概述 180
6.1.2 Unit-linking PCNN應用于車牌定位 182
6.1.3 Unit-linking PCNN應用于車牌字符分割 187
6.1.4 基于Unit-linking PCNN的車牌字符識別 190
6.2 Unit-linking PCNN應用于手靜脈識別 193
6.2.1 手靜脈識別概述 193
6.2.2 Unit-linking PCNN細化方法應用于手靜脈識別 194
6.2.3 實驗結(jié)果及討論 196
6.3 多值脈沖耦合神經(jīng)網(wǎng)絡及應用 198
6.3.1 多值脈沖耦合神經(jīng)網(wǎng)絡 198
6.3.2 基于多值模型脈沖波的數(shù)據(jù)分類 200
6.4 本章小結(jié) 205
參考文獻 206
第7章 基于Unit-linking PCNN的靜態(tài)及動態(tài)路徑尋優(yōu) 212
7.1 基于時延Unit-linking PCNN的靜態(tài)最短路徑求解 212
7.1.1 時延Unit-linking PCNN 213
7.1.2 基于時延Unit-linking PCNN的最短路徑求解 214
7.1.3 仿真及分析 217
7.2 基于帶寬剩余率及Unit-linking PCNN的靜態(tài)路徑尋優(yōu) 218
7.2.1 基于帶寬剩余率及Unit-linking PCNN的最優(yōu)路徑求解 219
7.2.2 仿真及分析 222
7.3 基于Unit-linking PCNN的動態(tài)網(wǎng)絡最優(yōu)路徑求解 224
7.3.1 概述 224
7.3.2 基于Unit-linking PCNN的最優(yōu)路徑動態(tài)求解方法 226
7.3.3 仿真及分析 228
7.4 本章小結(jié) 235
參考文獻 236
第8章 PCNN與注意力選擇和拓撲性質(zhì)知覺理論的結(jié)合及應用 238
8.1 PCNN與心理學注意力選擇的結(jié)合 238
8.1.1 心理學注意力選擇計算模型 239
8.1.2 PQFT與Unit-linking PCNN相結(jié)合的沙漠車輛識別 241
8.1.3 PQFT與Unit-linking PCNN相結(jié)合的海上目標識別 249
8.1.4 基于PCNN和PQFT的足球檢測與跟蹤 251
8.2 基于PCNN與拓撲性質(zhì)知覺理論的注意力選擇 257
8.2.1 拓撲性質(zhì)知覺理論 258
8.2.2 基于PCNN和拓撲知覺的注意力選擇 259
8.2.3 基于PCNN、光流場及拓撲知覺的運動目標注意力選擇 275
8.3 本章小結(jié) 281
參考文獻 281
第9章 Unit-linking PCNN方位檢測及同步振蕩注意力選擇 288
9.1 模型概述 288
9.1.1 結(jié)構(gòu) 288
9.1.2 所建模型與生物視覺系統(tǒng)的關系 289
9.2 基于Unit-linking PCNN的仿生方位檢測 290
9.2.1 Unit-linking PCNN邊緣檢測 290
9.2.2 用Unit-linking PCNN模仿生物視覺皮層的方位檢測 292
9.2.3 仿真及分析 296
9.3 具有Top-down機制的Unit-linking PCNN注意力選擇 298
9.3.1 Unit-linking PCNN注意力選擇概述 298
9.3.2 目標輪廓鏈碼 299
9.3.3 Unit-linking PCNN注意力選擇層 300
9.3.4 仿真及分析 310
9.4 本章小結(jié) 311
參考文獻 312