计算机工程
計算機工程
계산궤공정
Computer Engineering
2015年
8期
227-232
,共6页
蔺想红%张宁%崔文博%冯丽霞
藺想紅%張寧%崔文博%馮麗霞
린상홍%장저%최문박%풍려하
脉冲神经网络%最大Shannon熵%图像分割%感受野%编码策略
脈遲神經網絡%最大Shannon熵%圖像分割%感受野%編碼策略
맥충신경망락%최대Shannon적%도상분할%감수야%편마책략
spiking neural network%maximum Shannon entropy%image segmentation%receptive field%coding strategy
基于首脉冲触发时间编码策略,提出一种应用脉冲神经网络模型进行图像分割的方法.在输入层采用首脉冲触发时间编码策略将图像的像素值转换为神经元的脉冲发放时间,将编码结果以感受野为单位送入中间层,通过阈值电位控制神经元的脉冲发放,在输出层根据分割阈值将神经元的脉冲发放时间分成2类,输出分割结果,并使用最大Shannon熵准则分析感受野大小、阈值电位和分割阈值等参数的变化对图像分割结果的影响.通过对具有噪声的复杂图像进行分割,并与最大类间方差法和基于最大熵的脉冲耦合神经网络方法进行比较,实验结果表明,该方法对噪声图像的鲁棒性较强,能获得较好的分割结果.
基于首脈遲觸髮時間編碼策略,提齣一種應用脈遲神經網絡模型進行圖像分割的方法.在輸入層採用首脈遲觸髮時間編碼策略將圖像的像素值轉換為神經元的脈遲髮放時間,將編碼結果以感受野為單位送入中間層,通過閾值電位控製神經元的脈遲髮放,在輸齣層根據分割閾值將神經元的脈遲髮放時間分成2類,輸齣分割結果,併使用最大Shannon熵準則分析感受野大小、閾值電位和分割閾值等參數的變化對圖像分割結果的影響.通過對具有譟聲的複雜圖像進行分割,併與最大類間方差法和基于最大熵的脈遲耦閤神經網絡方法進行比較,實驗結果錶明,該方法對譟聲圖像的魯棒性較彊,能穫得較好的分割結果.
기우수맥충촉발시간편마책략,제출일충응용맥충신경망락모형진행도상분할적방법.재수입층채용수맥충촉발시간편마책략장도상적상소치전환위신경원적맥충발방시간,장편마결과이감수야위단위송입중간층,통과역치전위공제신경원적맥충발방,재수출층근거분할역치장신경원적맥충발방시간분성2류,수출분할결과,병사용최대Shannon적준칙분석감수야대소、역치전위화분할역치등삼수적변화대도상분할결과적영향.통과대구유조성적복잡도상진행분할,병여최대류간방차법화기우최대적적맥충우합신경망락방법진행비교,실험결과표명,해방법대조성도상적로봉성교강,능획득교호적분할결과.