文献翻译PCNN模型及其应用.docx
- 文档编号:25063463
- 上传时间:2023-06-04
- 格式:DOCX
- 页数:42
- 大小:845.95KB
文献翻译PCNN模型及其应用.docx
《文献翻译PCNN模型及其应用.docx》由会员分享,可在线阅读,更多相关《文献翻译PCNN模型及其应用.docx(42页珍藏版)》请在冰豆网上搜索。
文献翻译PCNN模型及其应用
PCNN模型及其应用
约翰·L·约翰逊和玛丽娄帕吉特,会员,IEEE
摘要-本文将描述脉冲耦合神经网络模型。
其链接领域调制术语显示其网络模型是生物基础性树状模型的普遍特征。
本文将综述和回顾神经网络模型的应用与实现并且基于应用程序的变化与简化进行总结。
本文将在新的细节方面对神经网络图像图解进行阐释。
关键词-树状模型,脉冲神经网络模型因式分解,脉冲耦合神经网络
1介绍
从霍金和赫胥黎的开创性研究到最近关于内部树状脉冲生成研究,神经元电化学动态研究使模型越来越精转化和细节化。
生物模型到算法模型的转录引出了广泛的文献数据处理系统,其系统最初主要关注于将自适应算法进运用于数据分类器。
关于脉冲神经元动态研究,不论适应与否,是最近的研究项目。
早期的一篇论文描述了一个基于一对耦合振荡器的动态链接架构。
同步脉冲在猫视觉皮层的爆发的实验观察鞭策了更多的关于生物基础性脉冲动态系统的研究。
1990年eckhorn网络连接系统以现象学模型系统被介绍并展示了同步脉冲迸发。
它用一个叫神经元模型的脉冲生成器,一个调制耦合项和一个作为漏水容器的突出链接建模。
中央新概念是次要接受域和链接域的引入,它的整合引入是通过内部细胞电路调节远处喂养接受域。
这提供了一个简单,有效的仿真工具并研究同步脉冲的动态网络,很快就被认为是在图像处理的重要应用。
大量的变形与变体被引入到链接领域模型是为了调整作为图像处理算法的表现,而这些被统称为脉冲耦合神经网络。
这种链接调节能够适用于高阶网络和一种新型的图像融合,并进一步容许在单个神经上进行任意复杂模糊的逻辑规则系统建设。
脉冲耦合神经网络的两种基本属性正是脉冲产品的应用。
较后的属性直接来源于原创链接领域作为其基本耦合机制。
这是一个由其他神经元输入的不对称的调制。
选择调节耦合而不是常见的添加剂耦合的优点是如果一个神经元没有主要输入则不能被神经元耦合输入激活,这个特点在图像处理功能上是很重要的。
添加剂耦合是一个在并联的突触电流的主要生物机制,因此添加剂,有实验证据表明,脉冲产品和空间信息的时间编码可以同等重要。
候选人机制产生乘法耦合来自于下面动力学区划模型的树状计算。
第二部分首先详细检查有两个输入,相的最小数量的分为若干部分的模型。
它显示输入的调节耦合,随着时间的信号如何即使在非常简单的模型细胞提供一个优雅的独特编码信息。
然后讨论了脉冲发生器机制,结果表明,神经元模型和integrate-and-fire(及)模型在脉冲的产生破裂有一个重要区别。
然后讨论了脉冲发生器机制,结果表明,神经元模型和integrate-and-fire(及)模型在脉冲的产生破裂有一个重要区别。
第三部分回顾了基本链接;再利用的大多是基于领域模型,多脉冲和单脉冲体制,和一些有用方面的脉冲耦合神经网络。
这些包括逻辑规则、图像融合、规模定义连接强度,标志性的时间信号,脉冲耦合神经元网络树状图,混乱的结构。
第四部分是一个描述脉冲耦合神经元网络技术和不同变体给予定义不同的简短回顾,第五部分致力于脉冲耦合神经元网络的应用和实现。
因为脉冲耦合神经元网络通常用作非适应处理器、连通性的要求很低,实际构建高速电子芯片。
第六部分,脉冲耦合神经元网络的算法描述,包括对那些感兴趣开发简单的软件代码的版本。
它显示了用在许多图像处理应用程序的主要简化和快捷键。
伪代码包括保付模式的新细节。
第七部分给出了这些变化的应用和脉冲耦合神经元网络保付特点的示例。
这个分析的目的是要表明,分流诱导调节耦合是一个通用的和普遍的生物脉冲耦合机制对于脉冲产品来说它不是独家机制。
沿着密集树突突触输入非线性增强效应最近被实验证实。
激活通道交互的电导具有电压依赖性。
它在输入复杂的细胞中提供了一个乘法效应,并与钠的活跃的树突峰值有关。
像分流效果,它允许加法和乘法耦合。
而不是选择添加剂耦合或乘法耦合,自然选择。
脉冲耦合神经元网络和标准霍金赫胥黎神经模型模型的主要区别是在脉冲发生器的选择上。
用于原始Eckhorn模型的神经元模型非常类似于生物integrate-and-fire脉冲发生器整体性能,但它有一些基本的差异。
稍后将讨论这些差异。
脉冲耦合神经元网络是基于在至少两个不同的输入。
区划的模型单元由一个树突部分和第二部分包含integrate-and-fire脉冲发生器,与每个隔间单个突触输入组成,提供数学透明度和充分性的正确组合。
这个模型包含了大量的简化和近似生物更为精确的模型,他们反过来是真正神经元的不完整模型。
这些因素不考虑多个离子突触渠道,激活渠道,细胞老化,长期和短期适应,连续树突几何图形和树枝,不应期(作为一个附加词除外),和温度的影响。
每个隔间是漏电容。
漏了三个主要部分组成:
内在的,突触和活跃。
只有firsttwo被用在这里。
突触可以接收一个脉冲输入或稳态输入。
该车厢体生成输出脉冲。
该室由一个串联连接阻力。
不存在轴突隔室。
图。
图1(a)示出了胞体和树突区室,和它们的突触输入电导F分别标有L和。
图。
图1(b)示的等效电路。
标记的框表示脉冲发生器。
是在细胞内的静息电位,名义上大约70毫伏,是突触回来的潜力,通常为20毫伏,并且是隔室电容,毫微数量级的,而并且所述膜固有泄漏电导和纵向电导分别。
突触和固有电导是megaMhos的顺序,而纵向电导的范围可以从10到一千倍[18]。
隔室电压由所描述
这
突触传导的波形往往建模为阿尔法函数[19],其中。
这是代表一个输入脉冲。
电导可以有其它形式也是如此。
它可以是一个常数,一个方波脉冲,或Delta函数。
同样,该输出脉冲函数可以有几种形式。
阶跃函数步骤为恒定步离散时间模拟有用,形成脉冲在两个时间的步骤。
是门槛pulseinitiation。
一种变化是使用阶梯函数,作为栅极一个脉冲串被设置在最大允许脉冲速率,所建议的Eckhorn[7]。
第三个表示是使用的冲激函数一笔接管了开通时间,这超过时,被定义为
突触分流调制项是最容易看出,在稳态情况下,其中内部活动已达到低于阈值进行实弹射击的均衡水平。
对于恒定的输入和输出,并没有脉冲,调制产物立即从所获得的nullcline
(1)其中()的形式为
这是一个饱和的活动功能。
它有一个内在的漏术语,线性项和一个乘积项。
因为是负数和为正时,泄漏项是负的,并设置一阈值进行实弹射击。
由于,的系数线性分子联项是肯定的,因为是其余条款。
在尺寸方面,电导占主导地位的内在和输入电导。
这使得常数和分子和分母的线性项的所有大小的顺序相同,而产物系数是在漏电导的纵向比电导。
这些对应于连接强度因子
,并且是0.1〜0.001或更小的数量级。
可以看出,该突触分流方面引起的线性和乘法术语的内部活动,而后者可以是一个显著的实力。
0.1连接强度的因素给予大幅修改脉冲活动模式[20]。
该
调制是对称的输入(不像的原始链接字段的模型),并且该活动将饱和的大投入。
(1)对于一个一般的树突系统与nullcline无数的投入,多分枝,渠道和树木同样给出了线性和乘法计算的组合在一个饱和的比例。
然而,这将是复杂得多。
它包含的产品和求和的所有可能组合,而事实上将包括一个一般的高阶模型神经元其顺序等于投入的总数达到了整个神经元,它可以是几千输入。
该highestlevel产品会因的分离减毒最遥远的突触上的树突树,与调制其中本地组更加明显。
现在,考虑该单元产生脉冲的情况下,仍然不断的投入和。
该解决方案很容易由2×2矩阵对角化得到的对角化变换矩阵为一般22矩阵是
这
得到
解决得到
其中时间的依赖关系是在脉冲函数
(2)。
并且对角化的特征值矩阵。
尽管两室,两输入端的简单性系统,它通常不被解析地求解。
Bressloff和泰勒21]审查的一般问题,包括分流效应,和迭代的方法,涉及的时间有序运营商是给出。
在实施例部分,然而,只有一个单输入,twocompartmentnonshunting解决方案提出。
因此,未讨论的调产物的存在,在那里,也不由Bressloff[22],后者参考的延伸[21]。
拉尔[17]等人[16],[18]将重点放在数值方法。
对于这种情况,其中调制产物得到的解析解,再次忽略。
这是尽管实验证据[15]对脉冲的产品训练时间信号。
这些调制产品提供的关键功能逻辑AND结合,从而使结构对单个神经元的大型,复杂的逻辑规则系统和生物实施的Σ-PI网,高阶网,以及PCNN网。
由于Eckhorn链接字段的内部活动调节耦合被看作是一个不对称的版本标准房室的稳态内部活动模型,从而提供了一个基本的生物接地连接域和所有PCNN的改编自它。
它进一步支持McClurkin等人的实验结果。
[15]通过示出,有一个明确的通用机制形成输入时间信号的产品在标准信元模型。
甚至不断投入受限的情况下显示了一些有趣的动力学性质。
这种情况下,将对应到该接收nonpulsed输入从视网膜神经节细胞早期的视网膜层,输入是大致恒定在视觉固定的时期。
唯一的轮廓代数解,则由细节,而直未来,是繁琐和冗长。
从只是个脉冲刚过后的整合(3)本次的脉冲。
申请条件是电压incompartment1刚复位后在其最低。
这给出了两个不同的方程组的电压中的枝晶隔层,一个输入每一个函数,并和次峰峰时间间隔。
其中一个公式是在时刻;另一种是在时间
这些可以合并,得到各峰峰时间间隔在输入端,蜂窝的几何形状和电化学条款结构,而以前的峰峰间隔时间
对于前面给出的电导和电压值制度,这些功能是
其中,功能涉及投入条款及房室几何。
图。
图2示出了可能的情况。
对于情况
(一),如果曲线不相交并且只有一个脉冲。
对于情况(b)和(c)条,如果曲线相交。
在这种情况下,如果进一步(b)所示,脉冲序列可以达到点吸引子,极限环,或在有限的可以终止脉冲数,而如果(c)中的序列将任何一个点吸引或极限环。
审议该递推关系的显示,即使对于恒定的输入单元将产生一个复杂的输出秒杀火车图案的信息编码在峰峰结构。
这与McClurkin等人的研究结果。
[15]每个色调都有自己的脉冲时间信号结构,的实验结果,是很难解释,否则。
此外,时间信号还包含有关信息从它的起源细胞的结构,信息的可以被看作是该细胞或细胞类型的识别码。
最后,由于通过Bressloff说明[22]的细胞反应是输入的时间信号的时域卷积和细胞的响应函数是一个无法回避的结论,即真正的神经元有生成,发送,接收的能力,和响应信息承载时间信号。
1)耦合振荡器:
这是更普遍和复杂包含其他两个振荡信号发生器作为特殊情况。
输出信号可以是接近纯谐波功能,倾斜的周期函数被boundarymatched指数衰减/激励,或尖锐,穗状功能,所有依赖于模型参数的选择和响应功能。
它们由两个“细胞”,每个具有其自身的响应函数。
第一个单元格接收系统的输入,然后发送其输出到所述第二小区的依次将信号发送回第一单元。
一般地,本第二单元抑制所述第一小区,并且具有较慢,得更久它影响比第一个单元格了就可以了。
如果第一单电池的反应被认为是瞬时(阶梯函数)和所述第二小区的响应是由成为那一个漏电容,该系统是一个neuromime。
类似地,耦合振子与线性兴奋速率到一个漏电容的第一小区和一个快速阶梯状从第二小区的抑制输出是一个整合和-firepulse发电机。
耦合振子信号发生器,里面装模型神经元,可以表现出耦合同步活动。
它比的同步更为复杂和普遍其他的脉冲发生器。
例如,它可被干扰振荡有关其与同步锁相相位点类似的耦合振荡信号,而neuromime不能(一次2neuromimes具有相同的频率锁定在一起,
它们不能由低级别的波动扰动)。
2)Neuromime:
该neuromime由所述一种抑制阈值和兴奋性步骤的相互作用功能
输入U.doc
输入U,神经元模型产生一定频率的脉冲。
(公式)
严格来说,它是理解任意行为在极限,阶梯函数然后回到极限的一个二阶系统。
更加详细的模型在Eckhornetal.(7)和Dicke(23)中讨论。
综合与点火装置:
这是一个二部分的系统,可以从输入第一部分的力量中聚集能量,等到第一部分到达预调的极限时,再由第二部分释放能量。
它是兴奋—抑制的部分。
完整的脉冲率的表达在下面公式中体现。
运用公式3并设置g12=0,使U作为恒量输入到第一个恒量里,然后在单独脉冲期内求积分来求。
(公式)
脉冲率能在(1/T)=f求得。
输入U必须在最小U之上所获得的脉冲,除非是漏电的电容器。
注意主要的参数都是利率:
不同程度的利率,实触率和膜电导率。
神经元模型和I&F的比较:
神经元模型和综合点火装置比耦合振荡器简单。
相似的是,他们没有那么通用。
神经元模型有两个可调节的参数;综合点火装置有四个。
综合点火装置有一个内置的偏离电平,在点火之前要弄平,而神经元模型则不用。
偏离(通常来说是抑制的信号)可以作为⊙o插入神经元模型。
模型没有饱和限制。
当脉冲间隔时间接近细胞的tr时生物脉搏发生器饱和。
通过在先于转化达到点火频率的衍生脉冲阶段加上一个小的tr时间段,或者是运用选通脉冲可以在两个发生器上估计。
…………………………(公式)
该功能为其neuromime和整合,andfire脉冲发生器具有最显著的区别是对于脉冲的脉冲串的产生。
参见图3和4,当neuromime的输入端接收一个足够高输入它进入多个脉冲制度[11]。
这是图。
5,当一组密切相关的细胞的火
他们联合的链接脉冲可以大大增加他们的平常当地饲养的输入电平。
复位从单一量脉冲,然后不足以重置上述各单元的阈值总的输入,因此它继续到脉冲,直到该阈值最后复位输入以上。
由于假设的差异在他们的弛豫时间,连接输入之前饱和的门槛饱和,确保复位,最终会发生。
这种情况发生的所有单元组中,这样的相互连接输入消失复位后,离开阈值远上面的小得多馈送的输入电平。
细胞将保持安静,直到阈值可以衰减向后下方喂养。
一旦出现这种情况,新一轮的大联脉冲产生时,引起另一个同步突发。
而使用集成和火灾模型,这些过程都需要严重关注。
相同的情况下,然而,整合,andfire脉冲发生器立即饱和。
一旦合并本地连接脉冲可以提高上述的内部活动击发阈不应期的时间内,那么它会下一次再这样做,其他保持不变。
一旦开始,它从不停止。
该模型的神经元继续射击永远在最大可能的发射频率,用无安静的时期划定阵阵。
有没有爆发,只脉冲的恒定流的最大发射速率。
自生物神经元不使用neuromime脉冲发生器,但而使用集成和火灾模型,这些过程都需要严重关注。
生物突发脉冲不能因本地协同效应,但相反,必须通过一个morecomplex动态网络处理和/或更现实的解释脉冲发生器模型。
一个直接的机制是添加一个可逆饱和影响到模型中的神经元,本质上是相同建设一个耦合振子,其兴奋的部分是原来的脉冲发生器。
这给出了一个固定的突发脉冲尺寸和重复率如果突发主轴频率被固定在最大速率。
另一种方式来获得脉冲和的整合,andfire发电机是使用一个全局反馈抑制团体的活动的几个空间不相交的补丁,其中所有补丁有相同的饲养输入[24]。
在这种情况下补丁将自动相移的脉冲时间,以便作为火灾的快速序列。
如果不继续,该补丁会最终为自己除了与平等相分离。
这是在Eckhorn在这个问题上的文章也讨论了。
然而,如果该网络是不允许建立相抑制反馈的安排,将产生一个短脉冲。
由该脉冲串在该情况下所携带的信息是测量饲养模式的破碎程度。
这样信息可能会出现,例如,在皮质区在双眼视差的地区。
该突发脉冲可以再成为一个深度或范围功能,在更高的要处理水平。
在一般情况下,该突发脉冲可以指示临时混乱和分裂的状态,这东西可以预料,在视觉注视之间发生从一个系统或过程中的注意过渡时期多维信号到另一个。
该突发脉冲在这情况下将是一个网络效应而不是由于改变细胞模型本身。
最后,虽然基本的整合和-发射脉冲发生器上面所讨论的是不能够产生一个脉冲串,生物
神经元,已知有以产生脉冲串的能力几个脉冲的几毫秒的间隔(复杂脉冲),以及生成的单脉冲。
此外,脉冲已知是在活性树枝状结构产生为以及附近的轴突,没有东西在上面考虑模型。
以这种方式获得的任何脉冲猝发。
将自单个细胞,因此不会有全球高度信息。
另一方面,同步的目的脉冲爆裂可能是网络启动或控制,作为一个表示强度到脉冲相位的转换,所建议的Hopfield型[25];或者,脉冲串可以是一个全球性的皮质读出信号作为建议由Koch[26],后来被泰勒[27]。
如果是这样,那么同步信号本身不一定包含的信息,并且可以很好地产生的脉冲串由单细胞。
三。
基本模型及其性能综述
A.基本模型
基本模型的主要部分是感受野,调制产物,和脉冲发生器[7]。
而数学的描述是在几个文件在这的问题,没有一个是相同的,所以一组描述的方程如下所列为清楚起见,讨论这里该神经元接收来自其它神经元的输入信号和透过感受野外部来源。
输入信号是脉冲,模拟随时间变化的信号,常数,或的任意组合。
虽然PCNN的是完全兼容和互补的适应过程,主要的焦点令人感兴趣的是在网络的时空非适应性动态。
该模型示于图4。
之后,输入已收集的感受野,它们被分为两个或更多的内部通道。
一信道是馈送输入,其他的是在链接输入。
该进给和连接之间的区别是,馈送连接都需要有一个较慢的特征响应时间常数较联输入。
该连接的输入偏置,然后乘以在一起,并进一步乘以馈送输入,以形成总的内部活动U
其中卷积,并为本次突触的时间响应内核。
和是突触权重优势定义感受野,和是恒定的输入,是在进料输入端,该连接输入,是总的内部活动,是输出脉冲,并且是neuromime阈值。
下标,
和分摊的条款各自的突触和细胞中,'s和的特征的突触,并设置该neuromime的操作,并且是连接强度。
对于离散时间模型(图9a)-(9E)的计算中所列出的订购,并且,和使用它们的值在评估先前的时间步长。
B.脉冲政权
对于低饲养水平和有限的连接输入(低小感受野)的单脉冲将足以重置的阈值。
这是单脉冲体制。
大多数图像处理应用工作在单脉冲体制。
当内部活性变得非常大,量的每个脉冲复位到PCNN阈不足以提高它的内部活动上。
该系统将产生额外的脉冲,直到阈值最终被上面的驱动
内部活动。
在神经元行为的差异两个制度是极端的。
如果点火频率被绘制为一个内部活性的功能,它增加直到所述多个脉冲政权为止。
一条经验法则是,当单脉冲周期,也就是馈电输入的一个函数,小于两倍的捕获区周期[14],这确实不能直接放在饲养依赖,神经元将开始产生多个脉冲。
脉冲的阵阵然后发生在频率随内部活性降低,并该系统很快达到一个地步,它在不断跳动没有分离的脉冲到脉冲。
当群体的相互作用被认为是神经元,局势变得更加复杂。
如果一个单一的孤立的神经元接收的总连接从一组脉冲,它会反复脉冲直到驱动其阈值对大链接输入。
然后通过连接的输入的大小确定其阈值的高度,并自连接输入到该组的大小成比例的大小,隔离驱动神经丛间的时间的发送组的区域功能以及仍在自己的喂养输入功能。
一组相互作用的神经元的连接的输入量是由集团本身产生的脉冲数的进一步增加在神经元。
因此,更努力工作克服神经元连接产生额外的脉冲输入,连接脉冲饱和,使神经元的阈值以上的最后增加连接脉冲和终止脉冲爆。
在一个突发脉冲的数量取决于的爆破组及其摄食强度,这是该地区的产品,总入射功率。
脉冲之间的时间周期是一组的面积的对数函数近似成正比。
两组相互作用时,捕获区的时间为每个组是一个地区的其他功能组之间的分离距离衰减。
该集团的捕获时间的脉冲重复周期的比例可以小,提供一个有效的弱连接组虽然集团本身是在强连接多个脉冲制度。
系统参数必须选择,如:
1)阈值增益相对于连接复位脉冲幅度小(多脉冲);2)之间有一个比较长的脉冲衰减时间;和3),组间连接的脉冲幅度充分衰减,同时仍保持良好的集团内公司间的连接强度。
对于后者,1/R的埃尔性磁场衰减是一个很好的妥协。
在这种情况下,内同步组相互交往,好像他们是单一的巨大的神经元的同步。
根据他们的领域,而不是事件的强度,提供信息(在大的时间尺度)对一个完全不同的神经连接(强度)。
集团在多脉冲政权的链接将执行基于区域的分割和平滑比强度。
C逻辑规则,图像融合。
连接的域调制产品提供了与PCNN实现逻辑规则的一种手段。
非正式地,一个代数的产品对应的逻辑“与”。
自接受域的加权和,以及和对应于逻辑“或”,“PCNN的可以实现的逻辑语句。
一个单一的PCNN神经元可以支持任意复杂的模糊或清晰的逻辑规则集。
一个这样的应用是图像和数据融合。
几个接受域采样输入图像和响应中所占的比例的特定图像的结构或功能的存在,每一个感受野是最敏感的。
一些几何感受野的例子是最敏感的。
一些几何感受野的内核的例子是那些边,顶点,取向,和奇偶敏感。
其他功能包括颜色,差距,和光流。
同样。
投入可以从不同的传感器,如可见光,红外,毫米波成像SAR和医疗诊断。
如X射线,和CAT扫描(注意,PCNN的同样可以很好地应用于以及两个三维分割问题),或从计算机推导地图模式,如拓扑特征,地形类型指标,人口密度,或天气预报。
D.规模和连接强度
的连接强度控制的输入调制量。
因此,它控制的强度可以被连接的比率。
通常这会被解释为在分段输出灰度量化量。
然而,由于图像的感兴趣的人通常是一个连续的自然,这也控制分组的区域大小。
一个大的连接强度值可以导致整个图像分割为一个组,而有些价值可以使它被分成三个地区。
一个很小的值将导致过度的碎片。
然后在此视图中,连接强度,控制规模该输入图像的空间分辨的。
一个大的值产生一个精细的几何细节的版本。
这是接近的图像多尺度问题的一种新方法,它不依赖于空间尺度参数如是小波理论和锥体图像分解技术。
相反,它使用一个强度的尺度参数(连接强度),和图像细节的程度完全依赖的基于PCNN的图像分解系统的这种性质的描述中,图像被分解成一组有序的从粗的序列图像中细节的产品因素。
E.时间信号
从PCNN的时间信号是脉冲序列作为时间的函数。
在馈送输入图像指定对象的时间信号是脉冲序列从所有的对象直接驱动的神经元发出的。
时间信号具有特定对象的理想职业[财产,不仅所有已知的几何失真由于物体的姿势和成像系统,但整体场景光照和对象的发音也不敏感,但不敏感。
一个单一的时间参考信号产生的吸引盆。
其相应的对象,
约翰逊和帕吉特PCNN模型及其应用;
图6。
时间信号不变。
一个三通,穿越时间信号,和E1
并作为其对象识别图标。
这是类似于人类的经验对象的一个实例,让一个人认识这类所有的对象。
例如,一个人可以很容易区分的汽车和卡车在看到只有一个实例后,怪诞的病理异常(如SUV排除)。
一个人不需要经过许多汽车图像的大量广泛的培训;一个是足以确定一个对象是否是一辆车。
时间的信号通过一个例子示于图。
一个对象组成的一个酒吧和一个后产生的岗位上酒吧的每个位置的时间信号的时间信号。
三的参考样本,三通,交叉,和E1,是相对于时间的许多变化信号。
图像进一步进行尺度变化,旋转,同时,透视。
时间信号是在后的酒吧的每个位置所产生的,并为缩放,旋转,扭曲版本。
与第一时间信号比较,第一行的第三和最后一个数字(TEE,交叉,和E1)显示的吸引力从引用的差异是零盆地。
在这里,x表示的柱条的位置时,先下来,再向右转,形成
T(x=0),横向(x= 0),和倒T(X= 20),和最后一个E1在x= 30。
使用了一个基本单通的PCNN图像边缘增强料。
对整个场景的光照不变性是由于全球现场强度重新标度不影响连续量化PCNN灰度等级比容易证明
其中Fn是第n个摄食水平触发脉冲和FN+ 1是下一个较低的水平。
PCNN时间信号的其它方面包括:
1)复合材料的时间信号;2)PCNN直方图;和3)混沌结构。
1)复合时间信号:
个人时间信号由于单独的对象可以合
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 文献 翻译 PCNN 模型 及其 应用