基于生物侧抑制机制的神经网络模型研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 图清单 | 第9-11页 |
| 表清单 | 第11-12页 |
| 注释表 | 第12-13页 |
| 第一章 绪论 | 第13-19页 |
| ·生物侧抑制机制 | 第13-15页 |
| ·鲎复眼的实验 | 第13页 |
| ·侧抑制机制 | 第13-14页 |
| ·侧抑制模型 | 第14页 |
| ·侧抑制的功能 | 第14页 |
| ·侧抑制机制研究背景和现状 | 第14-15页 |
| ·脉冲耦合神经网络(PCNN) | 第15-17页 |
| ·PCNN 的应用范围 | 第16-17页 |
| ·PCNN 研究背景和现状 | 第17页 |
| ·主要工作和结构安排 | 第17-19页 |
| 第二章 基于 PCNN 图像处理的研究 | 第19-34页 |
| ·引言 | 第19-21页 |
| ·脉冲耦合神经网络模型及简化模型分析 | 第19-21页 |
| ·PCNN 几个特性分析 | 第21页 |
| ·图像分割 | 第21-27页 |
| ·图像分割的定义 | 第21-23页 |
| ·PCNN 与传统图像分割方法的对比 | 第23-27页 |
| ·图像增强 | 第27-30页 |
| ·PCNN 在图像增强方面的应用 | 第27页 |
| ·常规图像增强方法 | 第27-28页 |
| ·仿真实验与讨论 | 第28-30页 |
| ·边缘检测 | 第30-33页 |
| ·PCNN 边缘检测原理 | 第30页 |
| ·基于 PCNN 模型边缘检测的步骤 | 第30页 |
| ·仿真实验与讨论 | 第30-33页 |
| ·本章小结 | 第33-34页 |
| 第三章 基于侧抑制机制神经网络模型的研究 | 第34-45页 |
| ·引言 | 第34页 |
| ·侧抑制的模型及作用 | 第34-38页 |
| ·侧抑制网络的作用 | 第34-35页 |
| ·侧抑制网络模型 | 第35-36页 |
| ·侧抑制网络的数学模型 | 第36-38页 |
| ·侧抑制机制运用于图像处理 | 第38-41页 |
| ·基于非循环侧抑制网络的图像增强 | 第38页 |
| ·构造可能性度量因子的改进模型 | 第38-39页 |
| ·仿真实验 | 第39-40页 |
| ·侧抑制与自适应滤波相结合模型 | 第40-41页 |
| ·仿真实验 | 第41页 |
| ·侧抑制与PCNN 相结合应用于图像处理 | 第41-43页 |
| ·侧抑制与PCNN 结合的数学模型 | 第41-42页 |
| ·基于点火频率的图像分割方法 | 第42-43页 |
| ·仿真实验 | 第43页 |
| ·本章小结 | 第43-45页 |
| 第四章 基于IF 模型神经网络群位置跟踪的研究 | 第45-64页 |
| ·引言 | 第45页 |
| ·神经网络群 | 第45-47页 |
| ·大脑皮层柱功能的柱状结构 | 第45-47页 |
| ·神经网络群结构 | 第47页 |
| ·IF 神经元模型 | 第47-52页 |
| ·尖峰神经元 | 第47-48页 |
| ·尖峰神经元模型 | 第48-49页 |
| ·点火结果的影响因素 | 第49-50页 |
| ·动态阈值 | 第50-51页 |
| ·基于H-H 方程简化的模型 | 第51-52页 |
| ·基于PITS 学习的位置跟踪 | 第52-55页 |
| ·PITS 学习算法 | 第52-54页 |
| ·基于柱体点火概率的跟踪方法 | 第54-55页 |
| ·仿真实验 | 第55-63页 |
| ·实验仿真平台 | 第55-59页 |
| ·性能指标 | 第59-63页 |
| ·本章小结 | 第63-64页 |
| 第五章 结论和展望 | 第64-66页 |
| ·本文结论与成果 | 第64-65页 |
| ·展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69-70页 |
| 在学期间的研究成果及发表的学术论文 | 第70页 |
