| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-12页 |
| 1.1 本文的研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 脉冲耦合神经网络(PCNN)研究现状 | 第9-10页 |
| 1.2.2 量子遗传算法的国内外研究现状 | 第10-11页 |
| 1.3 本文主要的结构安排 | 第11-12页 |
| 第2章 脉冲耦合神经网络模型与图像分割技术 | 第12-25页 |
| 2.1 脉冲耦合神经网络模型概述 | 第12-16页 |
| 2.2 脉冲耦合神经网络模型工作原理及特性分析 | 第16-19页 |
| 2.2.1 无耦合连接下的PCNN | 第16-17页 |
| 2.2.2 耦合连接下的PCNN | 第17-18页 |
| 2.2.3 主要特性 | 第18页 |
| 2.2.4 参数分析 | 第18-19页 |
| 2.3 图像分割描述 | 第19-20页 |
| 2.3.1 图像分割的定义 | 第19-20页 |
| 2.3.2 图像分割的应用及主要问题 | 第20页 |
| 2.4 脉冲耦合神经网络图像分割方法简介 | 第20-24页 |
| 2.4.1 基于图像熵函数的PCNN图像分割方法 | 第20-22页 |
| 2.4.2 基于准则函数的PCNN图像分割方法 | 第22-23页 |
| 2.4.3 基于参数调整的PCNN图像分割方法 | 第23-24页 |
| 2.4.4 基于改进型的PCNN图像分割方法 | 第24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 量子遗传算法及其改进 | 第25-43页 |
| 3.1 量子遗传算法 | 第25-28页 |
| 3.1.1 量子遗传算法原理 | 第25-26页 |
| 3.1.2 量子遗传算法的结构及流程 | 第26-28页 |
| 3.2 模拟退火算法 | 第28-32页 |
| 3.2.1 模拟退火过程的数学描述 | 第29-31页 |
| 3.2.2 模拟退火算法的流程 | 第31-32页 |
| 3.3 改进的量子遗传算法 | 第32-35页 |
| 3.3.1 双链编码方案 | 第32页 |
| 3.3.2 解空间变换 | 第32-33页 |
| 3.3.3 改进的量子旋转门转角方向及大小 | 第33-34页 |
| 3.3.4 改进的量子变异 | 第34页 |
| 3.3.5 算法流程 | 第34-35页 |
| 3.4 模拟退火算法与改进量子遗传算法的混合算法(SA-IDCQGA) | 第35-42页 |
| 3.4.1 混合算法描述 | 第35页 |
| 3.4.2 算法流程 | 第35-36页 |
| 3.4.3 收敛性分析 | 第36-37页 |
| 3.4.4 仿真性能测试 | 第37-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 SA-IDCQGA在脉冲耦合神经网络图像分割中的应用 | 第43-49页 |
| 4.1 SA-IDCQGA优化PCNN图像分割 | 第43-44页 |
| 4.2 SA-IDCQGA优化PCNN图像分割算法流程 | 第44页 |
| 4.3 仿真分析与性能评价 | 第44-48页 |
| 4.3.1 分割结果比较 | 第44-46页 |
| 4.3.2 分割性能比较 | 第46-48页 |
| 4.3.3 分割速度比较 | 第48页 |
| 4.4 本章小结 | 第48-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-56页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第56-57页 |
| 致谢 | 第57页 |
