基于PCNN的语谱图特征提取在说话人识别中的应用

该文首次提出了一种将有生物视觉依据的人工神经网络——脉冲耦合神经网络(PulseCoupledNeuralNetwork,以下简称为PCNN)用于说话人识别领域的语谱图特征提取的新方法。该方法将语谱图输入到PCNN后得到输出图像的时间序列及其熵序列作为说话人语音的特征,利用它的不变性实现说话人识别。实验结果表明,该方法可以快速有效地进行说话人识别。该文将PCNN引入到语音识别的应用研究中,开拓了信号处理中两个极为重要的部分———语音信号处理和图像信号处理结合的新领域,同时对于PCNN的理论研究和实际应用具有非常重要的现实意义。     

反馈式脉冲耦合神经网络模型及应用研究

脉冲耦合神经网络模型自从被提出以来,在图像处理领域得到了广泛的应用,现在被称为第三代神经网络模型。反馈式脉冲耦合神经网络模型是在其基础上,通过将脉冲耦合神经网络的输出二值图像相或和异或后反馈到输入端,从而建立起反馈的框架,对退化输入图像进行相应分量的提取,在此基础上进行图像信号的合成,从而实现了退化图像的增强。试验仿真结果验证了该模型的实用性和可信性。     

基于GA和神经网络的非线性特征变换

在分析传统方法的基础上,将GA与神经网络相结合,提出了一种特征变换的新方法,二者优势互补,通过与传统的特征选择方法比较,用实例验证了该方法的正确性和可信性。     

基于脉冲耦合神经网络和施密特正交基的一种新型图像压缩编码算法

自从脉冲耦合神经网络(PCNN)被提出以来,在图像处理、模式识别、人工智能等领域得到了广泛应用.由于其生物学背景的特性,使得其能够对灰度图像进行完美的分割:PCNN局部连接域的作用及阈值指数衰减特性,使得具有近似灰度特性的邻近像素能够同时处于激活状态,这就构成了PCNN分割特性的基础,使得图像分割结果既能较好地包含原始图像细节信息,又能避免一些无意义的小分割块的产生.借鉴施密特正交化思想,利用自然初始基对每一分割区域进行变换,得到一组正交基的变换系数,相对于分割前图像的数据量大为减少,存储空间需求小,从而实现了压缩.相对于JPEG算法,该方法使重建图像的质量得到显著提高,同时也使得逐步重建图像成为可能.     

不规则区域图像编码综述

将已有的各类不规则区域编码方法与传统方法进行比较,综述了此领域已取得的成果, 提出了自己特有的处理方法, 并分析所面临的难点与对策, 最后进行了展望。     

基于神经网络与形态学的一种区域标识方法

提出了一种双层脉冲耦合神经网络与数学形态学相结合的区域标识算法.首先利用一层脉冲耦合神经网络对图像进行分割,得到初步的结果;再利用另一层网络检测到的边缘点与形态学结合,对分割的区域进行相应的操作:区域定位,合并小区域,提取边界,对边界进行细化;最后对区域进行了标识.仿真结果证明,该算法对于后续的特征度量和模式识别具有重要的借鉴价值和实际意义.     

基于PCNN自动波与偏态指标的图像自动分割算法

提出了一种脉冲耦合神经网络和偏态指标相结合的算法来对图像进行自动分割,主要思路是用偏态指标作为分割图像的测度,当分割输出图像的偏态指标达到最小时,分割迭代过程自动终止,从而实现了图像的自动分割。仿真试验结果验证了算法的较好效果,具有实用和推广的价值。