具有抗随机噪声能力的联想记忆网络

形态联想记忆网络具有良好的联想记忆功能和较强的抗膨胀或腐蚀噪声能力,但抗混合噪声的能力很弱.而在实际中,随机噪声往往是混合型的,既有膨胀又有腐蚀噪声,将尺度空间和形态联想记忆网络相结合,得到了一种新的联想记忆网络,它提高了形态自联想记忆网络的抗随机噪声能力.通过仿真实验验证了该方法具有良好的性能.     

动态核的形态联想记忆网络在灰度图中的应用

介绍了应用于灰度图像的联想记忆和识别的动态核方法,给出了动态核选择的原则和途径。利用动态核可以解决灰度图像在含有随机噪声时的自联想记忆和识别问题,从而给出了一种较好地处理含噪灰度图像恢复的途径。通过实验,验证了该方法的良好性能,取得了较理想的结果。     

动态核的形态联想记忆网络在灰度图中的应用

介绍了应用于灰度图像的联想记忆和识别的动态核方法,给出了动态核选择的原则和途径.利用动态核可以解决灰度图像在含有随机噪声时的自联想记忆和识别问题,从而给出了一种较好地处理含噪灰度图像恢复的途径.通过实验,验证了该方法的良好性能,取得了较理想的结果.     

混沌神经网络及其在联想记忆中的应用

提出了一种新型的混沌神经网络模型及其相应的学习算法。该学习算法利用了输入模式各元素之间的关联性信息。此文的神经网络可以用于多值模式的联想记忆,与现有的混沌神经网络相比,具有更好的性能。     

多维联想记忆神经网络在图像回忆中的应用

多维联想记忆神经网络可以用来回忆灰度图像。投影算法是回忆算法中的一类。采用不规则凸多边形的笛卡儿积构成的凸集代替正多边形的笛卡儿积构成的凸集,前者比后者更紧凑。数值实例表明,应用前者回忆灰度图像要比应用后者回忆灰度图像得到的图像更清晰,回忆所花时间更短。     

一种新的形态学联想记忆网络模型研究

针对即使在输入模式无噪声,形态学联想记忆在用于异联想时仍不能保证完全回忆的问题,从扩大记忆矩阵的存储空间的角度入手,提出一种新的形态学联想记忆模型——三维存储矩阵的形态学联想记忆来刻画MAM(Morphological Associative Memories)的记忆性能。该模型能够弥补传统形态学联想记忆的记忆矩阵的不足,解决MAM在异联想时不能保证对模式对集实现完全回忆的问题。详细阐述了构建三维存储矩阵的原理与步骤,并通过实例验证三维存储矩阵的形态学联想记忆的记忆性能远远优于传统的形态学联想记忆。     

混沌在Hopfield联想记忆网络中的应用

将混沌应用到Hofield联想记忆网络中,利用混沌的遍历性和随机性等独特的性质,可以使待联想模式跳出伪模式的吸引域,而到达存储模式的吸引域内,从而解决了Hopfield网络在噪信比较高的情况下,联想成功率较低的问题。仿真结果证明了该方法的有效性。     

形态学联想记忆网络的研究进展

形态学联想记忆网络具有无限存储能力、一步回忆记忆、良好地抵抗腐蚀噪声或者膨胀噪声的噪声容限等许多优点.从形态学联想记忆的概念、基本原理、发展脉络、研究新成果,发展趋势和研究方向等多个方面综述了形态学联想记忆网络的研究进展.对形态学联想记忆方面的研究带来了一定的参考价值.     

形态学联想记忆网络记忆性能的定性分析

形态学联想记忆网络基于其前向映射式的网络结构特点,不管有多少个模式对,都可以用一个存储矩阵来进行存储。记忆单个模式对时,该模式对的矩阵信息完全存储在存储矩阵中,所以可以从该模式对的输入模式正确联想出输出模式,但当网络记忆了多个模式对时,各个模式对之间的相互影响就不可避免地存在,在此对其记忆性能进行定性分析,以期对MAM的研究有所裨益。     

模糊联想记忆网络的增强学习算法

针对 Kosko提出的最大最小模糊联想记忆网络存在的问题 ,通过对这种网络连接权学习规则的改进 ,给出了另一种权重学习规则 ,即把 Kosko的前馈模糊联想记忆模型发展成为模糊双向联想记忆模型 ,并由此给出了模糊快速增强学习算法 ,该算法能存储任意给定的多值训练模式对集 .其中对于存储二值模式对集 ,由于其连接权值取值 0或 1,因而该算法易于硬件电路和光学实现 .实验结果表明 ,模糊快速增强学习算法是行之有效的 .     

各向异性尺度空间图象增强

文章讨论了各向异性热传导系数尺度空间理论在图象增强中的应用。尺度空间的生成可以通过热传导方程来获得,传统的理论采用各向同性的热传导系数。为了在对图象噪声进行平滑的同时,保持图象的细节,采用了各向异性的热传导方程。考虑到旋转不变性,对各向异性的热传导方程的计算方法进行改进,不仅考虑了垂直和水平方向的影响,而且考虑对角方向上象素点的影响。实验证明算法是有效的。     

Associative Memories in Infinite Dimensional Spaces

A generalization of the Little–Hopfield neural network model for associative memories is presented that considers the case of a continuum of processing units. The state space corresponds to an infinite dimensional euclidean space. A dynamics is proposed that minimizes an energy functional that is a natural extension of the discrete case. The case in which the synaptic weight operator is defined through the autocorrelation rule (Hebb rule) with orthogonal memories is analyzed. We also consider the case of memories that are not orthogonal. Finally, we discuss the generalization of the non deterministic, finite temperature dynamics.     

一种基于灰度级连通性的红外图像分割方法

本文提出一种新的基于灰度级连通性的红外图像分割方法。灰度级连通性认为在某个灰度级以下的所有级集合是连通的,则灰度图像是连通的。提出的图像分割方法使用k级特征开运算将图像中包含目标的k级以上的连通成分保留下来,结合图像弱小目标的特征进行k级连通成分分解运算,提取出包含目标的k级连通成分实现图像简化和目标提取,最后结合简单的二值化处理就能够准确地分割出目标。通过仿真结果的比较,证明在红外图像中这种方法可以实现提高信噪比、提取目标和分割图像的目的。     

基于灰度分布匹配的多模态脑部MR图像肿瘤分割算法

针对多模态核磁共振(MR)脑肿瘤图像的分割问题,提出一种基于灰度分布匹配的分割算法。首先,学习图像灰度强度的非参数模型分布,来描述当前图像的正常区域。然后,计算肿瘤图像中各区域之间的全局相似性,从中寻找灰度分布与学习模型最匹配的子区域,同时利用平滑操作来避免存在孤立区域。最后,对FLAIR模态图像进行处理,以分离出脑水肿区域,最终获取脑肿瘤区域的准确边界。在多模态脑肿瘤图像数据库BraTS 2012上进行实验,结果表明该算法能够准确且完整的分割出肿瘤区域。     

基于多维联想记忆神经网络的图像回忆

多维联想记忆神经网络在高噪声情况下图像回忆效果差。针对该问题,将图像矩阵垂直分成4个同型小矩阵,依次将4个小矩阵垂向聚合成一个新矩阵,以新矩阵的列向量作为库向量。数值实验结果表明,相比2个列向量构成的库向量,以4个列向量构成的库向量进行回忆的灰度图像更清晰且效率更高。     

模糊形态学双向联想记忆网络的性质

为模糊形态学双向联想记忆网络(FMBAM)提出一个学习算法。在理论上证明只要存在使给定的模式对集合成为FMBAM的平衡态集合,则该学习算法总能计算出相应的最大连接权矩阵对。该最大连接权矩阵对能使FMBAM对任意输入在一步内就进入平衡态,并且神经网络全局收敛到平衡态。FMBAM的每个平衡态都是Lyapunov稳定的。当训练模式存在摄动时,利用该学习算法训练的FMBAM,对训练模式摄动拥有好的鲁棒性。     

模糊形态联想记忆网络及其在细胞图像联想识别中的应用

研究了模糊形态双向联想记忆网络（FMBAM）在灰度图像处理中的方法,并利用核的形式来解决灰度图像含随机噪声的正确联想记忆及识别问题,提出了构造灰度图像的核需要满足的条件,给出了寻找核的方法和途径,并应用于细胞图像的联想和识别,通过仿真实验,验证了该方法的有效性和良好性能.     

Reconstruction of Patterns from Noisy Inputs Using Morphological Associative Memories

Morphological neural networks are based on a new paradigm for neural computing. Instead of adding the products of neural values and corresponding synaptic weights, the basic neural computation in a morphological neuron takes the maximum or minimum of the sums of neural values and their corresponding synaptic weights. By taking the maximum (or minimum) of sums instead of the sum of products, morphological neuron computation is nonlinear before thresholding. As a consequence, the properties of morphological neural networks are drastically different than those of traditional neural network models. In this paper we restrict our attention to morphological associative memories. After a brief review of morphological neural computing and a short discussion about the properties of morphological associative memories, we present new methodologies and associated theorems for retrieving complete stored patterns from noisy or incomplete patterns using morphological associative memories. These methodologies are derived from the notions of morphological independence, strong independence, minimal representations of patterns vectors, and kernels. Several examples are provided in order to illuminate these novel concepts.     

形态学联想记忆框架研究

形态学联想记忆(MAM)是一类极为新颖的人工神经网络.典型的MAM实例对象包括:实域MAM(RMAM)、复域MAM(CMAM)、双向MAM(MBAM)、模糊MAM(FMAM)、增强的FMAM(EFMAM)、模糊MBAM(FMBAM)等.它们虽有许多诱人的优点和特点,但有相同的形态学理论基础,本质上是相通的,将其统一在一个MAM框架中是可能的.同时,联想记忆统一框架的建立也是当前的研究重点和难点之一.为此作者构建了一个形态学联想记忆框架.文中首先分析MAM类的代数结构,奠定可靠的MAM框架计算基础;其次,分析MAM类的基本操作和共同特征,抽取它们的本质属性和方法,引入形态学联想记忆范式和算子;最后,提炼并证明主要的框架定理.该框架的意义在于:(1)从数学的角度将MAM对象统一在一起,从而能以更高的视角揭示它们的特性和本质;(2)有助于发现一些新的形态学联想记忆方法,从而解决更多的联想记忆、模式识别、模糊推理等问题.