现代电路理论与设计第9章_人工神经网络（放映）.ppt

现代电路理论与设计 9.3 脉冲耦合神经网络模型 （2） 脉冲耦合神经网络模型 脉冲耦合神经网络的一个神经元模型框图如下图所示，它由树突部分、非线性连接调制部分、脉冲产生三部分构成。树突部分的作用是接收来自相邻神经元的输入信息，它由线性连接输入通道和反馈输入通道两部分组成； 脉冲耦合神经网络神经元模型 9.3 脉冲耦合神经网络模型 线性连接输入通道接收来自局部相邻神经元突触输入信息，而反馈输入通道除了接收这种局部输入信息外，还直接接收来自外部的刺激信息输入。每个通道状态的变化由其本身状态和接收输入信息共同决定； 非线性连接调制部分也即神经元内部活动项，它由加有偏置的线性连接部分与反馈输入两部分相乘获得；脉冲产生取决于内部活动项大小能否超过其激发动态门限，而此门限值随着该神经元输出状态的变化相应发生变化。 9.3 脉冲耦合神经网络模型 整个脉冲耦合神经网络的工作过程是这样的：如果神经元有脉冲输出，则其动态门限突然增加。因为门限增大使得第二次不可能产生脉冲输出，然后门限又开始指数衰减，当门限值衰减到小于其内部活动项值时，脉冲又再次产生，如此周而复始。显然这些脉冲串输出又输入到与之相连的其他神经元的树突上，从而又影响这些神经元的激发状态。 显然，比起前面反传BP神经网络模型，PCNN网络模型同时利用了生物神经元特有的线性相加、非线性相乘调制耦合两种特性。 9.3 脉冲耦合神经网络模型 PCNN网络模型还考虑了生物电脉冲传输离子通道特性，考虑了哺乳动物视神经系统视野受到适当刺激时，相邻连接神经元（甚至在猫视觉皮层相邻7mm范围内）同步激发产生35Hz～70Hz振荡脉冲串特性。 内部活动项中偏置一项为神经元处于抑制状态时，内部活动平衡态的一种等效表示，这样PCNN模型更接近于实际的生物神经网络。因此，它对输入信息的处理能力更强、性能更好。 9.3 脉冲耦合神经网络模型 右下图就是应用于图像处理的PCNN模型框图，这里树突的反馈输入为Fij[n]、线性连接输入为Lij[n]，非线性连接调制构成的内部活动项为Uij[n]、PCNN脉冲输出为Yij[n]，它们满足如下的数学关系式： 脉冲耦合神经网络神经元模型 9.3 脉冲耦合神经网络模型 式中Fij[n]就是第（i，j）个神经元的n次反馈输入、Sij为外部输入刺激信号（这里为图像像素构成的矩阵中第(i，j)个像素的灰度值）、β为突触之间连接强度常数、同样L为线性输入项Lij[n]、Eij[n]为为神经元内部活动项U能否激发脉冲产生的指数衰减动态门限、Yij[n]是PCNN脉冲输出、Uij[n]为神经元内部活动项。 其中内部连接矩阵M、W（一般W=M）的mijkl、wijkl分别为Fij[n]、Lij[n]中Ykl[n]的加权系数，VF、VL、VE分别为Fij[n]、Lij[n]、Eij[n]中的固有电势，αF、αL、αE分别为Fij[n]、Lij[n]、Eij[n]的衰减时间常数，它们之间满足：αF＜αE＜αL。 9.3 脉冲耦合神经网络模型 PCNN神经元接受反馈输入Fij[n]和连接输入Lij[n]，然后在其内部神经元活动系统形成内部活动项Uij[n]，当Uij[n]大于动态门限Eij[n]时，PCNN产生输出时序脉冲序列Yij[n]。 若在PCNN的一个神经元数学模型Ni中输入一个恒定反馈Fi=Si（归一化像素灰度值）且无连接输入L（或者β为零），则可以证明PCNN能产生稳定周期的脉冲序列Yi[n]。 9.3 脉冲耦合神经网络模型 若此时还有其W领域内其他神经元Nj与Ni互联，且Fi＞Fj。如果在t=0时Nj、Ni被复位，也即除了输入Si、Sj外，门限E、连接输入L等都为零，则第一次两个神经元都被激活，Nj、Ni都有脉动输出Yi、Yj，然后动态门限Ej、Ei指数衰减，而在某个t时刻，Ni已经激发脉冲输出Yi[n]，则Nj活动项Uj就会因为Yi[n]的作用而增加，若此时Uj＞Ej，那么Nj将会与Ni一样激发脉冲输出，就说神经元Nj捕获了神经元Ni的振荡频率，与它一起同步振荡了。 9.3 脉冲耦合神经网络模型 显然，PCNN为单层模型神经网络，不需要训练过程即可实现模式识别、图像分割、目标分类，这是有别于传统多层网络的显著特点之一，同时，对于二维矩阵形式输入的图像信号来说，PCNN输出一维的二值脉冲串，也即实现了空间降维，将二维空间变量转化为一维时间脉冲序列了。 9.3 脉冲耦合神经网络模型 9.3.2 混沌PCNN模型原理分析 （1）基本模型 有文献分析和证明了积分点火型神经元在其复位电压为振荡时可表现出混沌行为，并且还分析了连续时间变化情况下脉冲耦合神经网络的