学位论文 > 优秀研究生学位论文题录展示

模糊联想记忆网络和模糊图象处理研究

作　者: 杨群生
导　师: 余英林
学　校: 华南理工大学
专　业: 通信与电子系统
关键词: 模糊神经网络模糊联想记忆图象处理噪声消除模糊技术
分类号: TP391.41
类　型: 博士论文
年　份: 2000年
下　载: 184次
引　用: 6次
阅　读: 论文下载

内容摘要

模糊理论和技术是当今学术界的研究热点，本文围绕模糊神经网络和模糊图象处理展开研究，分别对模糊联想记忆(FAM)神经网络和模糊图象噪声消除进行了细致深入的探讨。本论文的主要工作如下： 1)对于Bart Kosko提出的max-min FAM网络模型，针对其学习算法不能确保可靠地存储多个模糊模式对的缺陷，提出了一种新的学习算法——多模糊模式对FAM连接权矩阵的神经网络学习算法，并且给出了相应的理论结果和严格的数学证明，同时通过实验验证了该算法的有效性。该算法成功地解决了多模式对的存储问题，利用该算法可以用尽可能少的连接权矩阵来存储给定的模糊模式对，有效地减少存储空间，提高存储容量，而且容易实现。对于模糊双向联想记忆网络，也给出了连接权矩阵的神经网络学习算法，并讨论了它的容错性。 2)将上述关于max-min神经网络模型的有效算法推广到基于一类最大T-模运算的FAM神经网络模型，并且给出了相应的理论结果和严格的数学证明。因为FAM网络内部算子不同，FAM系统的用途和效果也不同，所以该算法大大地扩展了FAM的适用范围。 3)在文献[122]的基础上，设计了一种新的滤波器--模糊检测加权均值(Fuzzy Detection Weighted Mean，简记为FDWM)滤波器。首先以盐椒噪声图象的直方图为基础，建立模糊隶属函数，然后进行了算法设计，结合新的检测算法进行噪声消除，提出了一种非常有效的盐椒噪声消除算法—FDWM算法，并分析了该算法的原理，而且做了大量的实验。实验结果表明，FDWM滤波器的去噪效果远远优于常规算法，而且性能稳定，适合于处理各种噪声率的盐椒噪声图象。特别是当噪声率超过50％时，FDWM滤波器的优越性更加突出，无论其主观视觉效果还是其峰值信噪比或均方误差都表明了这一点。 4)在上述FDWM算法的基础上，提出了基于模糊中值滤波(Fuzzy MedianFilter，FDF)的FDWM滤波器—FDF_FDWM滤波器。虽然上述FDWM滤波器可以有效地消除盐椒噪声，但它不适合于消除图象的随机噪声。为此，本文首先提出迭代模糊中值滤波(Iterative Fuzzy Median Filter，IFMF)算法，然后利用IFMF

全文目录

摘要  4-6
ABSTRACT  6-14
第一章绪论  14-29
  1.1 模糊理论和模糊技术的产生背景  14-17
    1.1.1 事物的模糊性  14-15
    1.1.2 模糊理论和模糊技术的产生和发展  15-17
  1.2 模糊联想记忆网络简介  17-26
    1.2.1 模糊神经网络的产生  17-18
    1.2.2 模糊神经网络研究方法和意义  18-20
    1.2.3 联想和联想记忆  20-21
    1.2.4 模糊联想存储器及模糊联想记忆  21-22
    1.2.5 模糊联想记忆网络的研究现状  22-26
  1.3 模糊图象处理  26-27
  1.4 本文的主要研究内容  27-29
第二章模糊联想记忆连接权神经网络学习算法  29-48
  2.1 问题的提出  29-31
  2.2 模糊联想记忆与模糊方程  31-33
  2.3 模糊联想记忆神经网络学习算法  33-36
    2.3.1 定理及算法  33-35
    2.3.2 理论结果与证明  35
    2.3.3 模拟结果  35-36
  2.4 多模糊模式对联想记忆学习算法  36-37
  2.5 实例  37-39
  2.6 最大-最小模糊双向联想记忆学习算法及其容错性讨论  39-46
    2.6.1 最大-最小模糊双向联想记忆学习算法  40-41
    2.6.2 模拟结果  41
    2.6.3 模糊双向联想记忆的容错性讨论  41-46
  2.7 本章小结  46-48
第三章基于一类T-模运算的模糊联想记忆连接权矩阵神经网络学习算法  48-61
  3.1 引言  48-50
  3.2 最大T-模模糊联想记忆  50-51
  3.3 基于最大T-模运算模糊联想记忆连接权学习算法  51-55
    3.3.1 定理及算法  51-53
    3.3.2 理论结果与数学证明  53-55
  3.4 多模式对最大T-模运算模糊联想记忆神经网络学习算法  55-56
  3.5 实例  56-59
  3.6 基于一类T-模运算的模糊双向联想记忆模糊神经网络学习算法  59
  3.7 本章小结  59-61
第四章基于模糊技术的图象噪声消除  61-84
  4.1 图象中的脉冲噪声模型  61-62
  4.2 脉冲噪声消除系统的结构  62-63
  4.3 图象脉冲噪声消除的现状  63-65
  4.4 图象直方图的特征  65-67
  4.5 模糊隶属函数的建立  67-69
  4.6 脉冲噪声的检测  69-70
  4.7 改进的加权模糊均值滤波算法  70-72
  4.8 实验结果及其分析  72-82
  4.9 本章小结  82-84
第五章 FWDM滤波器应用于图象随机噪声的消除算法  84-98
  5.1 引言  84-86
  5.2 FDWM算法对于随机噪声失效的原因分析  86
  5.3 解决方法  86-90
  5.4 实验结果  90-97
  5.5 本章小结  97-98
总结与展望  98-102
  1. 总结  98-99
  2. 进一步的工作与展望  99-102
    1) 模糊联想记忆网络问题与展望  99-101
    2) 模糊图象处理问题与展望  101-102
参考文献  102-110
攻读博士学位期间完成的论文  110-111
致谢  111

模糊联想记忆网络和模糊图象处理研究

内容摘要

全文目录

相似论文