一類改進(jìn)的Hopfield圖像復(fù)原算法.pdf

1、Hopfield神經(jīng)網(wǎng)絡(luò)本身所固有的并行性質(zhì)和強(qiáng)大的計(jì)算能力使得基于該網(wǎng)絡(luò)的圖像復(fù)原算法普遍具有較快的運(yùn)行速度.但是,一方面,網(wǎng)絡(luò)中神經(jīng)元狀態(tài)是階躍取值的,使得網(wǎng)絡(luò)不能精確收斂到網(wǎng)絡(luò)能量函數(shù)的極小值,影響了復(fù)原圖像的質(zhì)量.另一方面,由于在算法的迭代過(guò)程當(dāng)中缺乏對(duì)更新神經(jīng)元的選擇,最終所得到的復(fù)原圖像的質(zhì)量不能進(jìn)一步的提高.因此,大量的改進(jìn)算法和和模型被提出來(lái)以克服這些不足.
　　 本文的主要工作分為三個(gè)部分.首先,通過(guò)引入局部最

2、速下降方向,本文在連續(xù)變化的Hopfield神經(jīng)網(wǎng)絡(luò)(CHNN)模型中提出了一種通用更新規(guī)則,這種通用更新規(guī)則使得網(wǎng)絡(luò)在任何更新模式下都能保證能量是每步單調(diào)遞減的.接下來(lái)通過(guò)研究最大誤差消除(EHE)準(zhǔn)則,在CHNN模型中提出了一類均衡EHE準(zhǔn)則.均衡EHE準(zhǔn)則在EHE準(zhǔn)則的基礎(chǔ)上不僅能在算法的迭代過(guò)程當(dāng)中提高神經(jīng)元狀態(tài)朝正確方向轉(zhuǎn)化的概率,同時(shí)還能減小算法的搜索空間,一定程度上提高算法的運(yùn)行速度.最后結(jié)合上面兩個(gè)方面的工作,本文提出了

3、一類改進(jìn)的Hopfield復(fù)原算法.全文由如下五章組成.
　　 第一章介紹了圖像復(fù)原的背景以及傳統(tǒng)圖像復(fù)原和神經(jīng)網(wǎng)絡(luò)圖像復(fù)原領(lǐng)域中的一些主要研究成果.
　　 第二章介紹了圖像復(fù)原模型及Hopfield神經(jīng)網(wǎng)絡(luò)模型的一些相關(guān)知識(shí).
　　 第三章介紹了兩類典型的Hopfield神經(jīng)網(wǎng)絡(luò)圖像復(fù)原模型.
　　 第四章中我們?cè)贑HNN模型下提出了一種用于指導(dǎo)設(shè)計(jì)各類圖像復(fù)原算法的通用更新規(guī)則,同時(shí)還提出了一類用于在