基于神经网络的数据融合技术的新进展(2)

基于神经网络的数据融合技术的进展

504北京理工大学学报第23卷　

机制而构造出来的一种并行信息处理模型Λ它有分布式存储和联想记忆功能,具有较强的自适应性和自组织性,可以抗噪声、抗损坏,容错性与鲁棒性好Λ由于这些突出特点,人工神经网络能实时地完成复杂运算和海量数据库检索,对图像理解、模式识别以及含噪和不完全信息的处理表现出其优越性Λ

视觉神经网络是模拟人或动物的视觉系统的信息处理与传输机制而构造出来的另一种并行信息处理模型Λ它同样具有快速并行处理、分布式传输、实时完成复杂信息获取与处理等功能,对图像理解、模式识别表现出重要的辅助作用,同时又不需要大型数据库与复杂的学习训练过程,对于图像处理具有重要意义Λ

号的微小变换将使小波系数表示的能量分布变化很大Λ为了解决此问题,又出现了GP(Gaussianpyramid),ELP(enhancedLaplacianpyramid)和GLP(generalizedLP)方法Λ但GP和ELP分解尺度

级数的局限性和GLP方法计算量随分解层次的增加而迅速扩大的问题都制约了它们在数据级融合上的应用Λ而将神经网络方法引入数据级融合可以解决这些问题Λ神经网络高容错性能使其对数据丢失、混淆和噪声数据变得不敏感,从而解决了小波算法不具有平移不变性的问题,Λ,高并Λ同时、非线性问题的能力以及在处理分类问题时具有最优或者近似最优的优点Λ众多学者利用神经网络的优点提出了许多基于神经网络的数据级融合方法Λ

随着神经生理学研究的进展,对神经细胞数理模型的研究已经从单纯的大脑皮质神经元细胞扩展到包括视觉神经元细胞在内的感官细胞Λ1994年基于视觉系统研究而出现的脉冲耦合神经网络(pulsecoupledneuralnetwork,PCNN)模型便是一个较

1上进行处理,Λ这一级的处理带有浓厚的图像处理色彩,主要目的是图像增强、图像分割和图像分类,为人工判读图像或更进一步的特征层融合提供更佳的输入信息Λ通常数据级融合方法分为[1]:色彩变换法类,例如HIS(hue,intensityandsaturation)方法;调制法类;以PCA(principalcomponentanalysis)及PCS(principalcomponentsubstitution)方法为代表的统计和代数法类;多分辨分析法类,包括HPF(high2passfilter)

好的新结构[2,3]ΛPCNN具有很强的神经生理学基

础Λ它是通过长时间实验观察猫神经元集合的同步特征活动(synchronousfeature2dependentactivity)而得到的模型Λ其基于脉冲的关联机制使用暂态同步化可以完成对图像的分割,同时PCNN还具备对图像旋转、平移以及缩放等仿射变换的不变性Λ图1给出PCNN神经元的拓扑结构Λ

方法,Laplacian金字塔、对比度金字塔、同态金字塔等多种金字塔方法以及小波变换融合方法Λ迄今使用较多的是多分辨分析方法,特别是基于小波变换的方法Λ但由于小波变换不具有平移不变性,输入信