自适应遗传算法、细胞神经网络、数字图像处理、模板设计-.pptVIP

基于细胞神经网络的图像边缘检测算法研究 2012年 毕业答辩 指导老师：王政霞 学 生：冯俊杰 信息科学与工程学院2012届毕业答辩 细胞神经网络 图1 标准CNN模型结构 CNN基本单元称为细胞(图中方块所示)，第i行，第J列的细胞用Cij表示，细胞之间的连线表示所连接的细胞之间的相互作用。与Hopfield神经网络的全连接结构不同，CNN的细胞是局部互连的，每一个细胞Cij仅与它的邻域Nij(r)(如3X3邻域)中的细胞相连，这些相连的细胞通过权重直接相互作用，而不直接相连的细胞则通过网络的连续动态动力学传输效应间接地相互作用。 信息科学与工程学院2012届毕业答辩 细胞神经网络 1、CNN状态方程： 2、CNN差分方程： 信息科学与工程学院2012届毕业答辩 细胞神经网络 3、CNN模板选择： 其中，A--反馈模板，B--控制模板，I--阈值 信息科学与工程学院2012届毕业答辩 细胞神经网络 4、 图像预处理： 为了满足CNN的约束条件（Vuij=1），将图像像素值[0, 255]线性映射到[-1, 1]的范围内，即将图像的像素点进行如下的处理: CNN应用于图像处理时，它的规模与待处理图像的规模相同，如果待处理的图像包含M×N个像素，则CNN就包含M×N个细胞神经元，这里，像素与细胞一一对应，处理时，设定CNN的初始状态值为零，将网络中的每个点进行迭代，直至整个网络稳定，这时输出为二值。 信息科学与工程学院2012届毕业答辩 细胞神经网络 5、CNN图像流程图： 信息科学与工程学院2012届毕业答辩 遗传算法 基本介绍： 遗传算法是一类随机的优化算法，它的特点在于通过对染色体的评价和遗传操作，有效地利用己有的信息指导搜索有希望改善优化质量的状态。遗传算法的编码和遗传操作比较简单，优化不受限制性条件的约束，并且具有隐含并行性和全局解空间搜索的两大优点。下面对遗传算法进行简单介绍。 信息科学与工程学院2012届毕业答辩 遗传算法 1、选择操作： 选择操作是指从旧群体中以一定概率选择个体到新的群体当中，个体被选中的概率跟适应度的值有关，个体适应度值越大越好，假设某个体的适应度值很大，即意味着该个体被选中的概率越大。选择的方式主要有：轮盘赌选择、随机遍历抽样、锦标赛、繁殖池以及排序选择法（本文采用轮盘赌选择法）。 信息科学与工程学院2012届毕业答辩 遗传算法 2、交叉操作: 交叉操作是指从个体中选择两个个体，通过两个染色体的交换组合，来产生新的优秀的个体。交叉过程为从群体中任选两个染色体，交叉的方式分为实质重组，二进制交叉，二进制交叉又可以分为：单点、两点、多点、均匀交叉等，本文中选用单点交叉。 信息科学与工程学院2012届毕业答辩 遗传算法 3、变异操作: 变异操作是指从群体中任选一个个体，选择染色体中的一点进行变异以产生更优秀的个体。 信息科学与工程学院2012届毕业答辩 遗传算法 4、编码方式： 参数取值范围： 映射公式： 假设参数a=00000011111111，转换成二进制为255，则解码过程为： 信息科学与工程学院2012届毕业答辩 自适应遗传算法 遗传算法的参数中交叉概率Pc和变异概率Pm的选择是影响遗传算法行为和性能的关键所在，直接影响算法的收敛性, Pc 越大，新个体产生的速度就越快，然而 Pc过大时遗传模式被破坏的可能性也越大，使得具有高适应度的个体结果很快就被破坏；但是如果Pc过小，会使搜索过程缓慢，一直停滞不前。对于变异概率Pm，如果Pm过小，就不易产生新的个体结构，如果Pm取值过大，那么遗传算法就变成了随机搜索算法。Srinvivas等提出了一种自适应遗传算法， Pc和 Pm能够随适应度自动改变。 算法思想: 对于适应度高的个体与群体平均适应值高的群体，相对应于较低的Pc和 Pm，使该解得以保护进入下一代；而低于平均适应值的个体，相对应于较高的Pc和 Pm，使该解被淘汰。 信息科学与工程学院2012届毕业答辩 自适应遗传算法 其中，fmax为某一代群体的最高适应度，favg为该代群体的平均适应度f为要交叉的两个个体中较大的适应度值；f为要变异个体的适应度值，k1,k2,k3,k4,k1,k2,k3,k4为(0,1)的常数。 信息科学与工程学院2012届毕业答辩 边缘检测 1、边缘检测流程图：