第六章细胞神经网络模型.pptVIP

第三节 实际细胞组成的神经网络 通过在一定的载体上培养神经细胞，使其生长后连成一定的网络，从而具有某种特定功能。 图 6.8 实际细胞的连成的神经网络 从图6.8中可以看到，在第5天大鼠脑细胞已经连成了一定的神经网络。 现在由实际细胞组成的神经网络正处于研究中。 第六章 细胞神经网络模型 神经网络在应用范围上受到很大限制，这是由于： 神经网络经常呈现N个动态范围，因而在电路实现上受到限制； 其次是神经网络的局部特性制约了神经网络在VLSI中的实现途径； 第三是神经网络在处理人类自然语言及识别图形时存在着固有的偏差。 为此提出了细胞神经网络理论并不断得到发展和完善。 第一节 细胞神经网络的理论基础 细胞神经网络产生和发展的理论基础是： (1) 1984年，T.Kohonen 在《 Self—Organization and Associative Memory 》一书中提出了两种邻居系统的结构，而其中之一就是细胞神经网络的原始结构； (2) 利用了Hopfield神经网络模型，并将原有的Hopfield 电路模型中的S 型输入输出特性曲线改成由三条折线组成的非线性特性曲线，同时在电路中引入了自反馈； (3) 受细胞自动机理论的启发，将细胞自动机（Cellular Automatic）的分析方法用于细胞神经网络理论中； (4) 利用蔡少棠教授在非线性运放电路中的研究成果，构成细胞神经网络的硬件； (5) 利用 Lyapunov 能量函数和电路中的基尔霍夫定律确定了电路的稳定性和动态范围。 6.1.1 细胞神经网络的网状结构 图6.1 5×5维的细胞神经网络结构 对于M×N　维的细胞神经网络，若其第ｉ行与第ｊ列的细胞记为C(i,j),则 C(i,j)的近邻细胞的定义如下： 定义9.1 r（半径）——近邻细胞 细胞 C(i,j)在给定半径 r 下的近邻细胞为C(k,l) 其中k，l 表示细胞 C( i , j ) 所定义的近邻细胞C(k, l)的行与列。 图6.2 细胞 C ( i , j ) 的近邻系统 由定义可知细胞神经网络的内部细胞共有（2r+1）2个，且近邻细胞呈现对称性 细胞神经网络的电路结构如图6.3所示。 C ( i, j ) 的节点电压 Vxij 称为细胞的状态， 节点电压 Vuij 为 C ( i , j ) 的输入，且为小于1的常数； 节点电压 Vyij 为 C ( i , j ) 的输出，且为小于1的常数。 图 6.3 细胞神经网络模拟电路 在上图中 C、Rx、Ry 分别是线性电容和线性电阻，I 是独立电源，Ixu( i , j ; k , l ) 和Ixy( i , j ; k , l ) 是线性电压控制电流源，其中 Ixy ( i , j ; k , l ) = A( i , j ; k , l ) Vykl Ixu ( i , j ; k , l ) = B( i , j ; k , l ) Vukl Iyx = (1/Ry)f(Vxij)是一个具有分段线性电压控制的电流源。 f(Vxij)的特性曲线如图6.4所示。 Eij 是一个独立电压源。 图 6.4 非线性受控源特性 根据上述电路可以得出一个细胞的电路方程组为： 状态方程： 输出方程： 输入方程： 约束方程： 参数假设： 6.1.2 细胞神经网络的动态范围 在设计一个实际的细胞实际网络时，为保证满足前面所述动态方程的假设条件，必须研究并确定其动态范围。 定理 6.1 在细胞神经网络中所有的状态 Vxij 是有界的(t0)，且其边界值完全由下列公式来计算，并适用于任何细胞神经网络 对于一个任意的细胞神经网络来说，参数 Rx，C， A( i , j ; k , l ) 和 B( k , l ; i , j ) 均为有限值的常数，因此各细胞的状态边界值 Vmax 是一个有限值，并可通过上式来计算。 6.1.3 细胞神经网络的稳定性 细胞神经网络用于图像处理的基本功能之一是将一幅输入图像转换成相应的输出图像，由于输入图像有多个灰度等级，就意味着图像处理细胞神经网络必须在跟踪一个暂态过程后收敛到一个恒定的稳态，所以有必要研究细胞神经网络的稳定性。 分析动态非线性电路收敛性的最有效方法是Lyapunov方法，下面先定义细胞神经网络的Lyapunov能量函数。 定义6.2 细胞神经网络的 Lyapunov 能量函数定义为 定理 6.2 上式所定义的 E (t) 是有界的，即 其中 从上面的定理很容易得到下面的结果： 定理 6.3 对于一个细胞神经网络的任意给定的输入 V