排序方式： 共有2条查询结果，搜索用时 15 毫秒
1
1.
通过对经典自适应谐振(Adaptive Resonance Theory,ART)神经网络聚类过程的分析,指出其存在警戒参数主观设置,过分依赖获胜神经元信息,输出无层次结构等不足之处.在此基础上,提出基于ART2神经网络的改进聚类算法.本算法通过在竞争过程中同时考虑获胜神经元和其它神经元的信息以及Hebb规则来实现通过单个ART神经网络的多层动态聚类结构(对于一定范围粒度的聚类也不再需要重新训练神经网络),除此还降低了对警戒参数主观设置的要求.这些优点有效满足聚类的基本要求,能够避免采用级联结构实现层次聚类带来的性能、参数设置等问题. 相似文献
2.
PCNNģ����ϲ������Ż�������ͼ��ָ� 总被引：1，自引：0，他引：1
脉冲耦合神经网络（PCNN）具有良好的图像分割特性,但神经网络参数的选取对分割效果有较大影响,如何自适应地选择网络参数是脉冲耦合神经网络应用研究的重要内容.本文首次从脉冲耦合神经网络的耦合特性出发,结合神经计算原理及图像局部区域的灰度特性,提出了脉冲耦合神经网络耦合参数的优化算法.首先利用Hebb学习规则对脉冲耦合神经网络模型的链接权值矩阵进行更新,然后利用图像局部区域的均方差自适应确定神经元链接强度系数,最后将优化的PCNN模型应用于运动车辆图像分割.通过耦合参数的优化,增强了神经元之间的耦合强度,与传统PCNN的车辆分割结果相比,较好地避免了过分割和欠分割现象,提高了运动车辆图像中车牌区域的分割质量,为后续车辆特征的提取奠定了良好的基础. 相似文献
1