混沌神经网络在图像处理中的应用.ppt

混沌神经网络优化在图像处理中的应用 姓名： 缪志强 学号：主要内容 神经网络 混沌神经网络 混沌神经网络优化应用 神经网络 人工神经网络是对生物神经网络的一些基本特性的抽象和模拟，是一种基于连接学说的智能仿生模型。 神经网络具有信息分布存储、并行处理以及自学习能力等特点，所以它在信息处理、模式识别等领域有着广泛的应用。 常见的神经网络模型：BP神经网络、自组织神经网络和Hopfield神经网络等。 神经网络 传统神经网络的优缺点： 优点： a)容错性：它可以处理含噪声或不完全的数据和图像；b)并行性：适用于高速并行处理系统；c)具有复杂非线性问题处理能力。 缺点： 神经网络进行目标优化时，本质上是一种梯度下降法优化算法，而这种算法容易陷入局部极小值，而得不到全局最优点。 混沌神经网络 混沌神经网络模型是对传统的神经网络模型的一种改进。 改进动机主要有以下两点： 1)混沌神经网络模型更接近于实际的生物神 经网络。大量的神经生理学和神经解剖学 研究证实，人脑中存在着混沌现象。研究表明正常脑电波就处在混沌状态。 混沌神经网络 2) 克服传统的神经网络容易陷入局部极小 值的缺点。 混沌具有不重复地经历一定范围内的所有状态的遍历性。利用这一特点，混沌可以有效的避免在搜索全局最优解的过程中陷入局部最小解，它和禁忌搜索、模拟退火、遗传算法等一样都可以有效的避免局部最小。 混沌神经网络优化 由于问题的复杂性，具体的模型及建立过程不做介绍。下面主要介绍混沌神经网络在优化问题中的应用： 一个优化问题一般由目标函数和约束条件描述。所以，优化问题求解的关键在于确定目标函数和约束条件。找到这两项后，我们可以通过罚函数法将问题化为无约束问题，得到新的优化目标函数。 混沌神经网络优化 优化问题的难点在于如何寻找合适的目标函数。对于同一个问题，不同的目标函数将导致最终解的不同性能。 好的优化目标函数对优化问题至关重要。优化目标确定后，问题的求解已完成90%，剩下得只是应用优化算法对问题进行求解。 应用：图像复原与图像分割 图像复原： Y = HX + N X和Y 分别为原始图像和退化图像，H为退化函数 ，N为白噪声。优化目标函数可选为： E= D为一个高通滤波器，可以选为Laplace算子。 图像分割：优化目标函数可选为原图像与其分割图像之间的互信息量。 应用：模式联想记忆 类似于Hopfield网络模型，混沌神经网络也可用于模式的联想记忆。我的研究工作主要在这一块，相关结果已形成论文《相空间压缩法实现混沌神经网络联想记忆 》，（已被控制理论与应用 录用）具体结果不作介绍。 结语 这个报告的意义在于向大家介绍一些新的理论、新的方法在模式识别和图像处理中的应用。大家研究的重点可能与混沌理论没多大相关性，但了解一些前沿理论与本学科间的交叉和应用，对开阔大家的视野是有好处的。 谢谢！ 什么是混沌？ 通俗地说，混沌是指发生在确定性系统中的貌似随机的不规则运动. 混沌运动与随机运动对比： 混沌运动 随机运动 动力学行为 确定 不确定(随机) 预测能力 短期可预测 长期不可预测 短期、长期行为 都不可预测 随机因素的来源 系统自身 系统外部 混沌的特征： 混沌现象存在于由一组微分方程或差分方程描述的系统中。系统长期行为对初始条件的敏感依赖性是混沌系统长期行为对初始条件的敏感依赖性是混沌运动的本质特征。也就是人们常说的 “蝴蝶效应”. 蝴蝶效应: 南美洲一只蝴蝶扇一扇翅膀，就会在佛罗里达州引起一场飓风。 其他特征还包括：内随机性、遍历性、分维性、普适性等。 1 几个常见的混沌系统 1) Lorenz系统 ： 其表达式由右式描述， 状态演化图如下图所示。 因其形似蝴蝶，蝴蝶效应由此得来。 几个常见的混沌系统 2) Chua电路: 由美籍华人蔡绍棠教授于1983年提出。 其三维双螺旋吸引子 在二维空间上的投影 如下如所示。 混沌在工程中的应用 由于混沌具有与众不同特性，使得它在工程中有着广泛的应用，包括：混沌电路、混沌保密通信混沌编码、混沌图像和语音信号处理、混沌故障诊断、混沌优化、混沌神经网络、混沌控制等。 1