Spiking神经网络及其在图像处理技术上的应用研究

《Spiking神经网络及其在图像处理技术上的应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、电子科技大学UNIVERSITYOFELECTRONICSCIENCEANDTECHNOLOGYOFCHINA硕士学位论文MASTERTHESIS论文题目Spiking神经网络及其在图像处理技术上的应用研究学科专业计算机软件与理论学号201222060562作者姓名潘婷指导教师屈鸿副教授分类号密级注1UDC学位论文Spiking神经网络及其在图像处理技术上的应用研究（题名和副题名）潘婷（作者姓名）指导教师屈鸿副教授电子科技大学成都（姓名、职称、单位名称）申请学位级别硕士学科专业计算机软件与理论提交论文日期2015.03.27

2、论文答辩日期2015.05.11学位授予单位和日期电子科技大学2015年06月答辩委员会主席评阅人注1：注明《国际十进分类法UDC》的类号。RESEARCHONSPIKINGNEURALNETWORKSANDITSAPPLICATIONONIMAGEPROCESSINGAMasterThesisSubmittedtoUniversityofElectronicScienceandTechnologyofChinaMajor:ComputerSoftwareandTheoryAuthor:PanTingAdvisor:QuHo

3、ngSchool:ComputerScienceandEngineering独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。作者签名：日期：年月日论文使用授权本学位论文作者完全了解电子科技大学有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交

4、论文的复印件和磁盘，允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。（保密的学位论文在解密后应遵守此规定）作者签名：导师签名：日期：年月日摘要摘要被誉为“第三代神经网络”的Spiking神经网络是神经科学，计算智能领域的最新研究成果，它是能够有效模拟生物神经元之间信息随时间连续传递的动力系统。该模型采用时间编码方式组织信息，可以模拟真实生物中的信息处理机制，比传统神经网络更接近实际生物神经系统。研究表明，Spiking神经元

5、具备对外部输入信息的非线性处理能力，其编码机制、神经元模型、突触学习规则等都与传统神经网络大有不同，研究其内部机制并对其应用进行探索是很有意义的。而卷积神经网络作为DeepLearning领域中的一大分支，能有效模仿生物大脑空间层次结构来解释数据处理流程。因此，本文探究具有高度仿生物脉冲时序处理能力的Spiking机制，与具有空间抽象特征提取能力的卷积网络相结合，以全新的时空结合方式探索更符合生物认知规则的新模型，从而提高对时空数据的处理能力，既具有极强的科学研究意义，又具有较高的工程应用价值。本文的工作主要有三个方面：首先

6、，提出了一种具有良好空间表征特性和时间信息传递的Spiking-卷积神经网络模型。利用具有时序处理能力的Spiking神经元代替传统方式来组织、表示和传递信息，针对时间脉冲进行卷积，将Spiking的时间处理特性和卷积网络空间连接方式有机结合。这种基于卷积网络的Spiking-卷积模型继承了卷积结构的局部连接、权值共享结构，对数据具有高度不变性，具有较少训练参数，同时具备了对时序数据的计算能力，汲取了两者之所长。这也是首次把Spiking神经机制和卷积神经网络结合起来，以达到对时空特征的自动提取能力；其次，本文提出了基于Sp

7、iking-卷积的图像边缘检测算法，运用拉普拉斯高斯算子（LOG）和高斯差分函数（DOG）两种经典有效的滤波器，进行Spiking-卷积，替换传统卷积方式，对图像进行边缘提取，为了验证Spiking-卷积新算法完成边缘检测的性能，我们做了仿真实验，并取得了良好的效果，为后续工作提供了技术保障；最后，本文给出了一个基于Spiking-卷积机制的图像识别计算模型，该模型具有Spiking-卷积的时空信息表示方案、Spiking网络结构、学习算法以及合理的投票决策方案，共同组成了一个高效、统一的Spiking-卷积识别系统。为了研

8、究其在图像识别上的应用，本文通过计算机仿真和模拟，验证算法的性能，并得到预期的效果，使该方法既有高度仿生物性能，符合生物认知行为规则，又能有效的进行时空数据的特征表示，完成智能识别任务。关键词：Spiking神经网络，Spiking-卷积，时空特征，边缘检测，图像识别IABSTRACTAB