ریاضیات

شبکه های همراه با پالس یا شبکه های عصبی همراه با پالس ( PCNN ) مدل های عصبی هستند که با مدل سازی قشر بینایی گربه ارائه شده و برای پردازش تصویر بیومتیمیک با عملکرد بالا تولید شده اند . [1]

در سال 1989 ، اکهورن یک مدل عصبی برای شبیه سازی مکانیسم قشر بینایی گربه ارائه داد. مدل Eckhorn ابزاری ساده و م forثر برای مطالعه قشر بینایی پستانداران کوچک فراهم کرد و خیلی زود به عنوان پتانسیل کاربرد قابل توجهی در پردازش تصویر شناخته شد.

در سال 1994 ، جانسون مدل Eckhorn را با الگوریتم پردازش تصویر تطبیق داد و این الگوریتم را یک شبکه عصبی همراه با پالس نامید . در طول دهه گذشته ، PCNN ها در برنامه های مختلف پردازش تصویر از جمله: تقسیم بندی تصویر ، تولید ویژگی ها ، استخراج صورت ، تشخیص حرکت ، رشد منطقه و کاهش نویز مورد استفاده قرار گرفته اند .

ویژگی اصلی مدل زمینه اتصال Eckhorn (LFM) اصطلاح اتصال است. LFM مدولاسیون ورودی اصلی توسط یک عامل جبران مغرض است که توسط ورودی پیوند دهنده هدایت می شود. اینها یک متغیر آستانه را تحریک می کنند که از یک مقدار بالای اولیه تجزیه می شود. هنگامی که آستانه به زیر صفر می رسد ، به مقدار زیادی تنظیم می شود و روند از ابتدا شروع می شود. این متفاوت از مدل استاندارد عصبی یکپارچه و آتش است که ورودی را جمع می کند تا زمانی که از حد بالایی عبور کند و به طور موثر "کوتاه شود" تا باعث نبض شود.

LFM از این اختلاف برای حفظ انفجارهای نبض استفاده می کند ، کاری که مدل استاندارد در یک سطح نورون انجام نمی دهد. درک این نکته ارزشمند است که با توجه به سطح ولتاژهای شناور در محفظه (های) دندریتیک ، تجزیه و تحلیل دقیق مدل استاندارد باید شامل یک اصطلاح شنت باشد ، و به نوبه خود این باعث یک اثر تعدیل چندگانه ظریف می شود که یک واقعیت واقعی را امکان پذیر می کند. شبکه مرتبه بالاتر (HON). [2] پردازش تصویر پالس چند بعدی از داده های ساختار شیمیایی با استفاده از PCNN توسط کینزر و همکاران مورد بحث قرار گرفته است. [3]

PCNN یک شبکه عصبی دو بعدی است . هر نوروندر شبکه مربوط به یک پیکسل در یک تصویر ورودی است و اطلاعات رنگی پیکسل مربوطه (به عنوان مثال شدت) را به عنوان محرک خارجی دریافت می کند. هر نورون همچنین با نورون های همسایه خود متصل می شود و محرکهای محلی را از آنها دریافت می کند. محرک های خارجی و محلی در یک سیستم فعال سازی داخلی ترکیب می شوند ، که محرک ها را تا زمانی که از آستانه دینامیکی فراتر نرود و در نتیجه یک پالس تولید می کند ، جمع می کند. از طریق محاسبه تکرار شونده ، سلول های عصبی PCNN سری زمانی خروجی پالس تولید می کنند. سری زمانی خروجی های پالس حاوی اطلاعات تصاویر ورودی است و می تواند برای برنامه های مختلف پردازش تصویر ، مانند تقسیم تصویر و تولید ویژگی استفاده شود. در مقایسه با ابزارهای معمولی پردازش تصویر ، PCNN چندین امتیاز قابل توجه دارد ، از جمله قدرت در برابر نویز ،

یک PCNN ساده به نام مدل قشر مغزدار در سال 2009 ساخته شد. [4]

همانطور که در کتابی به قلم توماس لیندبلاد و جیسون ام کینزر بیان شد ، PCNN برای پردازش تصویر مفید است. [5]

برنامه ها [ ویرایش ]

PCNN است موفقیت در بسیاری از زمینه های علمی و صنعتی، مانند پردازش تصویر (حذف نویز تصویر، ثابت [6] و بهبود تصویر [7] )، همه جفت مسئله یافتن کوتاهترین مسیر، [8] و تشخیص الگو.

منابع 

https://en.wikipedia.org/wiki/Pulse-coupled_networks