论文部分内容阅读
国内外专家学者在过去几十年中对图像恢复进行了广泛而深入的研究,提出了一些有效的图像恢复算法,但这些传统的方法都存在各自的局限性。神经网络能够有效地解决图像恢复的非线性模型,而且不需要知道先验知识。基于神经网络的图像恢复能够避免传统方法的一些不足,成为新的研究热点。RBF神经网络(RBFNN)是一种高效的前馈式神经网络,它具有其他前向网络所不具有的最佳逼近性能和全局最优特性,并且结构简单,训练速度快。本文在研究RBFNN基础上将其与WLP网络结合构成递归神经网络,探讨了一种动态递归RBFNN (DRRBFNN)模型并用于图像恢复;然后运用自适应遗传算法(AGA)对其参数进行优化,提出了一种基于自适应遗传算法的DRRBFNN(AGA-DRRBFNN),避免了人工选择网络参数的弊端。本文的主要工作总结如下:(1)对图像恢复技术进行了讨论,并重点研究了人工神经网络在图像恢复中的应用,分析了人工神经网络在图像恢复应用中的研究动态和发展趋势。(2)对RBF神经网络的基本原理进行了研究,分析了RBF神经网络的理论基础,网络结构以及映射方式,并重点对RBFNN的训练算法做了全面的研究和总结。(3)研究了一种动态递归RBFNN模型,着重研究了网络训练算法中的最近邻聚类学习算法和梯度下降学习算法,在分析了这两种学习算法的性能基础上将二者结合用于DRRBFNN的训练。并分析讨论了影响网络分类精度和收敛速度的中心宽度参数γ和收敛参数K。通过实验验证了上述方法对于含有椒盐噪声的图像有较好的恢复效果。(4)对AGA算法进行了深入研究,并运用AGA算法自动确定动态RBFNN的中心参数,避免了人工选择的对网络性能的影响,在WINE数据集、IRIS数据集上分别进行了实验比较,并将本模型应用于图像恢复,试验结果验证了该方法的有效性。