论文部分内容阅读
在对物体的识别能力上,生物的视觉系统相对于目前的计算机视觉系统拥有更强大的能力。根据最新的神经科学研究成果,如果能建立一个具有适当编码方案和监督学习规则的脉冲神经网络,就可以使用这个网络很好的模拟生物神经系统。通过编码,外部刺激被转换为脉冲序列的稀疏表示;通过学习算法,可以学习这些脉冲信号所蕴含的内部规律。本文从视觉识别的区分性和不变性出发,结合脉冲神经网络的基本理论,建立了一个具有适当编码方案和监督学习规则的脉冲神经网络,并对模型使用的Tempotron学习算法进行改进,提高了算法在低干扰环境下的鲁棒性。本文的主要贡献如下:(1)提出了一种模拟生物视觉系统并具有良好特征表示的图像特征提取方法。该方法根据Gabor函数和人类视觉神经元细胞的感受野相似的特点,通过Gabor滤波器卷积运算多尺度多角度的提取图像特征。并针对卷积层信息冗余的问题,研究了 Gabor滤波器的特性,提出了基于边缘线条梯度方向的卷积层稀疏化方法。最后根据脉冲神经网络的特点并结合延时编码理论,改进采样方法,特征最终被转换为脉冲序列。特征兼顾了区分性和不变性,图像的重要信息得以保留。(2)改进了脉冲神经网络的经典学习算法Tempotron。该算法针对Tempotron的两种误分类情况,通过加入点火阈值的修正项,使修改后的算法能在低噪声干扰的环境下良好的运行,并且能保证较好的分类准确率。改进后的算法提高了Tempotron学习算法的鲁棒性。(3)提出了一种基于脉冲神经网络模拟生物视觉的模式识别模型。该模型结合(1)的图像特征提取方法和(2)的改进后的Tempotron学习算法,高效的提取图像特征并编码为脉冲信号,随后使用学习算法训练网络。最后在Caltech 101数据集中测试模型效果,结果显示,本文提出的模式识别模型在识别准确率上和RFCS模型[22]相当;在噪声干扰的环境下,本文模型的识别准确率略微优于RFCS模型。总体说来,本文提出的模型仿生性能良好,识别效果达到预期,鲁棒性强,这些结果也从侧面为模拟生物计算提供了合理性证明。