尺度空间的联想记忆网络在灰度图中的应用

形态联想记忆网络具有十分优越的抗膨胀噪声或者腐蚀噪声的能力,但抗混合噪声的能力很弱,而在实际中,随机噪声往往是混合型的,既有膨胀噪声又有腐蚀噪声.将形态学尺度空间和形态联想记忆网络相结合,得到了一种新的联想记忆网络,它也具有优越的抗膨胀噪声或者腐蚀噪声的能力,同时它对随机噪声有一定的鲁棒性.通过对含有随机噪声的灰度图像进行自联想记忆和识别处理实验,取得了较为理想的结果,验证了其具有良好的性能.     

一种新的形态学联想记忆网络模型研究

针对即使在输入模式无噪声,形态学联想记忆在用于异联想时仍不能保证完全回忆的问题,从扩大记忆矩阵的存储空间的角度入手,提出一种新的形态学联想记忆模型——三维存储矩阵的形态学联想记忆来刻画MAM(Morphological Associative Memories)的记忆性能。该模型能够弥补传统形态学联想记忆的记忆矩阵的不足,解决MAM在异联想时不能保证对模式对集实现完全回忆的问题。详细阐述了构建三维存储矩阵的原理与步骤,并通过实例验证三维存储矩阵的形态学联想记忆的记忆性能远远优于传统的形态学联想记忆。     

双向模糊形态联想记忆网络及其抗随机噪声的研究

在文献[1]提出的模糊形态联想记忆网络FMAM的基础上,提出了一种新型的模糊形态学双向联想记忆网络FMBAM,证明了FMBAM的双向联想中能够保证记忆在一步之内完成,因此不存在收敛问题,也表明了FMBAM具有优越的抗腐蚀或膨胀噪声的能力.但是,通常的噪声是随机的,为此,本文提出了动态核的方法,从而较好地提高了FMBAM对随机噪声的抗噪能力.仿真实验验证了利用动态核的双向联想记忆网络FMBAM,在加入较大的随机噪声的情况下,仍能保证完全记忆在一步之内完成.     

形态学联想记忆网络的研究进展

形态学联想记忆网络具有无限存储能力、一步回忆记忆、良好地抵抗腐蚀噪声或者膨胀噪声的噪声容限等许多优点.从形态学联想记忆的概念、基本原理、发展脉络、研究新成果,发展趋势和研究方向等多个方面综述了形态学联想记忆网络的研究进展.对形态学联想记忆方面的研究带来了一定的参考价值.     

形态学联想记忆网络记忆性能的定性分析

形态学联想记忆网络基于其前向映射式的网络结构特点,不管有多少个模式对,都可以用一个存储矩阵来进行存储。记忆单个模式对时,该模式对的矩阵信息完全存储在存储矩阵中,所以可以从该模式对的输入模式正确联想出输出模式,但当网络记忆了多个模式对时,各个模式对之间的相互影响就不可避免地存在,在此对其记忆性能进行定性分析,以期对MAM的研究有所裨益。     

形态学联想记忆网络的进展研究

20多年来,形态学联想记忆的研究得到了长足的发展。从形态学联想记忆的基本原理、研究新成果等方面对形态学联想记忆网络的进展进行了研究。期望对形态学联想记忆方面的研究带来裨益。     

动态核的αβ联想记忆网络及抗随机噪声研究

应用αβ联想记忆网络,加入动态核的方法,得到了一种新的联想记忆网络,它不仅解决了灰度图、彩图寻找动态核难的问题,而且也使得αβ联想记忆网络能够很好地处理含随机噪声的图像,包括二值图、灰度图和彩色图像.并成功地解决了图像在含有随机噪声时的联想记忆问题,从而给出了一种较好地处理含噪图像的途径.通过实验,验证了该方法的良好性能,取得了较理想的结果.     

形态学联想记忆的研究综述*

通过提炼出来的一个形态学联想记忆的研究框架,可以很清晰地概括出形态学联想记忆的研究成果,从而可以很合理地归纳出形态学联想记忆仍存在的问题以及今后的发展方向。此形态学联想记忆的研究框架对形态学联想记忆的进一步研究具有一定的指导意义。     

形态学联想记忆存储性能的研究

形态学联想记忆（Morphological Associative Memories,MAM）的存储性能是衡量形态学联想记忆能力大小的重要指标。然而,迄今为止,对形态学联想记忆的存储性能,主要是对异联想形态学联想记忆（hetero-MAM）的存储性能的定量分析和定性刻画并未完成。这是一个悬而未决的理论问题,也是一个MAM应用的实际问题。针对这一问题开展研究,站在概率论的角度,提出一个MAM存储性能的概率模型,并进行了证明。通过定量分析和定性讨论,取得一致结论。研究和分析表明,hetero-MAM的存储性能受到输入模式向量维数n、输出模式向量维数m、以及输入、输出模式对数目K的影响,且三者的影响程度不同。提出的概率模型,对形态学联想记忆的研究、分析、设计和应用,具有一定的启发和帮助。     

对数-指数形态学联想记忆

利用对数和指数算子构建了一种新的形态学联想记忆方法,简称LEMAM.理论分析表明:自联想LEMAM(简称ALEMAM)具有无限存储能力、一步回忆记忆、一定的抵抗腐蚀噪声或膨胀噪声的能力,在输入完全或在一定的噪声范围内,能够保证完全回忆记忆;异联想LEMAM(简称HLEMAM)在输入完全情况下,不能保证完全回忆记忆,但当满足一定条件时,也能够达到完美联想记忆.对比实验结果表明:在一些情况下,LEMAM能够取得较好的联想记忆效果.总体来说,LEMAM丰富了形态学联想记忆的理论和实践,可以作为一种神经计算模型加以研究和利用.     

模糊形态联想记忆网络抗随机噪声研究及应用

利用灰度图像分解的思想,结合模糊形态联想记忆网络的方法,提高了模糊形态联想记忆网络对随机噪声的抗噪能力。成功地解决了灰度图像在含有随机噪声时的模糊联想记忆问题,并把该方法推广到对彩色图像的处理,从而给出了一种较好地恢复含噪灰度图像和彩色图像的途径。通过实验,验证了该方法的良好性能,取得了较理想的结果。     

利用动态核的形态联想记忆网络的研究

在文献[1]的基础上,提出了一个基于动态核的形态联想记忆网络方法,特点是同一幅图像,如果其所含的噪声情况不同,则其核也将不同,从而较好地解决了图像含有随机噪声时的联想记忆问题。实验证明,此方法具有良好的性能,双向联想记忆的准确率优于文献[1]中介绍的方法。     

动态核的形态分解联想算法及抗随机噪声研究

在灰度图像分解算法和动态核形态联想记忆网络的基础上,提出了一种新的联想记忆算法--动态核的形态分解联想算法.该方法显著地提高了联想记忆抗随机噪声的能力,较好地解决了灰度图像在含噪时的联想记忆和识别的问题,从而给出了一种恢复含噪灰度图像的途径,并把该方法推广到了彩色图像的处理.通过实验,验证了该方法的良好性能,取得了理想的结果.     

动态核的形态联想记忆网络在灰度图中的应用

介绍了应用于灰度图像的联想记忆和识别的动态核方法,给出了动态核选择的原则和途径。利用动态核可以解决灰度图像在含有随机噪声时的自联想记忆和识别问题,从而给出了一种较好地处理含噪灰度图像恢复的途径。通过实验,验证了该方法的良好性能,取得了较理想的结果。     

模糊联想记忆对训练模式对摄动的鲁棒性研究

基于模糊取大算子（V）和T-模的模糊合成,构建了一类模糊联想记忆网络（V-T FAM）。利用T-模的模糊蕴涵算子,给出了这类V-T FAM的学习算法。针对训练模式对小幅摄动可能对模糊神经网络的性能产生副作用,提出V-T FAM对训练模式对摄动的鲁棒性概念。理论研究表明,当T-模满足Lipschitz条件时,采用上述学习算法的V-T FAM对训练模式对摄动幅度,在系数为β的条件下全局拥有好的鲁棒性。最后用V-T FAM在图像联想方面的实验验证了理论结果。     

Affine Morphological Multiscale Analysis of Corners and Multiple Junctions

In this paper we study the application of the Affine Morphological Scale Space (AMSS) to the analysis of singularities (corners or multiple junctions) of the shapes present in a 2-D image. We introduce a new family of travelling wave solutions of AMSS which determines the evolution of the initial shapes given by conics. We characterize the evolution of corners accross the scales according to their angle. We develop a numerical algorithm to compute AMSS accross the scales and we present some experimental results about corners and multiple junction detection.