時空編碼脈衝耦合神經網絡理論及應用 （簡體書）

《時空編碼脈衝耦合神經網絡理論及應用》全面而系統地介紹了具有生物學背景的時空編碼脈衝耦合神經網絡的理論及應用。《時空編碼脈衝耦合神經網絡理論及應用》共9章，第1、2章介紹時空編碼人工神經網絡和空間編碼人工神經網絡的異同，時空編碼脈衝耦合神經網絡的基本理論、應用及研究現狀，脈衝耦合神經網絡的動態行為，以及更便於用硬體實現的單位連接模型；第3～7章介紹脈衝耦合神經網絡在影像處理、特徵提取、模式識別和優化等方面的理論及應用研究，融合數學形態學、模糊數學、粗集和粒子濾波等理論，並由數學形態學得到脈衝耦合神經網絡影像處理通用設計方法，具體介紹了近二十種相關應用；第8、9章介紹基於脈衝耦合神經網絡的仿生建模理論及應用，將脈衝耦合神經網絡和注意力選擇相融合，充分貫徹拓撲性質知覺理論，採用同步振盪特徵捆綁理論，引入光流場方法，分別建立方位檢測、心理學注意力選擇、神經生物學注意力選擇仿生模型，並應用於目標跟蹤等方面。

顧曉東，1970年10月出生，博士，復旦大學信息科學與工程學院教授，博士生導師。現為國際神經網絡協會會員、國際權威期刊Neural Networks編委會委員等；曾任日本九州工業大學Guest Professor（2009年）、美國普林斯頓大學Visiting Fellow（2010年～2011年）。先後主持完成國家自然科學基金面上項目、上海市自然科學基金面上項目等10余項縱向課題；獲上海市自然科學獎三等獎、上海市優秀發明選拔賽銀獎等；獲國家專利授權4項；出版英文合著4部；在國內外期刊及會議發表學術論文100餘篇，其中70餘篇被SCI／EI收錄。主要研究領域：時空編碼人工神經網絡、脈衝耦合神經網絡、影像處理、仿生建模和模式識別等。

《時空編碼脈衝耦合神經網絡理論及應用》可供信號與信息處理、人工神經網絡、模式識別、電路與系統、機器學習、計算機視覺、生物醫學工程和遙感等專業的高年級本科生、研究生，以及科研與工程技術人員參考。

《信息科學技術學術著作叢書》序
前言
第1章緒論1
1.1人工神經網絡的緣起1
1.2平均點火率神經網絡2
1.2.1平均點火率神經網絡的發展歷程2
1.2.2平均點火率神經網絡的局限性3
1.3脈衝神經網絡4
1.3.1脈衝神經網絡的發展回顧4
1.3.2脈衝神經網絡信息編碼6
1.4本書的內容及組織安排7
1.4.1本書內容7
1.4.2本書組織安排9
1.5本章小結10
參考文獻10
第2章脈衝耦合神經網絡基本理論18
2.1脈衝耦合神經元及其簡化模型18
2.1.1脈衝耦合神經元模型及分析18
2.1.2單位連接脈衝耦合神經元模型及分析23
2.1.3脈衝耦合神經元與平均點火率神經元的區別27
2.2脈衝耦合神經網絡27
2.2.1脈衝耦合神經網絡的連接方式27
2.2.2脈衝耦合神經網絡動態行為分析29
2.3脈衝耦合神經網絡的特性與應用33
2.3.1脈衝耦合神經網絡的特性33
2.3.2脈衝耦合神經網絡的應用34
2.3.3脈衝耦合神經網絡的硬體實現36
2.4脈衝耦合神經網絡的發展前景37
2.5本章小結39
參考文獻40
第3章基於PCNN的影像處理與模糊數學及粗集理論50
3.1基於Unit—linking PCNN的圖像分割50
3.1.1基於Unit—linking PCNN及圖像熵的圖像分割方法51
3.1.2基於長條圖及邊緣乘積互信息的Unit—linking PCNN圖像分割57
3.2基於Unit—linking PCNN的圖像陰影去除65
3.2.1基於Unit—linking PCNN的圖像陰影去除方法及分析65
3.2.2Unit—linking PCNN陰影去除方法在道路檢測中的應用74
3.3基於PCNN的圖像去噪及與模糊數學的結合77
3.3.1基於PCNN的圖像去噪77
3.3.2基於PCNN及模糊算法的四值圖像去噪81
3.4基於PCNN與粗集理論的圖像增強84
3.4.1粗集理論簡介84
3.4.2基於PCNN與粗集理論的圖像增強方法及模擬85
3.4.3模擬及分析87
3.5本章小結88
參考文獻89
第4章PCNN影像處理通用設計方法與數學形態學94
4.1Unit—linking PCNN與數學形態學的關係94
4.1.1影像處理中的數學形態學94
4.1.2網絡中脈衝傳播和數學形態學的等價關係96
4.2Unit—linking PCNN影像處理通用設計方法及應用97
4.2.1Unit—linking PCNN影像處理通用設計方法97
4.2.2Unit—linking PCNN顆粒分析及形態學分析97
4.2.3基於Unit—linking PCNN的圖像斑點去除方法及形態學分析102
4.2.4基於Unit—linking PCNN的邊緣檢測方法及形態學分析104
4.2.5基於Unit—linking PCNN的空洞濾波方法及形態學分析107
4.2.6基於Unit—linking PCNN的細化方法及形態學分析110
4.3本章小結117
參考文獻117
第5章Unit—linking PCNN特徵提取及應用120
5.1Unit—linking PCNN全域圖像時間簽名120
5.2Unit—linking PCNN局部圖像時間簽名127
5.3基於Unit—linking PCNN全域圖像時間簽名的目標識別130
5.4基於Unit—linking PCNN圖像時間簽名的機器人自主導航135
5.4.1發育機器人自主導航流程135
5.4.2增量分層回歸法136
5.4.3增量主元分析方法140
5.4.4非平穩視頻流導航中Unit—linking PCNN全域圖像時間簽名的性能142
5.4.5Unit—linking PCNN時間簽名應用於平穩視頻流的機器人導航142
5.5基於粒子濾波及Unit—linking PCNN圖像時間簽名的目標跟蹤144
5.5.1粒子濾波簡介145
5.5.2粒子濾波目標跟蹤145
5.5.3Unit—linking PCNN圖像時間簽名應用於粒子濾波目標跟蹤146
5.6基於Unit—linking PCNN局部圖像時間簽名的圖像認證151
5.6.1基於內容及數字簽章的圖像認證151
5.6.2基於Unit—linking PCNN局部圖像時間簽名的圖像認證151
5.7基於Unit—linking PCNN特徵提取的圖像檢索154
5.7.1用於圖像檢索的Unit—linking PCNN特徵155
5.7.2相似度160
5.7.3模擬及分析163
5.8本章小結172
參考文獻173
第6章PCNN車牌和靜脈識別及多值模型資料分類179
6.1基於Unit—linking PCNN的車牌識別179
6.1.1車牌識別概述180
6.1.2Unit—linking PCNN應用于車牌定位182
6.1.3Unit—linking PCNN應用于車牌字元分割187
6.1.4基於Unit—linking PCNN的車牌字元識別190
6.2Unit—linking PCNN應用於手靜脈識別193
6.2.1手靜脈識別概述193
6.2.2Unit—linking PCNN細化方法應用於手靜脈識別194
6.2.3實驗結果及討論196
6.3多值脈衝耦合神經網絡及應用198
6.3.1多值脈衝耦合神經網絡198
6.3.2基於多值模型脈衝波的資料分類200
6.4本章小結205
參考文獻206
第7章基於Unit—linking PCNN的靜態及動態路徑尋優212
7.1基於時延Unit—linking PCNN的靜態最短路徑求解212
7.1.1時延Unit—linking PCNN213
7.1.2基於時延Unit—linking PCNN的最短路徑求解214
7.1.3模擬及分析217
7.2基於頻寬剩餘率及Unit—linking PCNN的靜態路徑尋優218
7.2.1基於頻寬剩餘率及Unit—linking PCNN的最優路徑求解219
7.2.2模擬及分析222
7.3基於Unit—linking PCNN的動態網絡最優路徑求解224
7.3.1概述224
7.3.2基於Unit—linking PCNN的最優路徑動態求解方法226
7.3.3模擬及分析228
7.4本章小結235
參考文獻236
第8章PCNN與注意力選擇和拓撲性質知覺理論的結合及應用238
8.1PCNN與心理學注意力選擇的結合238
8.1.1心理學注意力選擇計算模型239
8.1.2PQFT與Unit—linking PCNN相結合的沙漠車輛識別241
8.1.3PQFT與Unit—linking PCNN相結合的海上目標識別249
8.1.4基於PCNN和PQFT的足球檢測與跟蹤251
8.2基於PCNN與拓撲性質知覺理論的注意力選擇257
8.2.1拓撲性質知覺理論258
8.2.2基於PCNN和拓撲知覺的注意力選擇259
8.2.3基於PCNN、光流場及拓撲知覺的運動目標注意力選擇275
8.3本章小結281
參考文獻281
第9章Unit—linking PCNN方位檢測及同步振盪注意力選擇288
9.1模型概述288
9.1.1結構288
9.1.2所建模型與生物視覺系統的關係289
9.2基於Unit—linking PCNN的仿生方位檢測290
9.2.1Unit—linking PCNN邊緣檢測290
9.2.2用Unit—linking PCNN模仿生物視覺皮層的方位檢測292
9.2.3模擬及分析296
9.3具有Top—down機制的Unit—linking PCNN注意力選擇298
9.3.1Unit—linking PCNN注意力選擇概述298
9.3.2目標輪廓鏈碼299
9.3.3Unit—linking PCNN注意力選擇層300
9.3.4模擬及分析310
9.4本章小結311
參考文獻312