-
Patent Agency Ranking
公开(公告)号：CN104933722B
公开(公告)日：2017-07-11
申请号：CN201510369201.3
申请日：2015-06-29
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于Spiking‐卷积网络模型的图像边缘检测方法，属于图像处理技术领域，解决现有技术仅仅模拟生物神经系统的空间层次结构，缺乏对时间特征的解释问题。本发明基于视觉分层结构的信息处理连接方式，构建有输入层、Spiking‐卷积层和输出层的卷积结构的Spiking‐卷积网络模型；将构建好的卷积结构的Spiking‑卷积网络模型，运用拉普拉斯高斯算子和高斯差分算子分别作为Spiking‑卷积层的滤波器，形成基于算子的Spiking‐卷积算法；获取图像，将图像灰度值像素编码为Spiking神经元，作为Spiking‐卷积网络模型的输入层；将基于算子的Spiking‐卷积算法运用于Spiking‐卷积网络模型，对输入层采取脉冲卷积，然后再根据Spiking阈值点火模型，重构输出图像的边缘。本发明用于图像预处理、特征提取、边缘检测，涉及神经网络，机器学习，Deep Learning。
-
公开(公告)号：CN104050506A
公开(公告)日：2014-09-17
申请号：CN201410293570.4
申请日：2014-06-24
Applicant: 电子科技大学
IPC: G06N3/02
Abstract: 本发明公开了一种基于Spiking神经网络的飞机冲突检测方法，涉及模式识别，模式处理，机器学习，神经网络等领域，具体涉及基于Spiking神经网络的多脉冲误差反传学习算法——利用生物信息传递原理拟合非线性离散数据集，解决现有飞行航迹拟合预测方法的难点。本发明首先为对历史航迹数据进行分析，建立Spiking神经网络模型；再运用学习算法对建立好的Spiking神经网络模型进行训练；最后利用训练后的Spiking神经网络模型进行航迹预测并进行冲突判断。本发明应用于飞行监控、进行冲突判断。
-
公开(公告)号：CN103279958A
公开(公告)日：2013-09-04
申请号：CN201310210479.7
申请日：2013-05-31
Applicant: 电子科技大学
Abstract: 一种Spiking神经网络的图像分割方法，采用群体神经元对图像像素灰度值进行编码，其次设计一个含二维竞争输出层的递归Spiking网络，通过对网络进行训练，最终基于神经元的时间绑定特性并通过对图像进行解码得到分割结果。其可得到更佳的分割结果，采用含延时的递归网络，可反映时域信息，并体现出不同的动态性;采用winner-takes-all与STDP相结合的竞争学习规则，winner的设计便于处理时空图像信息；加入抑制型神经元可防止网络过度兴奋；设计相应的网络对象结构并采用同步与异步相结合的仿真策略实现MATLAB环境下的仿真；训练过程中调整“长期非winner神经元”的权值和阈值可避免局部收敛。
-
公开(公告)号：CN104933722A
公开(公告)日：2015-09-23
申请号：CN201510369201.3
申请日：2015-06-29
Applicant: 电子科技大学
IPC: G06T7/00
CPC classification number: G06T7/13 , G06T2207/20081 , G06T2207/20084
Abstract: 本发明公开了一种基于Spiking‐卷积网络模型的图像边缘检测方法，属于图像处理技术领域，解决现有技术仅仅模拟生物神经系统的空间层次结构，缺乏对时间特征的解释问题。本发明基于视觉分层结构的信息处理连接方式，构建有输入层、Spiking‐卷积层和输出层的卷积结构的Spiking‐卷积网络模型；将构建好的卷积结构的Spiking-卷积网络模型，运用拉普拉斯高斯算子和高斯差分算子分别作为Spiking-卷积层的滤波器，形成基于算子的Spiking‐卷积算法；获取图像，将图像灰度值像素编码为Spiking神经元，作为Spiking‐卷积网络模型的输入层；将基于算子的Spiking‐卷积算法运用于Spiking‐卷积网络模型，对输入层采取脉冲卷积，然后再根据Spiking阈值点火模型，重构输出图像的边缘。本发明用于图像预处理、特征提取、边缘检测，涉及神经网络，机器学习，Deep Learning。
-
公开(公告)号：CN103279958B
公开(公告)日：2015-10-14
申请号：CN201310210479.7
申请日：2013-05-31
Applicant: 电子科技大学
Abstract: 一种Spiking神经网络的图像分割方法，采用群体神经元对图像像素灰度值进行编码，其次设计一个含二维竞争输出层的递归Spiking网络，通过对网络进行训练，最终基于神经元的时间绑定特性并通过对图像进行解码得到分割结果。其可得到更佳的分割结果，采用含延时的递归网络，可反映时域信息，并体现出不同的动态性;采用winner-takes-all与STDP相结合的竞争学习规则，winner的设计便于处理时空图像信息；加入抑制型神经元可防止网络过度兴奋；设计相应的网络对象结构并采用同步与异步相结合的仿真策略实现MATLAB环境下的仿真；训练过程中调整“长期非winner神经元”的权值和阈值可避免局部收敛。
-
-
-
-
Search Results
5
records
(took 0.026 seconds)
