【正文】 優(yōu): :第6代： 本代最優(yōu): :第7代： 本代最優(yōu): :第8代： 本代最優(yōu): :第9代： 本代最優(yōu): :第10代： 本代最優(yōu): :第11代： 本代最優(yōu): :第12代： 本代最優(yōu): :第13代： 本代最優(yōu): :第14代： 本代最優(yōu): :第15代： 本代最優(yōu): :第16代： 本代最優(yōu): :第17代： 本代最優(yōu): :第18代： 本代最優(yōu): :第19代： 本代最優(yōu): :第20代： 本代最優(yōu): :第21代： 本代最優(yōu): :第22代： 本代最優(yōu): :第23代： 本代最優(yōu): :第24代： 本代最優(yōu): :第25代： 本代最優(yōu): :第26代： 本代最優(yōu): :第27代： 本代最優(yōu): :第28代： 本代最優(yōu): :第29代： 本代最優(yōu): :第30代： 本代最優(yōu): :第31代： 本代最優(yōu): :第32代： 本代最優(yōu): :第33代： 本代最優(yōu): :第34代： 本代最優(yōu): :第35代： 本代最優(yōu): :第36代： 本代最優(yōu): :第37代： 本代最優(yōu): :第38代： 本代最優(yōu): :第39代： 本代最優(yōu): :第40代： 本代最優(yōu): :第41代： 本代最優(yōu): :第42代： 本代最優(yōu): :第43代： 本代最優(yōu): :第44代： 本代最優(yōu): :第45代： 本代最優(yōu): :第46代： 本代最優(yōu): :第47代： 本代最優(yōu): :第48代： 本代最優(yōu): :第49代： 本代最優(yōu): :第50代： 本代最優(yōu): :由上面實驗可以看出在第47代時得到50次迭代中最優(yōu)的個體，但是出現了一種可能，不能完全保證在50次以后的進化當中最優(yōu)個體也是基本保持不不變，說明第47次迭代產生的最優(yōu)個體仍然還不能完全達到穩(wěn)定，因此將迭代次數改為85再次迭代得到如下結果：第60代： 本代最優(yōu): :第61代： 本代最優(yōu): :第62代： 本代最優(yōu): :第63代： 本代最優(yōu): :第64代： 本代最優(yōu): :第65代： 本代最優(yōu): :第66代： 本代最優(yōu): :第67代： 本代最優(yōu): :第68代： 本代最優(yōu): :第69代： 本代最優(yōu): :第70代： 本代最優(yōu): :第71代： 本代最優(yōu): :第72代： 本代最優(yōu): :第73代： 本代最優(yōu): :第74代： 本代最優(yōu): :第75代： 本代最優(yōu): :第76代： 本代最優(yōu): :第77代： 本代最優(yōu): :第78代： 本代最優(yōu): :第79代： 本代最優(yōu): :第80代： 本代最優(yōu): :第81代： 本代最優(yōu): :第82代： 本代最優(yōu): :第83代： 本代最優(yōu): :第84代： 本代最優(yōu): :第85代： 本代最優(yōu): :經過調整后的200個個體在迭代71次出現了最優(yōu)個體，且在后面的15代個體中都沒有改變，所以可以得到最優(yōu)的迭代次數為80左右為最宜。對上述圖像經過50次試驗，最終得出適用于該類圖像的最優(yōu)模板參數為：用上述模板處理其他圖像的結果如下所示： （a）原圖1 （b）roberts算法 （c）sobel算法 （d）自適應遺傳算法CNN模板 （e）原圖2 （f）自適應遺傳算法CNN模板 （g）原圖3 （h） roberts算法處理 （i） sobel算法處理 （j） CNN處理圖55 各種處理結果對比由上面的圖像處理結果可以看出，對于第二種圖像，經過自適應遺傳算法處理后得到的圖（f），可以看出右上角的邊緣并沒有完全檢測出來，因此同一類圖像訓練出來的模板不一定適用于另一類圖像，一種邊緣檢測的方法并不是都適用。理解并實現了細胞神經網絡對圖像進行邊緣檢測，在基于細胞神經網絡的基礎上，通過自適應遺傳算法改進細胞神經網絡的模板，然后用得到的最優(yōu)解模板對圖像進行邊緣檢測。3)該算法采用了準精確懲罰函數來提高遺傳效率，有效的縮短了訓練時間。在自適應遺傳算法設計CNN模板的算法中涉及到很多參數的選擇問題，本文中有的參數是隨機參數，有的參數是參照其他文獻，這些參數目前還沒有一組廣泛適應的數據，如何優(yōu)化參數選擇，提高實際檢測效果，同樣需要進行大量研究。王老師以其嚴謹求實的治學態(tài)度、高度的敬業(yè)精神、兢兢業(yè)業(yè)、孜孜以求的工作作風和對科研工作的嚴謹負責的態(tài)度對我產生了重要影響，為我樹立了人生的榜樣，使我終身受益。感謝318宿舍的每位舍友，在我撰寫論文的階段，給了我不少寶貴的意見。圖像處理分析與機器視覺(第二版)[M]，人民郵電出版社，2003。[18] Srinivas M, Patnaik L M, Adaptive probabilities of crossover and mutation in genetic algorithms, IEEE Trans On Systems, Man and Cybernetics, 1994,24(4): 656667。[12] ChinWang Tao, Wiley E. Thompson, A Fuzzy IfThen Approach to Edge Detection, IEEE 1993,13561360.[13] 章國寶,“基于正交小波變換的多尺度邊緣提取”[N],中國圖象圖形學報1998, Vol. 3, ,.[14] T. Rostra, , Cellular neural networks, John Wilcy and Sons Ltd, 1992.[15] F. Zou, S. Schwarz, and J. A. Nossek, Cellular neuralnetwork design using a learning algorithm, in Proc. IEEE Int. Wkshp. Cellular Neural Networks Applicat., 1990, pp. 7381.[16] 尚壹，基于細胞神經網絡的圖像處理，[D]，北京，中國科學院，2005。 [4] 吳新余，細胞神經網絡的研究進展[J]，南京郵電學院學報，1992,12.[5] 尚一，[N]..[6] [N]..[7] Chua L O，CNN：Aparadigm for Complexity,World Scientific Series on Nonlinear Science,1998.[8] 張立明，人工神經網絡的模型及其應用[J]，上海，復旦大學出版社，1993。在論文完成之際，謹向王政霞老師致以衷心的感謝!感謝信息科學與工程學院的各位領導和老師，非常感謝您們在這四年的學習中對我的關心和教誨。我的每一步成長都飽含著段老師的汗水、期待和鼓勵，本文取得的成果和王老師的嚴格要求與教誨分不開的。新的檢測算法與經典檢測算法相比，新算法充分利用了多方而的數據信息，因此計算量比較大，計算機硬件技術的飛速發(fā)展一定程度上可以縮小差距，但是進一步研究新算法的并行實施及對算法進一步優(yōu)化設計將是一個新的方向。基于自適應遺傳算法的CNN模板設計主要有以下幾個優(yōu)點：1)該算法采用的是定義的一個Lyapunov函數作為適應度函數，計算量較小，提高了系統(tǒng)的搜索效率。另外，采用CNN能量函數來構建適應度函數，簡化了適應度函數的計算，大大降低了算法的運算量，減少了算法運行時間，提高了算法的收斂速度。圖(54)中其中(d)圖是采用簡單遺傳算法處理的結果可以看出該圖像的噪聲較多而且邊緣不夠清晰；(f)圖是經過自適應遺傳算法迭代85次處理的結果，可以看出該圖噪聲較少而且輪廓清晰，說明用自適應遺傳算法作為CNN的模板參數設計在該類圖像上是可行的。5）進行最重要的一步，分別將當前狀態(tài)的值，以及處理后的圖像、訓練得到的最優(yōu)模板A、B、i的值。2）進入CNN處理階段，這里設置一個最大循環(huán)次數m_number=500，收斂標記m_judge=0，在圖像處理的過程中當m_number500或者m_judge=1時跳出循環(huán)階段，CNN處理圖像完畢，經過試驗證明一般當圖像完全處于收斂階段時m_number等于2或者3，所以經過CNN處理的圖像都能夠達到完全收斂狀態(tài)。原來二值圖像中的1(白色)映射為CNN中的1（白色）。為了滿足CNN的輸入條件，通常對圖像的輸入范圍作如下的調整：1）如果輸入圖像是256真彩色圖像：則將輸入的原始圖像經過灰化得到8比特的灰度圖像；2）如果輸入圖像是8比特灰度圖像，則其原始像素值，而CNN的外界輸入滿足：，因而將映射到[,]的范圍內，即： ()原來灰度圖像中的0(黑色)映射為CNN中的+(黑色)。但是對于細胞神經網絡的邊界細胞(與圖像的邊界相對應)，由于鄰域細胞少于(2r+1)2，在對A與，B與求卷積時，模板中的某些元素將找不到對應的細胞C(k,l)，如果在程序的處理過程中不注意這一點的話，將不能實現對圖像邊緣的提取。在CNN系統(tǒng)中，其輸入為[1,1]，輸出為[1,1]，因而在處理二值圖象時，需要使原來的f(x,y){0,1}映射為f (x,y){1,1}，但必須注意這種映射為:原來0映射為1(純黑色)，原來的1映射為1(純白色)。 本章小結本章主要細胞神經網絡模板參數設置原理和遺傳算法的理論、參數設置和工作流程，以及各自在優(yōu)化過程中的特點。并且可通過k4。,k339。按照以上兩式調整交叉概率和變異概率時，對于應度接近或等于最大適應度的個體，其交叉和變異概率接近或等于零。反之，當較大時，應減少和的值。其基本思想是:設為某一代群體的最高適應度，為該代群體的平均適應度。具體實現的方法為:先隨機生成一個[0,1]內的隨機數r，若r，選擇第一個個體，若，則選擇個體i。具體的懲罰函數設計如下：1）采用凝聚函數法將()式所示的多約束函數最小化問題轉換為()式所示的單約束函數最小化問題： ()2）利用代理約束概念和最大炳原理導出“凝聚函數”，如下所示： ()其中，參數p為一個正的控制參數，不易取得太小，本文通過反復試驗，取p =50,然后，將()式所示的單約束函數最小化問題轉換為()式所示的無約束函數最小化問題: ()3）本章算法中目標函數是CNN的能量函數，能量函數值越小表示個體的性能越好，然而在遺傳算法中適應度函數是非負的，而且適應度值越大表明個體的性能越好。然后將變量a的最大值5，最小值2，以及十進制轉換結果255代入()，即可得其轉換到問題的空間的值：即。需要編輯的模板通常采用以下的方式： ()其中，參數a，b，c，i之間需要滿足一定的約束條件，其約束條件如下所示： ()由()式可知，只需對a, b, c, i 4個變量編碼。問題的目標函數越復雜，參數的選擇就越困難。變異概率越小，可能使得某些基因為過早丟失的信息無法恢復。交叉概率越高，群體引入新結構越快，但己獲得的優(yōu)良基因丟失的也快。2）群體規(guī)模N：大群體含有較多模式，為遺傳算法提供了足夠的模式采樣容量，可以改進遺傳算法的搜索質量，防止成熟前收斂。這組參數在初始化階段或群體進化過程中需要合理的選擇和控制，以使遺傳算法得到最佳的效果。2）該算法存在早熟現象，不易搜索到全局最優(yōu)解?？紤]到以上方法的不足，本章提出一種基于自適應遺傳算法的CNN模板設計算法，該算法通過對文獻[16]中算法的交叉概率和變異概率以及遺傳算子的改進，有效的克服了文獻[17]中算法在設計CNN模板時易于陷入早熟的現象，提高了算法的全局尋優(yōu)能力；另外，改進的算法采用CNN能量函數來構建適應度函數，與圖像的期望邊緣無關，使適應度函數的計算非常簡單，大大降低了算法的運算量，提高了算法的收斂速度。從細胞神經網絡的結構特點可以得出下面幾種細胞神經網絡的模板參數：標準模板格式() ()但是根據經驗，我們合理假設一些條件，進而改造出比較簡單的模板設計；系統(tǒng)的對稱假設：由鄰域定義的對稱性，假設是合理的，它表示細胞間的相互影響是相同的。—。如果建立目標函數和CNN能量函數E(t)之間的關系，并通過能量函數E(t)將約束化問題的解映射到CNN的一個穩(wěn)定狀態(tài)上去，那么就可以用CNN的演化過程來實現優(yōu)化計算。按照能量函數的定義，如果E有界，并目隨著時間t增加E單調下降，則CNN系統(tǒng)是穩(wěn)定的。CNN的一個主要的應用方面是圖象處理，也就是將一個輸入圖象映射或變換到一個對應的輸出圖象。i,j)=2，即使得與圖像邊緣點對應的細胞狀態(tài)值越來越大，狀態(tài)收斂之后的輸出為1。通過上面兩點關系，再加上前面令B=H