【正文】 值，以及處理后的圖像、訓(xùn)練得到的最優(yōu)模板A、B、i的值。 自適應(yīng)遺傳算法模板實(shí)現(xiàn)與性能比較，其中個體數(shù)量設(shè)置為200，迭代次數(shù)為50次。第1代： 本代最優(yōu): :第2代： 本代最優(yōu): :第3代： 本代最優(yōu): :第4代： 本代最優(yōu): :第5代： 本代最優(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(shí)驗(yàn)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(xiàn)了一種可能，不能完全保證在50次以后的進(jìn)化當(dāng)中最優(yōu)個體也是基本保持不不變，說明第47次迭代產(chǎn)生的最優(yōu)個體仍然還不能完全達(dá)到穩(wěn)定，因此將迭代次數(shù)改為85再次迭代得到如下結(jié)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(jīng)過調(diào)整后的200個個體在迭代71次出現(xiàn)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(shù)為80左右為最宜。下面是第71代得到的最優(yōu)模板參數(shù)： ()下面是用各種模板與傳統(tǒng)邊緣檢測算子處理的結(jié)果：圖52 圖53 經(jīng)過CNN模板處理后的部分圖像數(shù)據(jù) (a)原圖 （b）roberts算法 （c）sobel算法 （d）簡單遺傳算法 （e）自適應(yīng)遺傳算法迭代50次 （f）自適應(yīng)遺傳算法迭代85次 (g）i值較大 （h）i值較小圖54 各種算法檢測結(jié)果對比圖(52),(53)是圖像轉(zhuǎn)換成[,]之后以及經(jīng)過CNN模板處理后的結(jié)果，可以看出經(jīng)過CNN處理后的終態(tài)值都趨于一個常數(shù)。圖(54)中其中(d)圖是采用簡單遺傳算法處理的結(jié)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(jīng)過自適應(yīng)遺傳算法迭代85次處理的結(jié)果，可以看出該圖噪聲較少而且輪廓清晰，說明用自適應(yīng)遺傳算法作為CNN的模板參數(shù)設(shè)計在該類圖像上是可行的。經(jīng)過實(shí)驗(yàn)發(fā)現(xiàn)閾值i的大小對噪聲有一定的影響，當(dāng)i值較大時圖像的輪廓較清晰但噪聲較多；相反當(dāng)i取值較小時噪聲較少但輪廓不夠清晰。對上述圖像經(jīng)過50次試驗(yàn)，最終得出適用于該類圖像的最優(yōu)模板參數(shù)為：用上述模板處理其他圖像的結(jié)果如下所示： （a）原圖1 （b）roberts算法 （c）sobel算法 （d）自適應(yīng)遺傳算法CNN模板 （e）原圖2 （f）自適應(yīng)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(jié)果對比由上面的圖像處理結(jié)果可以看出，對于第二種圖像，經(jīng)過自適應(yīng)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(xùn)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。 本章小結(jié)本章首先提出簡單的遺傳算法模板設(shè)計，然后提出基于自適應(yīng)遺傳算法的CNN模板設(shè)計算法，該算法通過對簡單遺傳算法的交叉概率和變異概率以及遺傳算子的改進(jìn)有效的克服了簡單遺傳算法設(shè)計CNN模板時易于陷入早熟的現(xiàn)象，提高了算法的全局尋優(yōu)能力。另外，采用CNN能量函數(shù)來構(gòu)建適應(yīng)度函數(shù)，簡化了適應(yīng)度函數(shù)的計算，大大降低了算法的運(yùn)算量，減少了算法運(yùn)行時間，提高了算法的收斂速度。第6章 總結(jié)與展望 總結(jié)本文以圖像的邊緣檢測作為主要研究內(nèi)容，對現(xiàn)有的邊緣檢測的相關(guān)算法做了分析。理解并實(shí)現(xiàn)了細(xì)胞神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行邊緣檢測，在基于細(xì)胞神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，通過自適應(yīng)遺傳算法改進(jìn)細(xì)胞神經(jīng)網(wǎng)絡(luò)的模板，然后用得到的最優(yōu)解模板對圖像進(jìn)行邊緣檢測。通過比較發(fā)現(xiàn)，改進(jìn)的自適應(yīng)遺傳算法能夠在某些類別圖像的邊緣檢測上顯現(xiàn)出優(yōu)勢，能夠清晰的得到圖像的邊緣，但對于有深度或者層次感不夠清晰地圖像而言則較困難，因此對于不同類別的圖像有其最適應(yīng)的邊緣檢測方法?；谧赃m應(yīng)遺傳算法的CNN模板設(shè)計主要有以下幾個優(yōu)點(diǎn)：1)該算法采用的是定義的一個Lyapunov函數(shù)作為適應(yīng)度函數(shù)，計算量較小，提高了系統(tǒng)的搜索效率。2)該算法避免了早熟的現(xiàn)象，在時間允許范圍能夠得到全局最優(yōu)解。3)該算法采用了準(zhǔn)精確懲罰函數(shù)來提高遺傳效率，有效的縮短了訓(xùn)練時間。 展望由于知識的海洋是無窮盡的，在短短幾個月當(dāng)中并不能完全的吸納邊緣檢測的精髓，在以后的時間理可以對其中的地方做一些改進(jìn)：首先，檢測速度問題。新的檢測算法與經(jīng)典檢測算法相比，新算法充分利用了多方而的數(shù)據(jù)信息，因此計算量比較大，計算機(jī)硬件技術(shù)的飛速發(fā)展一定程度上可以縮小差距，但是進(jìn)一步研究新算法的并行實(shí)施及對算法進(jìn)一步優(yōu)化設(shè)計將是一個新的方向。其次，算法中涉及的參數(shù)選擇問題。在自適應(yīng)遺傳算法設(shè)計CNN模板的算法中涉及到很多參數(shù)的選擇問題，本文中有的參數(shù)是隨機(jī)參數(shù)，有的參數(shù)是參照其他文獻(xiàn)，這些參數(shù)目前還沒有一組廣泛適應(yīng)的數(shù)據(jù)，如何優(yōu)化參數(shù)選擇，提高實(shí)際檢測效果，同樣需要進(jìn)行大量研究。致 謝 本論文的研究工作是在王政霞老師精心的指導(dǎo)和嚴(yán)格的要求下完成的。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(yán)格要求與教誨分不開的。正是王老師的悉心指導(dǎo)、嚴(yán)格要求、熱情鼓勵以及她為我創(chuàng)造的良好學(xué)術(shù)氛圍，使得我順利完成本論文的研究工作。王老師以其嚴(yán)謹(jǐn)求實(shí)的治學(xué)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(fēng)和對科研工作的嚴(yán)謹(jǐn)負(fù)責(zé)的態(tài)度對我產(chǎn)生了重要影響，為我樹立了人生的榜樣，使我終身受益。她淵博的知識、開闊的視野和敏銳的思維給了我深深的啟迪。在論文完成之際，謹(jǐn)向王政霞老師致以衷心的感謝!感謝信息科學(xué)與工程學(xué)院的各位領(lǐng)導(dǎo)和老師，非常感謝您們在這四年的學(xué)習(xí)中對我的關(guān)心和教誨。感謝四年來朝夕相處的同學(xué)們，感謝318宿舍的每位舍友，四年來有你們的幫助和鼓勵，我才能在學(xué)習(xí)上取得更好的成績，在生活中得到更多的歡樂。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。更不能忘記的是，在多年的求學(xué)生涯中，我的家人和朋友對我無微不至的關(guān)懷和強(qiáng)有力的支持，祝愿您們幸福安康! 感謝所有關(guān)心和支持我的人，祝您們身體健康、萬事如意! 最后，再次對所有關(guān)心、支持和幫助我的老師、同學(xué)、朋友和親人表示衷心地感謝!馮俊杰 2012年6月1日參考文獻(xiàn)[1] Hopfield ,Neural Networks and Physical Systems with Emergent Collective Computational Abilites, Proc. Nat. .,USA, 79, 1982,25542558.[2] Tank D. W. and Hopfield ，Simple Neural Optimization Networks: An A/D Converter,signal Decision Circuit,and a Linear Programming Circuit,IEEE ,，May,1986 ,.[3] 黃立宏，李雪梅，細(xì)胞神經(jīng)網(wǎng)絡(luò)——動力學(xué)[M]，北京：科學(xué)出版社，2007。 [4] 吳新余，細(xì)胞神經(jīng)網(wǎng)絡(luò)的研究進(jìn)展[J]，南京郵電學(xué)院學(xué)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(jīng)網(wǎng)絡(luò)的模型及其應(yīng)用[J]，上海，復(fù)旦大學(xué)出版社，1993。[9] Chua L O,Yang L,Celluar Neural Networks: Rrans on Circuits and Systems,1988.[10] , and 著，艾海舟，武勃等譯。圖像處理分析與機(jī)器視覺(第二版)[M]，人民郵電出版社，2003。[11] Aizenberg, Igor N., Processing of noisy and smalldetailed grayscale images using cellular neural networks, Journal of Electronic Imaging, July 1997。[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(xué)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(xì)胞神經(jīng)網(wǎng)絡(luò)的圖像處理，[D]，北京，中國科學(xué)院，2005。[17] De Jong, An analysis of the behavior of a class of genetic adaptive systems[D],University of Michigan,No,769381,1975。[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。41