【正文】 [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(xué)報(bào)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。圖像處理分析與機(jī)器視覺(第二版)[M]，人民郵電出版社，2003。 [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(bào)，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。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。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。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。我的每一步成長都飽含著段老師的汗水、期待和鼓勵(lì)，本文取得的成果和王老師的嚴(yán)格要求與教誨分不開的。在自適應(yīng)遺傳算法設(shè)計(jì)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。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(jì)算量比較大，計(jì)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(jì)將是一個(gè)新的方向。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(shí)間。基于自適應(yīng)遺傳算法的CNN模板設(shè)計(jì)主要有以下幾個(gè)優(yōu)點(diǎn)：1)該算法采用的是定義的一個(gè)Lyapunov函數(shù)作為適應(yīng)度函數(shù)，計(jì)算量較小，提高了系統(tǒng)的搜索效率。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。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(jì)算，大大降低了算法的運(yùn)算量，減少了算法運(yùn)行時(shí)間，提高了算法的收斂速度。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。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(jì)在該類圖像上是可行的。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(shí)得到50次迭代中最優(yōu)的個(gè)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(gè)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(gè)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(gè)個(gè)體在迭代71次出現(xiàn)了最優(yōu)個(gè)體，且在后面的15代個(gè)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。5）進(jìn)行最重要的一步，分別將當(dāng)前狀態(tài)的值，以及處理后的圖像、訓(xùn)練得到的最優(yōu)模板A、B、i的值。此時(shí)的CNN模板為默認(rèn)模板）。2）進(jìn)入CNN處理階段，這里設(shè)置一個(gè)最大循環(huán)次數(shù)m_number=500，收斂標(biāo)記m_judge=0，在圖像處理的過程中當(dāng)m_number500或者m_judge=1時(shí)跳出循環(huán)階段，CNN處理圖像完畢，經(jīng)過試驗(yàn)證明一般當(dāng)圖像完全處于收斂階段時(shí)m_number等于2或者3，所以經(jīng)過CNN處理的圖像都能夠達(dá)到完全收斂狀態(tài)。首先確定程序的處理圖像，處理圖像的不同其結(jié)果也各不相同，因此圖像的選擇是很重要的環(huán)節(jié)。原來二值圖像中的1(白色)映射為CNN中的1（白色）。其余灰度值均按照由小到大的順序依次映射到由+。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(diào)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(jīng)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(nèi)，即： ()原來灰度圖像中的0(黑色)映射為CNN中的+(黑色)。為了不改變原來圖像的形態(tài)，也可以在原來矩陣的周圍加一圈零元素。但是對于細(xì)胞神經(jīng)網(wǎng)絡(luò)的邊界細(xì)胞(與圖像的邊界相對應(yīng))，由于鄰域細(xì)胞少于(2r+1)2，在對A與，B與求卷積時(shí)，模板中的某些元素將找不到對應(yīng)的細(xì)胞C(k,l)，如果在程序的處理過程中不注意這一點(diǎn)的話，將不能實(shí)現(xiàn)對圖像邊緣的提取。在邊緣檢測中有一點(diǎn)非常重要，就是讀入圖像的邊界問題，在這里有一點(diǎn)是非常重要的，就是圖像的邊界問題。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(shí)，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)。第5章 基于細(xì)胞神經(jīng)網(wǎng)絡(luò)檢測圖像邊緣與效果評價(jià) 圖像預(yù)處理在圖像處理中，無論灰度圖象還是二值圖象，每一項(xiàng)像素的值均為離散量化，采用CNN進(jìn)行圖象處理時(shí)，存在對其輸入與輸出量化的問題。 本章小結(jié)本章主要細(xì)胞神經(jīng)網(wǎng)絡(luò)模板參數(shù)設(shè)置原理和遺傳算法的理論、參數(shù)設(shè)置和工作流程，以及各自在優(yōu)化過程中的特點(diǎn)?？刂平咏畲筮m應(yīng)度的程度。并且可通過k4。為(0,1)的常數(shù)。,k339。采用下式進(jìn)行調(diào)整最為最后的交叉和變異函數(shù): ()上式中，式中，k1,k2,k3,k4,k139。按照以上兩式調(diào)整交叉概率和變異概率時(shí)，對于應(yīng)度接近或等于最大適應(yīng)度的個(gè)體，其交叉和變異概率接近或等于零。另外，當(dāng)種群接近全局最優(yōu)解時(shí)，減小，和的值增大，最優(yōu)個(gè)體容易被破壞，群體有可能收斂不到全局最優(yōu)解。反之，當(dāng)較大時(shí)，應(yīng)減少和的值。相反，其差值越大，說明個(gè)體適應(yīng)度差別大，個(gè)體特性發(fā)散。其基本思想是:設(shè)為某一代群體的最高適應(yīng)度，為該代群體的平均適應(yīng)度。同理個(gè)體的適應(yīng)度值越小，它被選擇到的機(jī)會(huì)也越小，被淘汰的可能性也越大。具體實(shí)現(xiàn)的方法為:先隨機(jī)生成一個(gè)[0,1]內(nèi)的隨機(jī)數(shù)r，若r，選擇第一個(gè)個(gè)體，若，則選擇個(gè)體i。本文中Cmax為到目前為止的各進(jìn)化代中f的最大值。具體的懲罰函數(shù)設(shè)計(jì)如下：1）采用凝聚函數(shù)法將()式所示的多約束函數(shù)最小化問題轉(zhuǎn)換為()式所示的單約束函數(shù)最小化問題： ()2）利用代理約束概念和最大炳原理導(dǎo)出“凝聚函數(shù)”，如下所示： ()其中，參數(shù)p為一個(gè)正的控制參數(shù)，不易取得太小，本文通過反復(fù)試驗(yàn)，取p =50,然后，將()式所示的單約束函數(shù)最小化問題轉(zhuǎn)換為()式所示的無約束函數(shù)最小化問題: ()3）本章算法中目標(biāo)函數(shù)是CNN的能量函數(shù)，能量函數(shù)值越小表示個(gè)體的性能越好，然而在遺傳算法中適應(yīng)度函數(shù)是非負(fù)的，而且適應(yīng)度值越大表明個(gè)體的性能越好。如前面提到，當(dāng)CNN系統(tǒng)收斂到其穩(wěn)定平衡點(diǎn)時(shí)，CNN系統(tǒng)的能量函數(shù)E(t)到達(dá)極小值點(diǎn)，此時(shí)對應(yīng)的CNN模板便是圖像邊緣檢測的最優(yōu)模板，故本文選取能量函數(shù)E(t)直接作為目標(biāo)函數(shù)，通過搜索其極小值點(diǎn)，找到最優(yōu)的CNN模板。然后將變量a的最大值5，最小值2，以及十進(jìn)制轉(zhuǎn)換結(jié)果255代入()，即可得其轉(zhuǎn)換到問題的空間的值：即。通常變量的定義域根據(jù)圖像處理的實(shí)際情況自行設(shè)定，本文中假設(shè)a的定義域?yàn)閇2, 5]，b的定義域?yàn)閇6,9]，c的定義域?yàn)閇1, 2]，i的定義域?yàn)閇1, 2]，規(guī)定變量的精度為小數(shù)點(diǎn)后4位，則變量a的串長計(jì)算過程如下:同理可得：，則一個(gè)個(gè)體的二進(jìn)制串場長為6。需要編輯的模板通常采用以下的方式： ()其中，參數(shù)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： ()