基于動態(tài)遞歸RBF神經(jīng)網(wǎng)絡的圖像恢復技術研究.pdf

1、國內(nèi)外專家學者在過去幾十年中對圖像恢復進行了廣泛而深入的研究，提出了一些有效的圖像恢復算法，但這些傳統(tǒng)的方法都存在各自的局限性。神經(jīng)網(wǎng)絡能夠有效地解決圖像恢復的非線性模型，而且不需要知道先驗知識?；谏窠?jīng)網(wǎng)絡的圖像恢復能夠避免傳統(tǒng)方法的一些不足，成為新的研究熱點。 RBF神經(jīng)網(wǎng)絡(RBFNN)是一種高效的前饋式神經(jīng)網(wǎng)絡，它具有其他前向網(wǎng)絡所不具有的最佳逼近性能和全局最優(yōu)特性，并且結構簡單，訓練速度快。本文在研究RBFNN基礎上將

2、其與WLP網(wǎng)絡結合構成遞歸神經(jīng)網(wǎng)絡，探討了一種動態(tài)遞歸RBFNN(DRRBFNN)模型并用于圖像恢復；然后運用自適應遺傳算法(AGA)對其參數(shù)進行優(yōu)化，提出了一種基于自適應遺傳算法的DRRBFNN(AGA-DRRBFNN)，避免了人工選擇網(wǎng)絡參數(shù)的弊端。本文的主要工作總結如下： (1)對圖像恢復技術進行了討論，并重點研究了人工神經(jīng)網(wǎng)絡在圖像恢復中的應用，分析了人工神經(jīng)網(wǎng)絡在圖像恢復應用中的研究動態(tài)和發(fā)展趨勢。 (2)對R

3、BF神經(jīng)網(wǎng)絡的基本原理進行了研究，分析了RBF神經(jīng)網(wǎng)絡的理論基礎，網(wǎng)絡結構以及映射方式，并重點對RBFNN的訓練算法做了全面的研究和總結。 (3)研究了一種動態(tài)遞歸RBFNN模型，著重研究了網(wǎng)絡訓練算法中的最近鄰聚類學習算法和梯度下降學習算法，在分析了這兩種學習算法的性能基礎上將二者結合用于DRRBFNN的訓練。并分析討論了影響網(wǎng)絡分類精度和收斂速度的中心寬度參數(shù)γ和收斂參數(shù)K。通過實驗驗證了上述方法對于含有椒鹽噪聲的圖像有較好