外文翻译-PCNN模型及其应用.doc

PCNN模型及其应用 约翰·L·约翰逊和玛丽娄帕吉特，会员，IEEE 摘要-本文将描述脉冲耦合神经网络模型。其链接领域调制术语显示其网络模型是生物基础性树状模型的普遍特征。 本文将综述和回顾神经网络模型的应用与实现并且基于应用程序的变化与简化进行总结。本文将在新的细节方面对神经网络图像图解进行阐释。 关键词-树状模型， 脉冲神经网络模型因式分解，脉冲耦合神经网络 1 介绍 从霍金和赫胥黎的开创性研究到最近关于内部树状脉冲生成研究， 神经元电化学动态研究使模型越来越精转化和细节化。生物模型到算法模型的转录引出了广泛的文献数据处理系统， 其系统最初主要关注于将自适应算法进运用于数据分类器。关于脉冲神经元动态研究，不论适应与否，是最近的研究项目。早期的一篇论文描述了一个基于一对耦合振荡器的动态链接架构。同步脉冲在猫视觉皮层的爆发的实验观察鞭策了更多的关于生物基础性脉冲动态系统的研究。 1990年eckhorn网络连接系统以现象学模型系统被介绍并展示了同步脉冲迸发。它用一个叫神经元模型的脉冲生成器，一个调制耦合项和一个作为漏水容器的突出链接建模。中央新概念是次要接受域和链接域的引入，它的整合引入是通过内部细胞电路调节远处喂养接受域。这提供了一个简单,有效的仿真工具并研究同步脉冲的动态网络,很快就被认为是在图像处理的重要应用。 大量的变形与变体被引入到链接领域模型是为了调整作为图像处理算法的表现，而这些被统称为脉冲耦合神经网络。 这种链接调节能够适用于高阶网络和一种新型的图像融合，并进一步容许在单个神经上进行任意复杂模糊的逻辑规则系统建设。 脉冲耦合神经网络的两种基本属性正是脉冲产品的应用。 较后的属性直接来源于原创链接领域作为其基本耦合机制。这是一个由其他神经元输入的不对称的调制。 选择调节耦合而不是常见的添加剂耦合的优点是如果一个神经元没有主要输入则不能被神经元耦合输入激活,这个特点在图像处理功能上是很重要的。 添加剂耦合是一个在并联的突触电流的主要生物机制,因此添加剂,有实验证据表明,脉冲产品和空间信息的时间编码可以同等重要。候选人机制产生乘法耦合来自于下面动力学区划模型的树状计算。 第二部分首先详细检查有两个输入,相的最小数量的分为若干部分的模型。它显示输入的调节耦合，随着时间的信号如何即使在非常简单的模型细胞提供一个优雅的独特编码信息。然后讨论了脉冲发生器机制,结果表明,神经元模型和integrate-and-fire(及)模型在脉冲的产生破裂有一个重要区别。然后讨论了脉冲发生器机制,结果表明,神经元模型和integrate-and-fire(及)模型在脉冲的产生破裂有一个重要区别。 第三部分回顾了基本链接;再利用的大多是基于领域模型，多脉冲和单脉冲体制,和一些有用方面的脉冲耦合神经网络。 这些包括逻辑规则、图像融合、规模定义连接强度,标志性的时间信号,脉冲耦合神经元网络树状图,混乱的结构。 第四部分是一个描述脉冲耦合神经元网络技术和不同变体给予定义不同的简短回顾, 第五部分致力于脉冲耦合神经元网络的应用和实现。因为脉冲耦合神经元网络通常用作非适应处理器、连通性的要求很低,实际构建高速电子芯片。 第六部分, 脉冲耦合神经元网络的算法描述,包括对那些感兴趣开发简单的软件代码的版本。它显示了用在许多图像处理应用程序的主要简化和快捷键。伪代码包括保付模式的新细节。第七部分给出了这些变化的应用和脉冲耦合神经元网络保付特点的示例。 这个分析的目的是要表明,分流诱导调节耦合是一个通用的和普遍的生物脉冲耦合机制对于脉冲产品来说它不是独家机制。 沿着密集树突突触输入非线性增强效应最近被实验证实。激活通道交互的电导具有电压依赖性。它在输入复杂的细胞中提供了一个乘法效应,并与钠的活跃的树突峰值有关。像分流效果,它允许加法和乘法耦合。而不是选择添加剂耦合或乘法耦合,自然选择。 脉冲耦合神经元网络和标准霍金赫胥黎神经模型模型的主要区别是在脉冲发生器的选择上。用于原始Eckhorn模型的神经元模型非常类似于生物integrate-and-fire脉冲发生器整体性能,但它有一些基本的差异。稍后将讨论这些差异。 脉冲耦合神经元网络是基于在至少两个不同的输入。区划的模型单元由一个树突部分和第二部分包含integrate-and-fire脉冲发生器,与每个隔间单个突触输入组成,提供数学透明度和充分性的正确组合。这个模型包含了大量的简化和近似生物更为精确的模型,他们反过来是真正神经元的不完整模型。这些因素不考虑多个离子突触渠道,激活渠道,细胞老化,长期和短期适应,连续树突几何图形和树枝,不应期(作为一个附加词除外),和温度的影响。 每个隔间是漏电容。漏了三个主要部分组成：内在的，突触和活跃。只有firsttwo被用在这里。突触可以接