3.4 本章小结    30
4总结与展望    31
致谢    33
参考文献    34
1  绪  论
1.1  研究背景及意义
人工神经网络（Artificial Neural Network）自上世纪40年代开始发展，并且演变成了一种新的课题[1]。近几年，随着国内外的研究者的不断深入展开，人工神经网络成为了涉及神经科学与计算机科学、人工智能和思文科学的交叉科学，并且在智能化器人、自动化控制、生物与医学、模式识别等领域获得较好的成就，解决了当代不少计算机都无法解决的困难，展现出优越的智能化特点。
人工神经网络通常是由一个结构中的多个单元，通过一系列的网络改造的动态行为构成的并行和分布式信息处理系统。1943年，McCulloch和Pitts协作创建了神经网络和数学模型，称为MP模型[2]。1982年，加利福利亚美国物理学家协会J.J.Hopfield提出了可用作联想储存的互连网络，被称为Hopfield神经网络模型[3]。1988年，通过Linsker感知器网络自组织理论，和Shannon信息论形成的最大互信息理论，使基于神经网络的信息理论的开始新的发展[4]。1989年，英格兰数学家Broomhead和Lowe提出径向基函数分层收集和线性神经网络自适应滤波环节的数值分析的理论[5]。1990年，Vapnik等提出了支持向量基SVM和VC文数的概念[6]。
人工神经网络不但在一定程度上实现了人造生物神经系统的目的，而且在智能科学和信息处理中占据非常重要的地位。在图像处理中，面对传统的图像处理技术的局限性，利用神经网络进行图像处理是非常有效的手段[7]。神经网络与传统方法相比具有许多优点，主要表现在：
（1）并行处理，处理速度比传统序列处理算法更加迅速。
（2）具有一定的自适应能力，能够根据提供的数据样本智能找出输入信号的内在行为方式。
（3）网络具有非线性，神经网络为解决非线性问题提供了一个非常有效的工具。
（4）可以处理噪声数据或不完整数据。
被称为第三代人工神经网络的PCNN新式模型，是90年代由Eckhorn等人研究出的一种新式人工神经网络。通过视觉方面来研究猫的大脑皮质神经元的内部机制，在适当的刺激下，神经元释放兴奋的脉冲负载的视觉区域可以通过类似于邻近的神经元兴奋脉冲同步放电现象[8]。由若干神经元互连形成的一个反馈型网络模型即PCNN模型，就是基于其输入神经元产生同步脉冲的基础建立的，其空间相干和振幅补偿效果是非常优秀的，可以更好地保持图像的边缘信息。目前该功能已成功为图像的平滑处理，图像分割，目标识别和特征提取等适用，这使得PCNN网络有了更广泛的空间和研究前景[9]。
因此，本文研究的领域在图像处理中是非常重要的一环，如何的利用好PCNN模型，并在此基础上提出滤波算法对于图像滤波具有重要意义，而且对PCNN简化模型的修改也有实际意义。
1.2  脉冲耦合神经网络的国内外研究现状
1.3  本文章节安排
在图像处理领域的应用中可以更好的利用生物视觉的成果，研究证明利用PCNN模型图像处理相比于传统的图像处理的方法有着不可比拟的优越性。本文介绍了国内外学者对PCNN的研究成果，并基于PCNN模型，介绍PCNN滤波算法，并对其模型进行改进。本文的主要安排如下：
第一章为 绪论，介绍了本课题的研究目的和脉冲耦合神经网络的国内外现状；
第二章为 脉冲耦合神经网络基本原理，分别介绍了其基本模型和简化模型，并且详细的描述了其基本特性。
第三章为 基于PCNN模型的滤波算法，首先介绍PCNN的滤波算法，并与传统的中值算法相比较，其次优化PCNN模型，对比优化前后，比较图像处理效果。 脉冲耦合神经网络的图像滤波+源程序(2):http://www.youerw.com/zidonghua/lunwen_32095.html