下载文档原格式
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。
一种基于互相关匹配的简化PCNN及其图像分割
胡俊
【期刊名称】《信息通信》
【年(卷),期】2006(19)6
【摘要】脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)可有效的用于图像分割,但无法确定最优分割时的迭代次数.针对这一问题,文章从原始图像与分割图像的相似性出发,提出了一种基于最大互相关匹配的简化PCNN图像分割新方法.该算法通过计算原始图像与分割图像的相关匹配系数来确定最优分割.实验结果验证了该方法的有效性.
【总页数】3页(P20-22)
【作者】胡俊
【作者单位】苏州经贸职业技术学院,苏州大学,苏州,215000
【正文语种】中文
【中图分类】TN78
【相关文献】
1.基于最大交叉熵的PCNN简化模型在图像分割中的应用 [J], 夏辉;穆希辉;马振书;兰箭;杜峰坡
2.一种基于简化PCNN的自适应图像分割方法 [J], 毕英伟;邱天爽
3.基于PCNN图像分割与边缘匹配的支票验证方法 [J], 毛华;章毅
4.一种参数自适应的简化PCNN图像分割方法 [J], 周东国;高潮;郭永彩
5.一种基于简化PCNN的红外图像分割方法 [J], 陈兴杰;柴晓冬
因版权原因，仅展示原文概要，查看原文内容请购买。
PCNN脉冲耦合神经网络从20 世纪90年代开始，由Eckhorn等对猫的视觉皮层神经元脉冲串同步震荡现象的研究，得到了哺乳动物神经元模型，对Eckhorn提出的模型进行一些改进，就得到了脉冲耦合神经网络模型。
它具有许多独特的优良特性：时空总和特性、动态脉冲发放特性和同步脉冲发放引起的振动与波动等特性。
分支树中有两个分支，馈送输入Fj和链接输入Lj，Fj/L j分别以相对较小/较大的时间常数τF/τL对神经元J某邻域内的其他神经元的输出进行漏电容积分加权和，此外Fj还接受该神经元的外部刺激Lj。
链接器以乘积耦合形式Uj=Fj(1+βLj)构成神经元J的内部行为Uj。
脉冲产生器由对网络输出进行漏电容积分的变阈值特性(起激活该神经元的作用)和硬限幅函数(起抑制该神经元的作用)组成，脉冲是否产生取决于内部行为大小能否超过其激发动态门限，且此门限值随着该神经元输出状态的变化发生变化。
当阈值θj小于Uj时，神经元被激活(即输出Yj=1),称之为点火一次，紧接着因为输出端对阈值的反馈使得阈值θj突然变高(通常Ve取值大)，神经元又被抑制(即输出Y =0)，从而在神经元输出端产生一个脉冲信号，此脉冲信号经过加权又连接到相邻神经元的输入端，从而影响这些神经元的激发状态，故该网络称为脉冲耦合神经网络。
PCNN的神经元j的离散方程形式为β:内部活动项的连接因子F、VF、τF：反馈输入域及其放大系数、衰减时间常数L、VL、τL：耦合连接域及其放大系数、衰减时间常数θ、Vθ、τθ：动态门限及其放大系数、衰减时间常数I：神经元强制激发的外部激励U：内部活动项Y：脉冲对于图像处理，它可以做相应的简化。
实现的功能：1. 图像去噪2. 图像增强：图像增强是指按照特定的要求突出一幅图像中的某些感兴趣信息，以获得更“好”的视觉效果的一种图像处理技术.这种“好”的评价是由图像的观察者给出的.根据人眼视觉的特性，提出了各种基于PCNN的图像增强算法3. 图像分割：将图像划分为一些互不重叠的区域，每一区域是像素的一个连续集4. 图像边缘检测5. 图像融合：图像融合（Image Fusion）技术是指将多源信道所采集到的关于同一目标的图像经过一定的图像处理，提取各自信道的信息，最后综合成同一图像以供观察或进一步处理。
一种基于PCNN的多聚焦图像融合改进算法童怀水;吴小俊【摘要】An improved multi-focus image fusion algorithm based on Pulse Coupled Neural Network(PCNN) is proposed for improving the fusion quality and the fusion efficiency. The image quality evaluation index of each block is calculated, which is selected with enough reason. The difference of the index is obtained by subtracting the two normalized indices. The difference of the index is input into PCNN model as external stimulus, and the output pulse is obtained. Comparing the value of output pulse with a given threshold, the fused image block is selected from the source image block whose evaluation index is large, while pulse output is larger than threshold. Take the source image block with small value of evaluation index. The performance of the proposed method is evaluated using six criteria including mutual information, cross entropy, root mean squared error, peak value signal-to-noise ratio, structure similarity index and correlation coefficient. Experimental result shows that the algorithm can improve image fusion effect.%为提高图像融合质量和融合效率,提出一种基于脉冲耦合神经网络的多聚焦图像融合改进算法.对待融合的源图像作分块处理,选取合理的图像质量评价指标,计算每个分块的指标值,归一化后相减得到指标差值.把指标差值作为外部刺激输入到PCNN模型中,得到脉冲输出结果.用脉冲输出与给定的阈值作比较,若输出脉冲超过阈值则选择指标值大的源图像块作为融合图像块,否则取指标值小的源图像块.选取互信息、交叉熵、均方根误差、峰值信噪比、结构相似度以及相关系数6个客观质量评价指标进行评价,实验结果表明,该算法可获得较好的图像融合效果.【期刊名称】《计算机工程》【年(卷),期】2012(038)024【总页数】5页(P220-224)【关键词】脉冲耦合神经网络;图像融合;融合质量;融合效率;外部刺激【作者】童怀水;吴小俊【作者单位】江南大学物联网工程学院,江苏无锡214122;东华理工大学数学与信息科学学院,江西抚州344000;江南大学物联网工程学院,江苏无锡214122【正文语种】中文【中图分类】TP301.61 概述照相机在成像时受到焦距的限制，不能对场景中每个对象聚焦，这就必然导致某些对象不能聚焦而产生模糊的图像。
基于加性耦合连接的PCNN模型作者：荣剑赵同林赵毅力张晴晖来源：《现代电子技术》2011年第22期摘要：脉冲耦合神经网络(PCNN)比传统神经网络更好地模仿了生物神经元，既考虑空间累加，又考虑了时间累加。
在此用加性耦合代替乘性耦合，在图像处理效果上与耦合和无耦合PCNN的效果相比，其差别较小，熵与耦合PCNN处理后图像的熵基本一致。
但加性耦合连接的PCNN，改变了无耦合PCNN的周期特性，提供了停止条件，保持了PCNN的旋转不变性、缩放不变性等一些特性，同时保持了时间和空间上的积累，且迭代次数少，计算量相对较小，更适合于硬件实现。
关键词：PCNN；时间签名；熵；加性耦合；乘性耦合中图分类号：； TP391.7； TP751.1文献标识码：A文章编号：(College of Computer and Information Science, Southwest Forestry University, Kunming 650224, China)Abstract： The pulse coupled neural network (PCNN) is better than the traditional neural network. It can imitate biological neurons with considering space and time accumulation. Whenction. Furthermore, it maintains the time and space accumulation. It is more suitable for hardware implementation due to easy computation.Keywords：收稿日期：基金项目：云南省教育厅基金资助项目（50107003）0引言Eckhorn在1990年根据猫的大脑视觉皮层同步脉冲发放现象，提出了展示脉冲发放现象的连接模型［1］。
两类基于PCNN的图像融合算法综述作者：贾紫婷来源：《计算机时代》2020年第06期摘要：随着计算机技术的高速发展，基于PCNN（脉冲耦合神经网络）的图像融合算法越来越多样化。
针对用PCNN进行图像融合时找不到落脚点的问题，提出了两类常用的融合算法，分别是基于PCNN与多尺度变换相结合、减少PCNN计算复杂度的融合算法。
文章对这两类算法进行了分析与总结，列举了这两类方法可以改进的具体方向，为接下来的创新工作指明了方向，并对未来的研究方向进行了展望。
关键词：脉冲耦合神经网络; 图像融合; 多尺度变换; 计算复杂度中图分类号：TP391 文献标识码：A 文章编号：1006-8228（2020）06-01-04Abstract： With the rapid development of computer technology， image fusion algorithms based on PCNN （Pulse Coupled Neural Network） are becoming more and more diversified. Aiming at the problem that a foothold and starting point is hard to be found when using PCNN based image fusion algorithm， two types of common fusion algorithms are proposed， and they are the algorithm combined PCNN with multi-scale transformation and the algorithm reduced the computational complexity of PCNN respectively. These two types of algorithms are analyzed and summarized in this paper， and the specific directions that these two types of methods can be improved are listed，which points out the direction for the following innovation work and looks forward to the future research direction.Key words： Pulse Coupled Neural Network; image fusion; multi-scale transformation; computational complexity0 引言隨着网络技术的日益更新，大众的生活、生产水平都步入了新台阶，跨入了新阶段。
第 22卷第 8期2023年 8月Vol.22 No.8Aug.2023软件导刊Software GuideGLHMS算法的PCNN参数优化及其在图像融合中的应用徐仵博，刘立群（甘肃农业大学信息科学技术学院，甘肃兰州 730070）摘要：人类心理搜索算法（HMS）和脉冲耦合神经网络（PCNN）存在收敛精度低、参数太多等问题，导致融合图像质量不高，由此提出一种基于参数自适应的PCNN图像融合方法。
首先，将均匀分组、局部搜索以及移动次数算子引入人类心理搜索算法，克服了HMS存在的搜索能力不强、收敛速度慢等问题；然后，通过改进后的算法对PCNN的αθ、β、αL 3个参数进行优化，增强了其特征提取性能；最后，通过参数优化后的PCNN融合ToF和RGB图像，得到完整的融合图像。
选取20个测试函数对算法进行仿真实验，结果表明，算法能够有效地加快收敛速度，提高寻优精度。
选取不同时间光线下的果园图像验证了该方法的有效性，平均指标相较于DWT、TIF、CNN、PCNN、DWT_PCNN分别提高19.99%、30.74%、21.14%、17.6%、8.93%，能显著提高融合图像质量。
关键词：人类心理搜索算法；脉冲耦合神经网络；图像融合DOI：10.11907/rjdk.222477开放科学（资源服务）标识码（OSID）：中图分类号：TP391.41 文献标识码：A文章编号：1672-7800（2023）008-0187-09Optimization of PCNN Parameters of GLHMS Algorithm and ItsApplication in Image FusionXU Wubo， LIU Liqun（College of Information Science and Technology， Gansu Agricultural University， Lanzhou 730070， China）Abstract：Aimed at the problems of low convergence accuracy and too many parameters of human mental search algorithm and pulse coupled neural network， which lead to poor quality of fused images， a PCNN image fusion method based on parameter adaptation is proposed. First， an algorithm that introduces uniform grouping， local search and the move count operator into the human mental search algorithm is proposed to overcome the problems of poor search ability and slow convergence of HMS； Then， the PCNN's αθ，β，αL parameters are optimized by the im⁃proved algorithm to enhance its feature extraction performance； Finally， the complete fused image is obtained by fusing the ToF and RGB im⁃ages with the PCNN after parameter optimization. Twenty test functions were selected for simulation experiments of the algorithm， and the ex⁃perimental results showed that the proposed algorithm can effectively speed up the convergence speed and improve the accuracy of the optimi⁃zation search. The effectiveness of the method was verified by selecting orchard images under different temporal lighting， and the average index of the proposed method was improved by 19.99%，30.74%，21.14%，17.6%，and 8.93% compared to DWT，TIF，CNN，PCNN，and DWT_PCNN， respectively. The method can significantly improve the quality of fused images.Key Words：human mental search algorithm； pulse coupled neural network； image fusion0 引言可见光图像具有分辨率高、图像细节丰富等特点，但在光照条件不好或目标遮挡等环境影响下，其效果会变差，而基于飞行时间测距原理相机（Time of Flight， ToF）的成像效果几乎不受环境光的影响，但也存在细节表现不好等缺点［1］。
一种PCNN实现区域检测的图像融合方法
马洪江;杨兴江;向昌成
【期刊名称】《南京师大学报（自然科学版）》
【年(卷),期】2010(033)003
【摘要】光学设备的有限景深造成同一场景距离不同的目标的成像效果不同,由此便产生了多聚焦图像融合问题.解决该问题的关键在于像素的分类和融合策略的选取.本文结合脉冲耦合神经网络(PCNN)模型和区域分割技术,对该问题进行尝试性研究,探讨了一种新的多聚焦图像融合算法.首先将图像的清晰度矩阵作为PCNN的输入数据,处理后得到原图像的点火映射图,然后基于映射图进行区域分割,最后根据区域分割生成融合图像.实验结果表明,该算法是有效的.
【总页数】4页(P131-134)
【作者】马洪江;杨兴江;向昌成
【作者单位】阿坝师范高等专科学校计算机科学系,四川,郫县,611741;阿坝师范高等专科学校计算机科学系,四川,郫县,611741;阿坝师范高等专科学校计算机科学系,四川,郫县,611741
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种基于自适应单位链接PCNN的图像融合方法 [J], 刘勍;董忠;温志贤;马义德
2.一种自适应PCNN多聚焦图像融合新方法 [J], 苗启广;王宝树
3.一种自适应PCNN图像融合方法 [J], 李建锋;邹北骥;辛国江;李玲芝;蔡美玲
4.一种新的结合 NSCT和 PCNN的图像融合方法 [J], 杨丹;何建农
5.一种改进聚焦区域检测的多聚焦图像融合方法 [J], 王晨曦;王淑青;刘逸凡;庆毅辉;夏耀威
因版权原因，仅展示原文概要，查看原文内容请购买。
基于PCNN的红外与可见光图像融合算法基于PCNN的红外与可见光图像融合算法摘要：随着红外和可见光图像数据的广泛应用，红外与可见光图像的融合成为一个重要的研究方向。
本文提出了一种基于脉冲耦合神经网络（PCNN）的红外与可见光图像融合算法。
该算法通过灰度拉伸和直方图均衡化对红外图像和可见光图像进行预处理，然后利用PCNN模型进行融合。
实验结果表明，该算法能够有效地提升融合图像的视觉效果和目标辨识能力。
1. 引言红外与可见光图像融合技术广泛应用于军事、安防、航空等领域。
传统的融合方法主要基于像素级和变换域融合技术，但存在空间信息丢失和复杂度高的问题。
脉冲耦合神经网络（PCNN）是一种模拟神经网络，具有自适应性和非线性特性，可用于图像融合。
2. 方法（1）红外图像与可见光图像预处理为了提高图像质量，对红外图像和可见光图像进行预处理。
首先，对红外图像和可见光图像进行灰度拉伸，将灰度范围映射到0~255之间。
然后，对图像进行直方图均衡化，增强图像的对比度和细节。
（2）PCNN模型PCNN是一种生物启发模型，通过神经脉冲的传递和耦合实现信息处理。
在本算法中，将预处理的红外图像和可见光图像作为输入，分别构建两个PCNN模型。
通过计算每个像素点的刺激度和细胞脉冲发放次数，获取图像的特征信息。
（3）融合规则为了获得融合图像，将红外图像PCNN和可见光图像PCNN进行融合。
通过计算两个PCNN模型的输出，得到融合像素值。
具体而言，对于相同位置的像素点，选择具有较高响应值的像素作为融合结果。
3. 实验与结果本文在公开数据集上对提出的算法进行了实验验证。
结果表明，与传统融合方法相比，基于PCNN的红外与可见光图像融合算法在视觉效果和目标辨识能力上获得了明显的提升。
融合图像的边缘清晰，细节丰富，能够更好地表达目标信息。
4. 算法优化与拓展虽然基于PCNN的红外与可见光图像融合算法取得了良好的效果，但仍存在一些问题。
算法对输入图像的灰度范围敏感，对于复杂场景下的目标提取仍有待改进。
一种基于PCNN的参数自适应图像分割方法汤灿明;张欣;杨贝贝;贺建婷【摘要】针对在基于脉冲耦合神经网络(PCNN)模型的图像分割中,如何确定合适的网络参数的问题,提出一种基于PCNN的参数自适应图像分割方法.该方法通过设定神经元合适的捕获范围和连接值,综合利用图像像素邻域的灰度信息,结合PCNN 网络参数间的相互联系,实现对模型参数自动确定.仿真实验表明,该方法可有效地对不同图像进行自适应分割,与传统的PCNN图像分割方法相比具有一定的优越性.【期刊名称】《贵州大学学报（自然科学版）》【年(卷),期】2013(030)006【总页数】4页(P96-99)【关键词】参数确定;自适应;图像分割;脉冲耦合神经网络;类间方差【作者】汤灿明;张欣;杨贝贝;贺建婷【作者单位】贵州大学计算机科学与信息学院,贵州贵阳550025;贵州大学计算机科学与信息学院,贵州贵阳550025;贵州大学计算机科学与信息学院,贵州贵阳550025;贵州大学计算机科学与信息学院,贵州贵阳550025【正文语种】中文【中图分类】TP183脉冲耦合神经网络(PCNN－Pulse Coupled Neural Network)模型是直接来自于对哺乳动物视觉特性研究的成果，目前在图像模式识别方面得到了广泛的应用[1－3]。
对于图像分割，PCNN模型具有能缩小相似像素点距离的特性，使目标与背景区域都能保持较好的连续性，这与其他图像分割算法相比具有一定的优势。
在实际应用中，PCNN模型需确定合适的网络参数，参数的确定与图像分割效果密切相关，近年已有许多文献对模型参数的确定做了研究，如文献[4]通过实验方法来得到合适的参数，该方法缺乏明确的理论依据，对不同图像进行分割时需投入大量的实验。
文献[5]提出的利用灰度均值作为阈值分割成两图像，再计算两图像的灰度均值重复迭代来确定其较合适的阈值，该方法无需确定迭代次数，但其只对迭代阈值进行了分析，而没有对其它参数进行有效确定。
基于加性耦合连接的PCNN模型作者：荣剑赵同林赵毅力张晴晖来源：《现代电子技术》2011年第22期摘要：脉冲耦合神经网络(PCNN)比传统神经网络更好地模仿了生物神经元，既考虑空间累加，又考虑了时间累加。
在此用加性耦合代替乘性耦合，在图像处理效果上与耦合和无耦合PCNN的效果相比，其差别较小，熵与耦合PCNN处理后图像的熵基本一致。
但加性耦合连接的PCNN，改变了无耦合PCNN的周期特性，提供了停止条件，保持了PCNN的旋转不变性、缩放不变性等一些特性，同时保持了时间和空间上的积累，且迭代次数少，计算量相对较小，更适合于硬件实现。
关键词：PCNN；时间签名；熵；加性耦合；乘性耦合中图分类号：； TP391.7； TP751.1文献标识码：A文章编号：(College of Computer and Information Science, Southwest Forestry University, Kunming 650224, China)Abstract： The pulse coupled neural network (PCNN) is better than the traditional neural network. It can imitate biological neurons with considering space and time accumulation. Whenacoupled connection. Furthermore, it maintains the time and space accumulation. It is more suitable for hardware implementation due to easy computation.Keywords：收稿日期：基金项目：云南省教育厅基金资助项目（50107003）0引言Eckhorn在1990年根据猫的大脑视觉皮层同步脉冲发放现象，提出了展示脉冲发放现象的连接模型［1］。
1999年，Johnson以Eckhorn的连接模型为基础，发表了脉冲耦合神经网络（PCNN）及其应用［2］。
PCNN既考虑到空间累加，也考虑到时间累加，并能模仿生物神经元的疲劳与不应期，因此PCNN比传统人工神经网络更好地模仿了生物神经元［3］，在图像处理［］，语音增强［7］等方面具有广泛的用途。
PCNN模型参数较多，包含2个等长卷积，在硬件实现中比较复杂。
PCNN改进模型均基于乘性耦合，模型本身不能提供迭代停止条件。
1PCNN模型基础PCNN模型基本模型［］:Fi,j［n］=e－αFFi,j［n－1］+VF∑klMi,j,k,l［n－1］+Si,j （1）Li,j［n］=e－aLLi,j［n－1］+VL∑klWi,j,k,lYk,l［n－1］（2）Ui,j［n］=Fi,j［n］(1+βLi,j［n］) （3）Y=1，Ui,j［n］>Ei,j［n］0，其他（4）Ei,j［n］=e－aEEi,j［n－1］+VE∑Yi,j［n］（5）式中S为输入矩阵。
无耦合连接情况下，连接系数β=0，反馈VF＝0， PCNN的运行行为是各神经元相互独立运行的组合。
式（1）~（3）可以简化为［5］：Fi,j［n+1］=e－aFFi,j［n］+Ii,j［n］（6）Ui,j［n］=Fi,j［n］（7）Y=1，Ui,j［n］>Ei,j［n］0，其他（8）Ei,j［n+1］=e－aEEi,j［n］+VE×Yi,j［n］（9）在PCNN的基础上，提出了多种改进算法：如快速连接PCNN模型［8］用于人脸识别取得了较好的效果，多门限值修正PCNN模型用于液体注入检测满足了医学制药的检测［9］。
ICM模型（交叉皮层模型）在PCNN的基础上演化而来［10］，其最小系统包括2个耦合振荡器，少量的连接和一个非线性函数。
这个系统可以由以下3个方程描述［5,10］:Fi,j［n+1］=fFi,j［n］+W{Y}i,j （10）Yi,j［n+1］=1， Fi,j［n+1］>Θi,j［n］0，其他（11）Θi,j［n+1］=gΘi,j［n］+hYi,j［n+1］(12)式中：F是神经元状态；Y是输出；Θ是动态阈值状态；参数f和g小于1.0，且为了确保阈值最终能够小于神经元状态而产生脉冲发放，需要g2基于加性耦合的PCNN模型一般地，在无耦合连接的PCNN模型中，U，L，E初值设为0，aE，aF通常设定为常数，PCNN表现出一定的周期性［5］。
在PCNN输入端，通常采用单层感知器加权输入模型，加权之后，单个神经元产生的结果不但与该神经元的作用有关联，还与相邻神经元相关联。
如果假设输出结果只与输入神经元相关联，则PCNN模型可以改变为：Fi,j［n+1］=e－aFFi,j［n］+Ii,j［n］ (13)Ui,j ［n + 1］ = Ui ,j ［n］ + Fi,j ［n］(14)Y=1，Ui,j［n］>Ei,j［n］0，其他(15)Ei,j［n+1］=e－aEEi,j［n］+VE×Yi,j［n］ (16)3试验结果使用乘性耦合连接，无耦合连接以及加性耦合PCNN模型，在Matlab 2010a环境下对图1的lenna灰度图片进行了处理。
使用乘性耦合连接时，结果如图2所示（N=16,熵＝0.995 7,aF ＝0.10，β＝0.2），由于采用了等长卷积，且迭代次数多，运算量相对较大。
使用无耦合连接时，结果如图3所示（N=13,熵＝0.848 9, aF＝0.15），迭代次数比耦合连接减少。
一般地，当连接系数β较小时，耦合程度很低，使用耦合连接与无耦合连接时，处理结果相差较小，但使用无耦合连接迭代次数少，无等长卷积运算，计算量相对较小。
使用加性耦合连接时，结果如图4所示（N=9，熵＝0.996 1，aF=0.15）。
从处理效果来看，与耦合PCNN和无耦合PCNN 的效果相比差别较小，其熵与耦合PCNN处理后图像熵基本一致，略大于无耦合PCNN图像熵，如表1所示。
表1比较结果连接类型迭代次数熵运算量耦合连接PCNN160.995 7大（等长卷积）无耦合连接130.884 9少加性耦合连接90.996 1少图1lenna原图图2使用耦合连接处理结果图图3使用无耦合连接处理结果图图4使用加性耦合连接处理结果图当无耦合连接时，从图5，图6可以看出PCNN呈周期性，模型没有停止机制。
使用加性耦合连接时，从图7、图8可以看出，原来的周期性已经消失，图8熵到达最大值后，逐渐减小。
图5无耦合连接时间签名图图6无耦合连接熵以lenna为例，当迭代次数N>10时，点火频率高，时间签名变化减小，最后导致全部点火；熵也随N的增大而减小，最后趋于0。
图7加性耦合连接时间签名图图8加性耦合连接熵4结语实验表明，使用加性耦合代替了无耦合PCNN模型的乘性耦合，神经元点火方式发生了变化，图像分割效果与耦合和无耦合连接PCNN相比，差别较小,其熵与乘性耦合处理结果熵基本一致；使用加性耦合后，无耦合连接PCNN呈现的周期性消失，为PCNN的参数选择提供了停止条件，减少了不必要的循环次数。
并且使用加性耦合保持了PCNN时间签名和熵的旋转不变性、缩放不变性等一些特性，保持了PCNN在时间和空间的积累。
相比较弱耦合连接PCNN模型和无耦合连接PCNN模型，加性耦合连接的模型迭代次数少，无等长卷积运算，计算量较小，更加易于FPGA等硬件实现。
参考文献［1］ECKHORN R, REITBOECK H J, ARNDT M, et al. Feature linking via synchronizationural Computation,［2］JOHNSON J L, PADGETT M L. PCNN models and applications [J]. IEEE Transactions［3］阎平凡,张长水.人工神经网络与模拟进化计算［M］.2版.北京:清华大学出版社，2005.［4］Lian，et al. Image segmentation of embryonic plant cell［5］马义德,李廉,绽琨,等.脉冲耦合神经网络与数字图像处理［M］.北京:科学出版社,2008.［6］Filtering images contaminated with pep［7］speech [C]// Proceedings of XI European Signal Processing Conference. [S. l.]: ESPC, 2007, 1:［8］YAMADA Hitoshi, OGAWA Yuuki, ISHIMURA Kosei, et al. Face detection usingrence. Fukui: SICE, 2003, 3:［9］［10］马义德,绽琨,王兆滨.脉冲耦合神经网络图像处理[M].北京:高等教育出版社,2008.作者简介: 荣剑男，1973年出生，四川蓬溪人，硕士。
主要从事电路系统与生物信息处理研究。
赵同林男，1958年出生，云南昆明人，副教授。
主要从事电路与信息系统研究。
赵毅力男，1978年出生，云南昆明人，硕士，讲师。
主要从事图像处理机器视觉方向研究。
张晴晖男，1973年出生，四川南充人，硕士，副教授。
主要从事电路与信息系统研究。
(上接第125页)［3］周颖龙.网络视频会议系统的关键技术及实施方案［J］.广播与电视技术，［4］徐慧,张东,王冬霞,等.企业视频会议系统解决方案设计［J］.电信工程技术与标准化，［5］彭刚,周鹏.视频会议系统技术浅析［J］.东北水利水电，［6］杨庆武.浅析视频会议系统的标准及发展［J］.内蒙古科技与经济，［7］潘子春,于浩.视频会议系统在安徽电力的应用[J].电力系统通信,2005(［8］殷俊.视频会议系统在供电企业的应用研究［J］.电力信息化，［9］穆芮.视频会议系统现状分析［J］.中国电力教育，［10］彭文标,易庆林,李海军,等.远程视频会议系统的设计与实现［J］.电视技术作者简介: 黄治女，1978年出生，江苏泰州人，工程师。
长期从事电力系统通信的开发工作。
