基于神经网络的数据融合技术的进展

　第4期倪国强等:基于神经网络的数据融合技术的新进展505

PCNN网络可以分为3个组成部分:神经树(dendritictree)、连接(linking)、脉冲发生器(pulsegenerator)Λ神经树用以模拟神经元的突触,由摄取输入(feedinginput)和连接输入(linkinginput)两

个分叉组成Λ在PCNN的连接部分中,连接输入对摄取输入进行调制Λ其生理原理来源于对目标注视时,视觉神经元对注视目标产生的响应将被产生该响应(状态依赖信号)的刺激调制Λ这一过程称为状态依赖调制(statedependentmodulation)Λ状态依赖调制目前被认为是视觉神经元对目标进行注视时,去除不需要信息而加强感兴趣信息的生理过程Λ图中的脉冲发生器模拟了生物视觉神经元一点的感知同全局感知相关联的特性,这种关联在视觉系统中是通过神经元之间的振动完成的[2]Λ、纹理、边缘、,或最有利于目标特征的有效表征、Λ因此本课题组提出了基于脉冲耦合神经网络的融合结构,如图2所示

Λ

性判决,获得目标的类型和类别Λ神经网络具有记忆、选择、抽象和识别功能,通过对神经网络的训练可自动找到数据融合识别的方法,而且神经网络具有相当的稳健性与容错性Λ神经网络的工作原理和结构特点决定了它非常适于进行特征层的融合识别Λ在这个方面,应用较广泛的是基于误差后向传播学习算法的多层前馈网络(BPN)Λ其结构简单、识别精度高,然而对于高维的数据融合应用,BPN往往需要较长的训练时间,有时甚至不能收敛Λ而基于不(SOM),,一般不单Λ,并且这类网络,鲁棒性更好Λ对向传播网络(counter2propagationnetwork,CPN)就是其中的一种[4,5]Λ

映射能力强、对噪声的CPN网络学习速度快、

敏感性低,即鲁棒性能好,它是美国神经计算机专家RobertHecht2Nielsen于1987年提出的一种混合型网络Λ图3是原始CPN网络的拓扑结构Λ网络共5层,层3为Kohonen竞争层,采用无监督学习规则,该层与其它各层神经元采用全互连结构Λ层2、层4为Grossberg外星结构,采用Widrow2Hoff或Grossberg规则学习

Λ

图2　基于PCNN的融合结构

Fig.2　PCNNbasedfusionstructure

PCNN3的加入是为了表示PCNN亦可应用于

特征级融合Λ采用合适的特征提取滤波器,分别对两路图像进行特征提取,然后将特征图像输入PCNN进行相应的状态依赖调制,以达到融合的目的Λ大脑皮层对视觉的感知简化可分为两部分:颜色处理和状态依赖调制及运动感知(motiondetection)Λ通过特征提取,并将其馈入融合结构中,可实现用状态依赖调制模拟人眼的注视(attention)功能,以此实现对感兴趣信息的增强Λ

本课题组对传统的对向传播神经网络做了改进,以使之更适用于数据特征层的融合Λ改进包括两个方面:一是将CPN中的Kohonen层改变为模糊Kohonen层,则网络的硬聚类规则变为软聚类规则,使Grossberg层的计算成为一种插值过程,从而改善学习精度;二是学习过程中Kohonen层中的神

2　神经网络在特征级融合上的应用

目标的特征层融合识别是对多个传感器所观测目标进行统一的特征提取,形成特征向量,再经数据关联获得同一目标的分组,从而进行特征向量的属