BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  26,758,106
  • Công bố khoa học và công nghệ Việt Nam

50

Khoa học máy tính

BB

Dương Đức Anh(2), Nguyễn Quang Hoan, Nguyễn Hồng Vũ, Nguyễn Tài Tuyên(1), Nguyễn Quang Trí

Phát triển luật học dùng cho mạng nơ ron tế bào bậc cao và khả năng ứng dụng trong xử lý ảnh

Development of learning rules for high-order cellular neural networks and applicability in image processing

Tạp chí Khoa học và Công nghệ - Đại học Thái Nguyên

2023

07

172 - 180

1859-2171

Mạng nơ ron tế bào, Luật học, Dò cạnh, Perceptron

Cellular Neural Networks, Learning Rules, Edge detection, Perceptron

Mục đích của bài viết này là cải tiến một thuật toán học, được phát triển từ thuật toán học Perceptron hồi quy và thuật toán nhận dạng mẫu (dành cho Mạng nơ ron tế bào bậc cao). Phương pháp nghiên cứu của chúng tôi là phát triển lý thuyết học trong mạng nơ ron tế bào bậc cao và thử nghiệm các thuật toán. Kết quả nghiên cứu là hai thuật toán được cải tiến và bộ trọng số, ảnh xử lý được bằng hai thuật toán đó. Tập hợp các trọng số thu được từ thuật toán đã phát triển (tên là Thuật toán học Perceptron hồi quy bậc hai: SORPLA) có thể được sử dụng làm bộ lọc hoặc hạt nhân cho các vấn đề trong xử lý ảnh. Kết luận của bài báo như sau: Thứ nhất, sửa đổi thuật toán RPLA, bổ sung các mẫu bậc cao A và các mẫu bậc cao B; Thứ hai, cải thiện thuật toán xử lý hình ảnh PyCNN. Ngoài ra, bài báo cũng đề xuất khả năng ứng dụng của SORPLA trong phát hiện biên ảnh bằng cách sử dụng tập các trọng số thu được từ thuật toán đã phát triển cho Mạng nơ ron tế bào bậc cao.

This paper aims at modifying a learning algorithm, developed f-rom Recurrent Perceptron Learning Algorithm (RPLA) and a Pattern Recognition Algorithm for High-Order Cellular Neural Networks (HOCNN). Our research methods are developing theory of learning for high-order cellular neural networks and experiment with modified algorithms. The research results include two proposed algorithms and software which was built to test the two mentioned algorithms. The obtained set of the weights f-rom our developed algorithm (named as Second-Order Recurrent Perceptron Learning Algorithm: SORPLA) can be used as filters or kernels for problems in imaging processing. In conclusion, firstly, the paper has modified the RPLA algorithm, which adds templates A and high-level templates B; secondly, it has improved the PyCNN image processing algorithm; finally, the paper also proposes an applicability of SORPLA in edge detection of image using the obtained set of the weights f-rom the developed algorithm for the High-Order Cellular Neural Networks.

TTKHCNQG, CTv 178

Xem toàn văn
  • [1] K. Karacs et al. (2014), Software Library for Cellular Ware Computing Engines,
  • [2] D. A. Duong et al. (2022), Modified Perceptron Learning Rule and Application Abilities for Cellular Neural Networks,Scientific Journal of Ha Long Universities
  • [3] H. Mizutani (1994), A New Learning Method for Multilayered Cellular Neural Networks,IEEE CNNA
  • [4] Q. H. Nguyen (1996), High-Order Hopfield Neural Network Stability and Applicability in Robot Control,PhD Thesis
  • [5] T. T. Nguyen et al. (2022), Associative Memory Using Second-Order Cellular Neural Networks,Journal of Science and Technology on Information and Communication
  • [6] T. T. Nguyen (2022), Development of Multi-Interaction Cellular Neural Networks and Applicability,PhD Thesis
  • [7] D. A. Duong et al. (2022), Development of Recurrent Perceptron Learning Algorithm for Second-Order Cellular Neural Networks,Measurement, Control, and Automation
  • [8] Q. H. Nguyen et al. (2020), Architecture and Stability of the Second–Order Cellular Neural,UTEHY Journal of Science and Technology
  • [9] L. O. Chua, L. Yang (1988), Cellular Neural Networks: Theory,IEEE Trans. Circuits Syst.
  • [10] A. Fülöp, A. Horváth (2021), Application of Cellular Neural Networks in Semantic Segmentation,IEEE ISCAS
  • [11] A. Aggarwal (2014), GitHub: Let's build from here,
  • [12] C. GuKzelis et al. (1999), A Recurrent Perceptron Learning Algorithm for Cellular Neural Networks,Springer-Verlag
  • [13] D. Liang et al. (2019), Mobile Traffic Prediction Based on Densely Connected CNN for Cellular Networks in Highway Scenarios,IEEE WCSP
  • [14] A. Slavova (2003), Cellular Neural Networks: Dynamics and Modelling,
  • [15] (2023), Cellular neural network,