论文部分内容阅读
本论文围绕模糊神经模糊识别及模糊图象处理两方面展开研究。在模糊神经模糊识别方面，研究了基于模糊感知器的神经模糊分类器；在模糊图象处理方面，研究了利用模糊推理方法去噪声的问题。本论文的工作分两部分总结如下： 第一部分研究了通过调整隶属函数的参数来学习的神经模糊分类器NEFCLASS(NEuro Fuzzy CLASSification)。隶属函数应能客观反映模式的不确定性分布情况，NEFCLASS算法中为每个输入特征划分相同数量的模糊变量显然是不合理的。本文从模糊积分的角度对模糊划分问题作进一步讨论，并根据模糊密度的概念，提出一种为输入特征选择合适模糊划分的方法。实验表明该方法可以提高识别正确率。 第二部分研究了利用基于IF-THEN-ELSE模糊推理规则的FIRE(fuzzy inference ruled by else-action)滤波器来去除加性噪声的问题。对于图象滤波系统，如何在降噪的同时保护细节结构是一个难点。针对这一问题，本文作了三方面的工作： 1．提出一种基于层次化结构的FIRE滤波器。该滤波器可以在利用更多的局部信息处理细节部分的同时降低算法复杂度，提高了滤波器保护细节信息的能力。 2．提出一种适用于纹理图象的FIRE滤波器。该方法通过将对应于不同邻域尺寸下的象素分布模式的模糊规则集成在同一规则基中，将多分辨率图象分析引入到单一模块内。实验表明该方法对纹理图象的去噪效果明显。 3．根据多尺度图象分析方法提出一种检测算法，在滤波之前，首先将图象大致分为均匀区域、轮廓区域及纹理区域。在此基础上，可以对不同区域采用不同规则。实验表明该方法可以在降噪的同时很好地保护细节信息不被破坏。