43、多领域技术研究：从神经网络到图像融合与电力系统稳定控制

多领域技术研究：从神经网络到图像融合与电力系统稳定控制

1. 神经网络中的乘法神经元模型与改进算法

在神经网络训练中，基于误差反向传播的学习规则被广泛应用。然而，在多神经元模型里，单纯遵循标准学习技术往往无法达到预期效果。因此，人们开发了新的学习算法，对标准算法进行了改进，主要是添加了动量项和比例因子项。

动量项是前一次权重变化的一部分，它能防止因异常情况导致梯度的极端变化，抑制误差斜率变化引起的误差振荡。通过添加与输出和目标差值成比例的项，解决了收敛缓慢的问题。

关于神经网络中是否真的需要乘法单元，答案是肯定的。求和网络存在缺陷，其规模会随着表示待乘数字所需的位数增加而增大，在处理可能具有无限精度的实数时，这种特性“肯定是灾难性的”。所以，求和单元网络似乎不能充分替代真正的乘法单元。

2. 新型混合多聚焦图像融合的分解层数优化

图像融合是将同一场景的多个图像的互补信息整合的过程，融合后的图像能更准确地描述场景，在数字成像、显微成像、遥感、计算机视觉和机器人等领域有广泛应用。

图像融合算法主要分为空间域融合和变换域融合。空间域技术利用局部空间特征（如梯度、空间频率和局部标准差）融合源图像；变换域方法则将源图像投影到通常用于表示图像清晰度和边缘的局部基上。近年来，基于多尺度变换的方法不断涌现，如拉普拉斯金字塔、形态学金字塔和离散小波变换（DWT）等。

一种结合变换域（DWT）和空间域（基于清晰度）优势的高效鲁棒多聚焦图像融合方法被提出。具体操作步骤如下：
1. 对两个源图像进行DWT处理，得到各自的小波系数。
2. 将每个系数子图像划分为不重叠的m x n大小的块，比较对应块的清晰度值，构建