91、神经网络字符串匹配与3D - 2D图像配准技术解析

神经网络字符串匹配与3D - 2D图像配准技术解析

1. 神经网络字符串匹配

在字符串匹配领域，有一种创新方法将其转化为优化任务，并借助Hopfield神经网络来解决。

1.1 核心概念与公式

• 第五项是关键项，用于强化相似性约束。若两个字符相等，能量函数的成本越低，这两个字符极有可能是正确的匹配对。$d_{ij}$的计算公式为：
  [d_{ij} = [1 - \delta([x_i], [y_j])]]
• 通过将相关公式与Hopfield神经网络的能量函数对比，可以计算网络参数，能量函数公式如下：
  [\sum_{i}\sum_{j} I_{ij}P_{ij} - \frac{1}{2}\sum_{i}\sum_{j}\sum_{k}\sum_{l} W_{ij,kl}P_{ij}P_{kl}= H]
  其中，每个神经元的输出水平为$P_{ij}$（范围在0到1之间），偏置电流（或负阈值）为$I_{ij}$，$W_{ij,kl}$表示从$ij$到$kl$的连接强度。

1.2 实验设置与参数

为评估该方法，进行了两类实验，使用的TCNN参数如下：
- $k = 0.9$
- $I_0 = 0.65$
- $z(1) = 0.08$
- $\beta = 0.003$
- $\alpha = 0.015$

每个神经元$n_{ij}$初始化为与$d_{ij}$成反比的值，使用如下准则判断网络是否收敛：
[\sum_{i,j} |P_{ij}(t + 1) - P_{ij}(t)| &l