阵列级联FHN神经元的弱信号随机共振复原策略

本文研究的标题是“基于阵列级联FHN神经元的弱信号随机共振复原”，由陈金龙、范影乐、武薇和高云园四位作者在杭州电子科技大学模式识别与图像处理实验室完成。该研究主要针对在通信和信号处理领域中遇到的弱信号恢复问题，特别关注如何利用神经科学中的阵列级联FitzHugh-Nagumo (FHN) 神经元模型来提升信号处理性能。 FHN神经元模型是一种经典的生物物理模型，它模拟了神经元的简单非线性动态行为，具有突触多输入连接和动作电位的连续传递特性。在弱信号环境下，传统的信号处理技术可能受到噪声干扰，导致信号质量下降。通过将FHN神经元应用于阵列级联结构，研究者试图利用随机共振（stochastic resonance）这一现象，即在适当的随机噪声条件下，系统能更好地检测微弱信号，从而实现信号的增强和复原。 在研究方法上，作者采用了光栅扫描和希尔伯特变换相结合的技术，对二维图像进行降维处理。这种方法旨在捕捉图像像素间的局部关联，增强信号的空间结构信息。通过计算峰值信噪比（PSNR）指标，作者评估了阵列级联FHN神经元模型在处理低信噪比图像时的性能，结果显示，该模型能够有效地抑制噪声，突出信号的轮廓边缘和细节，使得信号呈现出更强的层次感。 值得注意的是，该模型不仅在去除噪声方面表现出色，还展现出对内部噪声的较强鲁棒性，这在实际应用中具有重要的意义，因为真实环境中的信号往往受到多种噪声源的影响。研究结论指出，基于阵列级联FHN模型的随机共振机制为弱信号复原提供了一种创新的方法，有望在信号处理领域特别是图像处理和通信系统中得到广泛应用。 关键词：阵列级联FHN模型、随机共振、弱信号复原。该研究成果发表于《空间医学与医学工程》杂志，2013年第4期，具有较高的学术价值和实用前景。总体来说，这项研究通过结合生物学原理与信息技术，为解决实际信号处理难题提供了理论支持和技术路径。