外文翻譯（中文）---神經(jīng)網(wǎng)絡(luò)用于圖像壓縮(文件)
【正文】 )( (42) 另一個隨著訓(xùn)練的進行減小到 1 Tteuuf /)( ?? ( 43) 其中 t 是迭代次數(shù) ， T 是訓(xùn)練進行一半時 1)( ?? euuf 所選擇的值。在頻率敏感競爭學習（ FSCL）中 [72][73][74]，通過在訓(xùn)練期間增加碼字的獲勝數(shù)函數(shù)來權(quán)化訓(xùn)練中碼字的距離。這種搜索的復(fù)雜度是對數(shù)級，因而比全搜索更有效。 結(jié)果碼書 可視為網(wǎng)絡(luò)的層次 [71][70]，它的每一層是上一層的一半，見圖 14。 應(yīng)用這種方法進行多次迭代后，網(wǎng)絡(luò)的大小以量級方式成倍增長。 另一種減小搜索時間的方法是利用拓撲排序碼書中碼字的組織機構(gòu)。此方法如圖 13 所示。特別地， 學習率參數(shù) 可初始化為 ， 4 隨 每次迭代單調(diào)減小。 他們發(fā)現(xiàn)， 對于給定的比特率，同時應(yīng)用 FSVQ 和 SOFM 可使 信噪比（ SNR）較無記憶 VQ 增加 ；此外，對于相同的失真，比特率減少一半以上。 如果狀態(tài)轉(zhuǎn)移函數(shù)是下一個輸入的較好的預(yù)測器，那么每一個狀態(tài)碼書都將比無記憶量化器所需的碼書少得多。與標準的 SOFM算法相比， 用 SOFM 與 APVQ 聯(lián)合產(chǎn)生碼書 ， 編碼 圖像僅需 小于 37%的比特數(shù) [66]。 3 D． 地址 預(yù)測矢量量化 （ APVQ） 使用 SOFM 算法進行碼書 設(shè)計 的另一個優(yōu)點 在 SOFM 的變體中表現(xiàn)出來，稱為 地址預(yù)測矢量量化（ APVQ） [66]。 為了在每訓(xùn)練一次樣本后就能修正矢量 iw ， 可采用基于最小化均方誤差 （ 37）的梯度下降法，學習規(guī)則為： )]()[()())(,(21)()1(twxttwtwxDtwtwiiiM S Eii????????? (38) 當 }{)( ii CCN ? 時，上式等價于式（ 36）。 3） 特征映射的密度與輸入分布密度相對應(yīng)，因此對高概率密度區(qū)域求解比低密度區(qū)
畢業(yè)設(shè)計相關(guān)推薦
鄂ICP備17016276號-1