外文翻譯中文---神經(jīng)網(wǎng)絡(luò)用于圖像壓縮-資料下載頁
2025-05-12 05:11本頁面
【導(dǎo)讀】Kohonen提出的自組織特征映射神經(jīng)網(wǎng)絡(luò)[57]已經(jīng)成為矢量量化中，應(yīng)用網(wǎng)絡(luò)模型解決碼書設(shè)計問題的大量研究的基礎(chǔ)。Kohonen引入了拓撲圖特征類序。在許多聚類算法中，如K-均值算法，每個輸入矢量x被分類，只有“獲勝”。在SOFM算法中，矢量x不僅用于修正獲勝類，而且將根據(jù)。獲勝類iC相鄰的類組成的集合。拓撲序的某種距離測度來確定。例如，如果在二維表格上對類進行排序，某類的相鄰。類可以定義為與此類的歐氏距離小于特定閾值的類的集合?？赡軙喈敶螅鐬轭惪倲?shù)的一半或更多。1）特征矢量集是原輸入矢量空間的優(yōu)化逼近。距離的減小而增加。事實上，對于同一鄰域范圍。通過將矢量iw定為類均值，因此，二者均可用于計算類均值，產(chǎn)生最小。低的失真率和較快的收斂速度。均失真被降低而言，其結(jié)果碼字是最優(yōu)的。為狀態(tài)碼書來代替每一狀態(tài)的分離碼書。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。級方式成倍增長。地使用這種方法為SAR圖像生成了VQ碼書。
【正文】 到獲勝碼字到達網(wǎng)絡(luò)底層即找到全部碼書為止。這種搜索的復(fù)雜度是對數(shù)級，因而比全搜索更有效。 在圖象實驗中， Truong[70]發(fā)現(xiàn)這種方法顯著地減小了全搜索的訓(xùn)練和編碼時間，并且失真的增加很小，最多較少 SNR達 。 Lee 和 Petersom[64]提出一種方法，這種方法可以通過允許產(chǎn)生新的權(quán)、合并和刪除現(xiàn)有權(quán) 以及在拓撲映射中合并軸線 ，以動態(tài)地改變 權(quán)之間的結(jié)構(gòu)和相鄰關(guān) 系。 H． 頻率敏感競爭學習 （ FSCL） 使用 LBG 算法時存在 一個問題：碼書中碼字的使用頻率極不平均，一些碼字未能 5 使用。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。 在這種方法中，獲勝數(shù)較多的碼字即過度使用的碼字，在 訓(xùn)練 時將不太可能被修正。 就歐式距離而言，修正距離測度可被定義為： 2)(),( iiiF S C L wxufwxD ?? (41) 其中 iu 是碼字 i 獲勝的次數(shù)， )(?f 是獲勝數(shù)的增加函數(shù)稱為“ 公平函數(shù) ” 。 Ahalt等和 Krishnamurthy 等 [72],[74]已經(jīng)將 FSCL算法用于設(shè)計圖像矢量量化的量化器。采用了兩種“公平函數(shù)”，一個等于獲勝數(shù) iuuf ?)( (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。他們發(fā)現(xiàn)公平函數(shù)對于結(jié)果碼書有顯著的影響。 使用（ 42）式較 LBG 碼本可使 MSE 增加，而使用（ 43）式的結(jié)果碼書與 LBG 碼書相比， MSE 幾乎相同 。 （正文頁面請加頁；從教務(wù)處主頁下載，統(tǒng)一用 A4 紙單面激光打?。?
畢業(yè)設(shè)計相關(guān)推薦
鄂ICP備17016276號-1