外文翻譯中文---神經(jīng)網(wǎng)絡(luò)用于圖像壓縮-文庫(kù)吧資料
2025-05-22 05:11本頁(yè)面
【正文】 來(lái)修正碼書[57]。 他們發(fā)現(xiàn)， 對(duì)于給定的比特率，同時(shí)應(yīng)用 FSVQ 和 SOFM 可使 信噪比（ SNR）較無(wú)記憶 VQ 增加 ；此外，對(duì)于相同的失真，比特率減少一半以上。 超級(jí)碼書由 SOFM 算法得出 ， 并且狀態(tài)碼書在拓?fù)溆成鋬?nèi)是相鄰的。 如果狀態(tài)轉(zhuǎn)移函數(shù)是下一個(gè)輸入的較好的預(yù)測(cè)器，那么每一個(gè)狀態(tài)碼書都將比無(wú)記憶量化器所需的碼書少得多。 在 FSVQ中，從當(dāng)前狀態(tài) nS 的碼書中選擇碼字索引 ni 。與標(biāo)準(zhǔn)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?cái)?shù) [66]。 圖象中相鄰碼字和相鄰塊之間的聯(lián)系可被用于 DPCM 編碼， 其中 輸入信號(hào)就是碼書地址。 3 D． 地址 預(yù)測(cè)矢量量化 （ APVQ） 使用 SOFM 算法進(jìn)行碼書 設(shè)計(jì) 的另一個(gè)優(yōu)點(diǎn) 在 SOFM 的變體中表現(xiàn)出來(lái)，稱為 地址預(yù)測(cè)矢量量化（ APVQ） [66]。 許多學(xué)者 [60]， [61]， [62]， [63]已經(jīng)成功地使用 SOFM 算法生成 VQ 碼書，并論證了采用 SOFM 算法較經(jīng)典的 LBG 算法的優(yōu)越之處，包括對(duì) 初始 碼書的低敏感性、較低 的 失真率和較快的收斂速度。 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(xué)習(xí)規(guī)則為： )]()[()())(,(21)()1(twxttwtwxDtwtwiiiM S Eii????????? (38) 當(dāng) }{)( ii CCN ? 時(shí)，上式等價(jià)于式（ 36）。事 實(shí)上，對(duì)于同一鄰域范圍}{)( ii CCN ? ， LBG 算法是與 SOFM 算法等價(jià)的批處理方法。 3） 特征映射的密度與輸入分布密度相對(duì)應(yīng)，因此對(duì)高概率密度區(qū)域求解比低密度區(qū)域更容易。 B． SOFM 算法的 特性 SOFM 算法有許多重要的特性，這些特性使得它適合于用作矢量量化中的碼書生成器 [5]： 1
畢業(yè)設(shè)計(jì)相關(guān)推薦
鄂ICP備17016276號(hào)-1