基于稳健统计的矢量量化器设计算法

L BG算法作为矢量量化的基本算法具有经典意义 ,但由于在训练图象中 ,总存在少量的离群矢量 ,使得在训练码书时 ,码字的分布受到影响 ,进而使得压缩性能下降 ,因而不能充分体现出矢量量化的优越性能 .而运用基于稳健统计的方法来设计矢量量化器 ,由于减少了码书中的离群矢量 ,同时加强了中心矢量在码书中的权重 ,因而不仅能够尽量减少码书的冗余 ,而且能大幅度提高压缩性能 .实验结果显示 ,用基于稳健统计的设计方法设计的码书 ,其压缩性能比传统的 L BG算法有了较大的改善 ,且恢复图象的主观、客观效果都是令人满意的 .     

粒子群优化算法在图像矢量量化码书设计中的应用

鉴于经典的LBG码书设计算法易陷入局部最优解,首次采用粒子群优化算法来设计图像矢量量化的最优码书,并提出了粒子群矢量量化（PSO-VQ）算法和粒子一致性操作（PCO）。在PSO-VQ算法中,每个粒子表示一个码书,以粒子群进化的方式对初始码书进行迭代而获得最优码书,PCO操作对各初始码书中的码矢量按其灰度均值排序,使不同码书的内部结构基于码矢量灰度均值达到基本一致,确保了结果向全局最优解收敛。实验证明,PSO-VQ算法在解码图像的PSNR值和主观效果上都优于LBG算法,同时拓展了粒子群优化算法的应用领域。     

基于自组织特征映射网络的模糊矢量量化算法

自组织特征映射（SOFM）是一种常用的矢量量化算法，它具有设计码书不依赖于初始码书等优点。模糊矢量量化算法（FVQ）将模糊关系引入码书的设计，训练矢量与码矢之间的模糊关系用隶属函数表示。本文提出了一种基于自组织特征映射网络的模糊矢量量化算法（FSOFM），FSOFM算法将SOFM网络的调节节点邻域看作训练矢量的模糊集，网络权值学习步长的选择依赖于隶属函数。由于设计码书的评价一般采用最小均方误差准则，而隶属函数是训练矢量与码矢之间距离的函数，FSOFM算法保证了网络的全局成优化和网络权值的局部调整一致；因此，FSOFM算法能够优化码书的设计，改善设计码书的性能。此外，FSOOFM算法还具良好的适应性，当网络的将LBG、SOFM、FVQ和FOSOFM算法用于一组具有不同边缘特性的图像的矢量量化中，我们发现采用FSOFM算法进行矢量量化的所有图像都具有最高的峰值信噪比PSNR。     

自适应补偿矢量量化

提出了一种基于ＬＢＧ码书设计的新的图像矢量量化算法。该算法利用图像信号在正交矢量空间中的能量集中性,有效地减小了码书的搜索范围,加快了矢量量化速度。同时利用原始图像和重建图像之间的差值进行了自适应补偿,在保证较高压缩比的同时,有效地克服了矢量量化的致命缺陷,即重建图像存在严重的方块效应。     

基于改进CPN的快速矢量量化

对向传播神经网络(CPN)可以作为矢量量化器用于图像压缩，但CPN学习算法在进行码书设计时存在两个明显的缺陷。本文对CPN学习算法进行改进，提出了一种新的码书设计算法——快速竞争学习及误差修正算法(FCLECA)和一个基于改进CPN的快速矢量量化器模型，并讨论了FCLECA中的重要步骤和重要参数。仿真实验结果表明，FCLECA在生成高质量码书的同时大幅减少了训练时间，可以有效地实现快速矢量量化。     

基于改进人工蜂群的图像矢量量化码书设计算法

为了进一步提高图像矢量量化的码书质量,提出了一种新的图像压缩矢量量化码书设计算法。该算法采用均方误差(MSE)作为码书设计的适应度函数,利用改进的人工蜂群算法进行适应度函数的优化求解,增强了算法的自组织性和收敛性,大大减少了陷入局部收敛的可能性。将一种基于和值特性的快速码字搜索思想引入到码书设计算法中,使算法计算量明显降低。仿真结果表明,该算法具有计算时间短、收敛速度快的优点,并且生成的码书质量好、稳定性强。     

矢量量化的初始码书算法

矢量量化的初始码书设计是很重要的,影响或决定着其后码书形成算法的迭代次数和最终的码书质量。针对原有的初始码书算法在性能上随机性强与信源匹配程度不高的问题,提出一种对于训练矢量实施基于分量的和值排序,然后做分离平均的初始码书形成算法。算法使用了矢量的特征量,脱离了对于图像结构因数的依赖,能产生鲁棒性较好的初始码书。实验证明了该方法的有效性,与LBG算法结合可进一步提高码书质量。     

模拟退火多级VQ编码方案及实现

在查阅和分析多级矢量量化和模拟退火技术有关文献资料的基础上,阐述了矢量量化最优码书的形成条件,并以多级矢量量化和模拟退火技术为基础,提出了一种基于模拟退火技术的多级矢量量化编码方案,该方案充分弥补了多级矢量量化和模拟退火技术在图象编码中应用的各自不足,并且发挥了多级矢量量化和模拟火技术在图象编码中应用的各自优点,理论和实验都证明,该算法不仅能 码书存储量,而且图象恢复效果较好。     

一种码本训练算法

1 引言 Linde、Buzo和Gray在1980年提出的LBG算法一直是设计矢量量化器的经典算法。码书设计是基于矢量量化图像编码的关键技术。矢量量化的研究主要围绕着降低码率,减小失真和降低复杂度(空间、时间)这三者之间来展开的。码率、失真和复杂度是矢量量化的三个关键要素。自从LBG算法被提出以来,许多学者对矢量量化用于图像压缩提出了大量改进算     

改进对向传播神经网络应用于码书设计及其性能分析

针对对向传播神经网络(CPN)应用于矢量量化时的两个缺陷进行改进,提出了一种码书设计算法——快速竞争学习及误差修正算法(FCLECA),并设计了相应的基于改进CPN的快速矢量量化器模型,详细讨论了FCLECA的重要步骤、重要参数及其时间复杂度．仿真实验结果表明：文中算法能在提高码书质量的同时大幅缩短训练时间,是一种有效的快速矢量量化算法．     

基于距离的孤立点检测及其应用

孤立点检测是一个有趣的知识发现任务，文章介绍了基于距离的孤立点检测及其相关概念，分析了几种有代表性的算法。最后，文章给出了一个判定孤立点的新的定义，并按此定义进行了检测算法，用实际数据进行了实验。实验结果表明，新的定义不仅与DB(p，d)孤立点定义有着相同的结果，而且简化了孤立点检测对用户的需求，同时给出了数据对象在数据集中的孤立程度。     

Uncertain distance-based outlier detection with arbitrarily shaped data objects

Enabling information systems to face anomalies in the presence of uncertainty is a compelling and challenging task. In this work the problem of unsupervised outlier detection in large collections of data objects modeled by means of arbitrary multidimensional probability density functions is considered. We present a novel definition of uncertain distance-based outlier under the attribute level uncertainty model, according to which an uncertain object is an object that always exists but its actual value is modeled by a multivariate pdf. According to this definition an uncertain object is declared to be an outlier on the basis of the expected number of its neighbors in the dataset. To the best of our knowledge this is the first work that considers the unsupervised outlier detection problem on data objects modeled by means of arbitrarily shaped multidimensional distribution functions. We present the UDBOD algorithm which efficiently detects the outliers in an input uncertain dataset by taking advantages of three optimized phases, that are parameter estimation, candidate selection, and the candidate filtering. An experimental campaign is presented, including a sensitivity analysis, a study of the effectiveness of the technique, a comparison with related algorithms, also in presence of high dimensional data, and a discussion about the behavior of our technique in real case scenarios.

     

一种两阶段异常检测方法

提出了一种新的距离和对象异常因子的定义，在此基础上提出了一种两阶段异常检测方法TOD，第一阶段利用一种新的聚类算法对数据进行聚类，第二阶段利用对象的异常因子检测异常．TOD的时间复杂度与数据集大小成线性关系，与属性个数成近似线性关系，算法具有好的扩展性，适合于大规模数据集．理论分析和实验结果表明TOD具有稳健性和实用性．     

基于距离的孤立点检测研究

孤立点检测是一个重要的知识发现任务,在分析基于距离的孤立点及其检测算法的基础上,文章提出了一个判定孤立点的新定义,并设计了基于抽样的近似检测算法,用实际数据进行了实验。实验结果表明,新的定义不仅与DB(p,d)孤立点定义有着相同的结果,而且简化了孤立点检测对用户的要求,同时给出了数据对象在数据集中的孤立程度。     

无指导的入侵检测方法

提出了一种适用于混合属性的距离定义和度量对象异常程度的异常因子,由此提出了一种无指导的入侵检测方法.该方法关于数据库的大小、属性个数具有近似线性时间复杂度,这使得算法具有好的扩展性.该方法对于参数和数据输入顺序具有稳健性,且对新的入侵有一定的检测能力.     

An efficient approach for scene categorization based on discriminative codebook learning in bag-of-words framework

This paper proposes an efficient technique for learning a discriminative codebook for scene categorization. A state-of-the-art approach for scene categorization is the Bag-of-Words (BoW) framework, where codebook generation plays an important role in determining the performance of the system. Traditionally, the codebook generation methods adopted in the BoW techniques are designed to minimize the quantization error, rather than optimize the classification accuracy. In view of this, this paper tries to address the issue by careful design of the codewords such that the resulting image histograms for each category will retain strong discriminating power, while the online categorization of the testing image is as efficient as in the baseline BoW. The codewords are refined iteratively to improve their discriminative power offline. The proposed method is validated on UIUC Scene-15 dataset and NTU Scene-25 dataset and it is shown to outperform other state-of-the-art codebook generation methods in scene categorization.     

基于相关子空间的多源离群检测算法

传统的离群检测方法多数源于单个数据集或多数据源融合后的单一数据集,其检测结果忽略了多源数据之间的关联知识和单数据源中的关键信息。为了检测多源数据之间的离群关联知识,提出一种基于相关子空间的多源离群检测算法RSMOD。结合[k]近邻集和反向近邻集的双向影响,给出面向多源数据的对象影响空间,提高了离群对象度量的准确性;在影响空间基础上,提出面向多源数据的稀疏因子及稀疏差异因子,有效地刻画了数据对象在多源数据中的稀疏程度,重新定义了相关子空间的度量,使其能适用于多源数据集,并给出基于相关子空间的离群检测算法;采用人工合成数据集和真实的美国人口普查数据集,实验验证了RSMOD算法的性能并分析了源于多数据集的离群关联知识。     

Outlier detection using linguistically quantified statements

Automatic summary of databases is an important tool in strategic decision‐making. This paper applies the concept of linguistic summaries of databases to outlier detection. The definition of an outlier is closely related to the type of data analyzed and its context. Outlier detection is an important data‐mining technique, which finds applications in a wide range of domains. It can identify defects, remove impurities from the data, and, most of all, it is significant to decision‐making processes. The authors propose a novel definition of an outlier, based on linguistic quantifiers and linguistic summaries. Linguistic quantifiers are employed to express the cardinality of a set of outliers in a natural language. Thus, this paper demonstrates that linguistic summaries proposed by Yager, which provide the ability to model imprecise information, can serve as an effective tool for outlier detection.     

一种基于密度近邻的增量式孤立点发现算法

为了解决数据集更新时孤立点增量发现问题,提出一种基于密度近邻的增量式孤立点发现算法.当数据集更新时,该算法在确定出受影响的对象后,根据对象和其近邻间k-密度变化,建立对象的密度近邻序列.然后依据对象的密度近邻序列代价和其k-距离邻域的平均密度近邻序列代价,计算出受影响对象的增量异常因子(IOF)来表征对象的孤立程度,从而提高增量孤立点发现的效果.此外,由于只需重新计算这些受影响对象的IOF值,该算法还提高孤立点发现的速度.实验表明,该算法不仅在孤立点增量发现的效果上高于以往算法且减少算法的运行时间.     

基于近邻关系的离群约简搜索算法

针对传统离群点检测过程中属性多、维度大等问题,结合粗糙集理论,提出一种基于近邻关系的离群约简搜索算法。利用属性约简技术解决对象不相容的问题,并有效缩减离群搜索的属性空间。计算任意点与其他所有点间的距离和,通过计算基于近邻的加权离群因子来判定离群点,并在通用数据集上进行测试。实验结果表明,该离群检测算法的搜索精度较高。