共查询到14条相似文献,搜索用时 122 毫秒
1.
对自组织特征映射(SOFM)神经网络学习算法进行阐述.讨论SOFM神经网络学习算法,通过研究基于SOFM学习算法的矢量码书设计中存在的问题,提出一种改进算法.最后把这种算法应用在IP电话语音压缩编码的参数矢量量化上.计算机仿真结果表明,SOFM神经网络对于语音码书训练是非常有效的,改进的SOFM学习算法能够大大减少训练时间,提高整个系统的性能. 相似文献
2.
对自组织特征映射(SOFM)神经网络学习算法作了简单介绍。从SOFM神经网络学习算法的基本思想出发,通过研究SOFM学习算法在设计矢量码书中存在的问题,提出了一种改进算法。最后把这种算法应用在口电话语音压缩编码的参数矢量量化上。计算机仿真结果表明,SOFM神经网络是一种训练语音码书的好工具,改进的SOFM学习算法能够大大减少训练时间,提高整个系统的性能。 相似文献
3.
鉴于用神经网络实现图象压缩是一种非常有效的方法,为此提出了一种基于PCA/SOFM混合神经网络的图象压缩编码算法,并对SOFM网络学习参数的优化进行了探讨.实验证明,与PCA SOFM连续编码算法和基本SOFM算法相比,这种混合编码算法,由于占用存储空间少,因而降低了码书设计的计算量,并改善了码书的性能. 相似文献
4.
根据低延迟语音编码算法训练码书的尺寸和码字维数的特点,提出了一种改进的自组织特征映射(SOFM)神经网络的码书设计方法。对输入训练矢量以及连接权矢量进行归一化,为降低计算量和提高码书训练质量,采用快速的网络学习决定获胜的神经元并对网络权值分阶段进行自适应调整,最后应用于低延迟语音编码中。实验表明,与传统LBG算法比较,采用SOFM神经网络训练的码书其合成语音的主、客观质量均有较大提高。 相似文献
5.
基于自组织特征映射网络的模糊矢量量化算法 总被引:1,自引:0,他引:1
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。 相似文献
6.
基于自组织特征映射神经网络的图像压缩 总被引:2,自引:0,他引:2
简要介绍了基于自组织特征映射(SOFM)神经网络的图像压缩的传统算法。通过对传统方法的优缺点分析,提出了一种新的简单的矢量量化压缩方法。新算法采用分类码书设计和残留编码,大大提高了图像的客观指标和主观视觉效果。实验表明此方法明显优于传统的SOFM算法,而且易于硬件实现。 相似文献
7.
分析并改进了利用自组织特征映射(SOFM)神经网络设计码书的方法,提出了一种基于改进SOFM算法设计码书的矢量量化和分类谱间预测相结合的多光谱图像无损压缩方法。该方法对光谱信息进行矢量量化,根据分类信息生成残差图像以去除数据的空间相关性,构造分类谱间预测器去除数据的谱间结构和统计相关性。对机载64波段多光谱遥感图像的试验结果表明,该方法无论是对训练集内图像还是训练集外图像,均取得了较好的压缩效果,平均无损压缩比达到3.2以上。 相似文献
8.
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。 相似文献
9.
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. 相似文献
10.
基于Kohonen自组织特征映射(SOFM)神经网络的矢量量化图像压缩编码是一种非常高效的方法,但其码字利用不均匀,某些神经元永远无法获胜而产生"死神经元"的问题仍然十分明显。在追求为使各个神经元能以较为均衡的几率获胜,尽量避免"死神经元"过程中,Kohonen SOFM-C很具代表性,它既能保持拓扑不变性映射又能最有效地避免"死神经元",是一种带"良心"的竞争学习方法。本文利用Kohonen SOFM-C码字利用更为均衡的优点,并针对SOFM在胜出神经元的邻域内神经元修改权值方法的不足,提出基于SOFM-C的辅助神经元自组织映射算法,此方法具有开放性,可随时添加入新的有效算法模块以达到更好的效果。并把该矢量量化算法应用于小波变换域,以获得更好的码书。仿真结果表明,该方法优于已有的SOFM方法。 相似文献
11.
陆哲明 《中国图象图形学报》2000,5(10):846-850
近年来,许多学者已经成功地将Kohonen的自组织特征映射(SOFM)神经网络应用于矢量量化(VQ)图象压缩编码,相对于传统的KLBG算法,基于的SOFM算法的两个主要缺点是计算量大和生成的码书性能较差因此为了改善码书性能,对基本的SOFM算法的权值调整方法作了一些改进,同时为了降低计算量,又在决定获得胜神经元的过程中,采用快速搜索算法,在将改进的算法用于矢量量化码书设计后,并把生成的码书用于图象 相似文献
12.
13.
计算机人工神经网络技术提供了新的图像压缩方法。自组织特征映射人工神经网络就能够用于图像的有损压缩。通过将图像分成若干小块,然后使用神经网络进行训练达到特征向量自动聚类,从而将这若干个图像块分成不同的类,其类别个数远小于图像块的个数,最后使用一个映射表保存这些信息。该方式,将图像中相同或者非常相似的部分归为一类,降低了信息冗余度,从而可以进行图像的有损压缩。该方法采用了计算机神经网络,有比较好的适应性,能够方便的和其它压缩技术结合实现效果更好的混合压缩,具有良好的推广价值。 相似文献