矢量量化的遗传k-均值算法

提出了一种遗传k-均值算法，该算法通过改进标准遗传操作及采用可变变异率，使其在矢量量化应用中表现出很好的性能．实验证明，该算法能够获得质量高于k-均值和模糊k-均值算法的矢量量化码书，为设计全局最优码书提供了新思路。     

一种增强的LPC参数多级矢量量化技术

为充分利用码本的级间相关性,提出了一种联合码本优化多级矢量量化(JCO-MSVQ)码本设计方法。每次迭代时,先将训练矢量对码字进行聚类,再对各级码本进行联合优化,利用条件期望逐级更新码本。实验数据表明,该算法在设计10维线谱频率(LSF)参数量化码本时,较随机松弛算法(SR)码本有更小的平均量化畸变。23比特/帧LSF参数量化器平均对数谱失真为0.87dB,达到了透明量化要求。     

线谱对参数预测多级矢量量化联合优化算法

提出了一种线谱对参数预测多级矢量量化联合优化算法.该算法对预测系数和多级矢量量化采用渐进闭环设计,通过迭代实现预测系数和多级矢量量化设计的联合优化.在多级矢量量化设计过程中,采用迭代优化实现多级码本的联合优化.采用语音线谱对参数对量化算法进行测试.测试结果表明,与传统算法相比,该量化算法可以减小线谱对参数量化失真.提高编码语音质量.     

自动属性加权的K-调和均值聚类算法

针对K-调和均值算法中距离度量将所有属性视为相等重要而存在的不足,提出一种利用自动属性加权的改进聚类算法。在算法的目标函数中,用加权欧氏距离替代传统的欧氏距离,并证明了使得算法能够收敛的属性权重更新机制。为进一步提高聚类性能,将粒子群算法融入到改进的属性加权聚类算法中以抑制其陷于局部最优,其中采用聚类中心和属性权重的值同时表示粒子的位置进行寻优。在UCI数据集的测试结果表明,该算法的聚类指标平均提高了约9个百分点,具有更高的聚类准确性和稳定性。     

星载SAR原始数据普适性分块自适应矢量压缩算法

传统矢量量化器的码本普适性差,需要在线更新,难以在星载SAR系统中实现.文中针对星载SAR原始数据的统计特性,以多维空间上的失真函数为代价函数,根据输入数据的联合概率密度函数设计得到了具有普适性的矢量量化码本,分析了原始数据矢量量化编码以及解码方案.在此基础上,深入研究了矢量量化级联熵编码方案的可行性以及码字索引在信道传输发生误码时算法的稳健性.实际数据处理结果表明,文中算法具有普适性,矢量量化码本的普适性使得码本可以进行离线设计,为矢量量化的星载实用化提供了理论指导.     

一种新的混合域矢量量化图像压缩编码算法

为了有效捕获数字图像的重要视觉信息,提出一种新的混合域矢量量化图像编码算法.该算法首先对原始图像进行小波分解,同时对中高频小波子带实施自适应方向分解;然后对最低频子带进行DPCM编码;再结合高频子带系数相关性构造矢量,并采纳竞争学习矢量量化策略训练码书;最后利用Huffman方法对输出进行熵编码并生成比特流.仿真实验表明,本文所提出的混合域矢量量化图像编码算法是一种高效的图像压缩方法,不仅其压缩效果明显优于小波域矢量量化图像压缩方案,而且具有较强的通用性与适应性(小波域矢量量化方法对于Barbata之类纹理图像压缩效果较差,而本文算法的压缩效果却较理想).     

图象压缩的模糊竞争矢量量化方法

在分析神经网络竞争学习算法和模糊Ｃ均值算法的基础上，提出了模糊竞争学习算法，并对模糊隶属度函数进行了探讨。理论分析和实验结果表明，模糊竞争学习算法用于图象矢量量化压缩编码是一种非常有效的方法。     

基于矢量量化的数字视频压缩技术

对基于矢量量化的数字视频压缩技术进行了论述，并根据分析结果提出了一种新的矢量量化算法——多级矢量量化联合编码算法，该算法保持了多级矢量量化算法编码速度快、图像相关性小等特点，同时提高了编码质量。实验表明，该算法与已有的算法相比具有较高的图像质量和更高的压缩率。     

熵约束广义学习矢量量化神经网络和软竞争学习算法

结合广义学习矢量量化神经网络的思想和信息论中的极大熵原理,提出了一种熵约束 广义学习矢量量化神经网络,利用梯度下降法导出其学习算法,该算法是软竞争格式的一种推 广.由于亏损因子和尺度函数被定义为同一个模糊隶属度函数,它可以有效地克服广义学习矢 量量化网络的模糊算法存在的问题.文中还给出熵约束广义学习矢量量化网络及其软竞争学习 算法的许多重要性质,以此为依据,讨论拉格朗日乘子的选取规则.     

一种基于LVQ神经网络的聚类方法

现在学习矢量量化（Learning Vector Quantization，LVQ）网络在聚类分析中得到了广泛的应用．但是该类网络还有需要完善的地方。本文通过在LVQ网络的训练过程中引入阈值学习规则，提出了一种改进的算法。较好的解决了该类网络中遇到“死”点时不能对数据进行正确分类的问题。最后通过Matlab7．0仿真实验表明该算法与传统的LVQ网络相比具有更好的聚类效果。     

基于强化学习的LVQ聚类方法

1 引言在数据挖掘、智能控制、模式识别中,数据聚类始终是一种基本需要。在缺乏对数据类属的先验知识的情况下,多采用无监督学习方法来训练分类器。强化学习(reinforcement learning,也称增强学习,自励学习)是一种介于有监督学习和无监督学习之间的一种机器学习方法,它利用少量的评价信息改善系统行为。强化学习与动物学习理论,认知科学,学习自动机理论有密切的关系。近年     

Premature clustering phenomenon and new training algorithms for LVQ

Five existing LVQ algorithms are reviewed. The Premature Clustering Phenomenon, which downgrades the performance of LVQ is explained. By introducing and applying the “equalizing factor” as a remedy for the premature clustering phenomenon a breakthrough is achieved in improving the performance of the LVQ network, and its performance becomes competitive with that of the best known classifiers. For estimating the equalizing factor four different formulas are suggested, which result in four different versions of the LVQ4a algorithm. A new weight-updating formula for LVQ is presented, and the LVQ4b algorithm is presented as implementation of this new weight-updating formula in batch mode training. In addition, four variants of the LVQ4c algorithm are presented as the customized LVQ4b algorithm for pattern mode training.A meticulous analysis of their performances and that of five early training algorithms has been carried out and they have been compared against each other, on 16 databases of the Farsi optical character recognition problem.     

基于EMD和LVQ的信号特征提取及分类方法

针对非平稳、非线性、微弱信号难以分析和处理的特点,本文提出了一种基于经验模式分解和学习向量量化神经网络的信号处理和分类方法,并在生物信号处理领域(左、右手运动想象的脑电信号)进行了研究和应用.首先通过经验模式分解算法对脑电信号分解,然后选取主要固有模态函数分量并计算其绝对均值作为特征值,最后使用学习向量量化网络进行分类,并分别与支持向量机和误差反向传播神经网络分类算法进行了对比研究.实验结果表明,所提出的算法分类正确率达到了87％,相比于其余两种对比算法在特定的信号处理领域优越,具有一定的参考和研究价值.     

Soft learning vector quantization and clustering algorithms based on non-Euclidean norms: multinorm algorithms

This paper presents the development of soft clustering and learning vector quantization (LVQ) algorithms that rely on multiple weighted norms to measure the distance between the feature vectors and their prototypes. Clustering and LVQ are formulated in this paper as the minimization of a reformulation function that employs distinct weighted norms to measure the distance between each of the prototypes and the feature vectors under a set of equality constraints imposed on the weight matrices. Fuzzy LVQ and clustering algorithms are obtained as special cases of the proposed formulation. The resulting clustering algorithm is evaluated and benchmarked on three data sets that differ in terms of the data structure and the dimensionality of the feature vectors. This experimental evaluation indicates that the proposed multinorm algorithm outperforms algorithms employing the Euclidean norm as well as existing clustering algorithms employing weighted norms.     

Soft learning vector quantization and clustering algorithms based on non-Euclidean norms: single-norm algorithms

This paper presents the development of soft clustering and learning vector quantization (LVQ) algorithms that rely on a weighted norm to measure the distance between the feature vectors and their prototypes. The development of LVQ and clustering algorithms is based on the minimization of a reformulation function under the constraint that the generalized mean of the norm weights be constant. According to the proposed formulation, the norm weights can be computed from the data in an iterative fashion together with the prototypes. An error analysis provides some guidelines for selecting the parameter involved in the definition of the generalized mean in terms of the feature variances. The algorithms produced from this formulation are easy to implement and they are almost as fast as clustering algorithms relying on the Euclidean norm. An experimental evaluation on four data sets indicates that the proposed algorithms outperform consistently clustering algorithms relying on the Euclidean norm and they are strong competitors to non-Euclidean algorithms which are computationally more demanding.     

LVQ神经网络在交通事件检测中的应用

提出一种基于LVQ神经网络的交通事件检测方法。提取上下游的流量和占有率为特征,LVQ神经网络作为分类器进行交通事件自动检测。LVQ网络结构简单,但却表现出比BP神经网络更强的有效性和鲁棒性。为进一步提高神经网络的泛化能力,采用改进的Boosting算法,进行网络集成。运用Matlab 进行了仿真分析,结果表明提出的交通事件检测算法具有良好的检测性能。     

基于WT和LVQ网络的多姿态人脸识别

提出了基于小波变换和学习矢量量化网络相结合的新方法进行人脸识别。小波变换具有良好的多尺度特征表达能力，能将图像的大部分能量集中到最低分辨率子图像，可以很好地对图像降维和表征人脸图像的特征。LVQ算法是在有教师状态下对竞争层进行训练的一种学习算法。LVQ网络结构简单，但却表现出比BP网络更强的有效性和鲁棒性。实验表明该方法对表情和姿态变化的人脸具有良好的分类性能和识别效率。     

基于提升小波变换与学习矢量量化网络的鉴别分析方法

提出了一种基于提升小波变换（LWT）和学习矢量量化网络（LVQ）相结合的鉴别分析方法。提升小波又叫作第二代小波，比传统的第一代小波变换更为快速有效，利用它的多分辨率特性，可以获取输入图像的低频信息并使图像降维。LVQ算法是在有教师状态下对竞争层进行训练的一种学习算法。LVQ网络结构简单，但却表现出比BP网络更强的有效性和鲁棒性。在ORL标准人脸库及现实人脸图像上的实验结果表明该方法具有很好的鉴别分析能力。     

基于LVQ神经网络的改进覆盖算法

覆盖算法是一种具有高分类准确度和强泛化能力的构造性神经网络分类算法。针对其选择覆盖中心的随意性,结合竞争性神经网络方法对覆盖算法进行改进,在覆盖学习之前进行预学习,选择最佳覆盖球形中心,来优化覆盖。通过标准UCI测试数据实验的比较,从分类的准确性和覆盖个数方面进行对比,得到改进的覆盖算法有很好的效果。     

遗传LVQ聚类算法

Kohonen提出了学习矢量量化(LVQ)聚类算法及网络对聚类分析产生了深刻的影响,但LVQ存在神经元未被充分利用以及算法对初值敏感的问题。通过对LVQ聚类算法进行分析,根据基因算法的特点,论文提出一种结合基因算法与LVQ聚类算法的改进方法。实验结果证明改进的算法较LVQ聚类算法对初值具有明显的稳定性和有效性。