一种基于量子BP网络的图像压缩方法

针对BP网络在图像压缩应用中迭代次数多及训练时间长的问题,设计具有量子输入和输出的神经元模型,结合BP网络在图像压缩中的原理,利用复数BP算法,构建一种用于图像压缩的3层量子BP网络(QBP),实现图像压缩与图像重建。仿真结果表明,与BP网络相比,QBP网络能获得更好的重建图像质量,且迭代次数较少。     

在超立方体上并行仿真BP神经网

本文研究在超立方体上并行仿真ＢＰ神经网的方法，报告我们在Ｉｎｔｅｌ ｉＰＣＳ／８６０超立方上开发的一个ＢＰ神经仿真器。文章着重讨论如何把ＢＰ神经网均衡地分配到超立方体的结点以及如何在超立方体上并行实现ＢＰ算法等问题。     

基于PSO—BP神经网络的图像压缩算法

本文阐述了使用BP神经网络压缩图像的方法和粒子群算法（PSO）的原理。为提高BP算法的训练速度和图像重建质量．本文设计了一种利用PSO—BP网络进行图像压缩的算法，该算法结合了PSO算法和BP算法的优点，将BP网络的训练过程分为两个阶段。实验表明，利用该算法压缩图像，不仅速度较快，而且重建后的图像质量有明显提高。     

基于BP神经网络的图像压缩的Matlab实现

BP网络是目前最常用的一种人工神经网络模型,它利用多层前馈网络的模式变换能力实现数据编码,直接提供数据压缩能力.在介绍BP网络图像压缩机原理及算法的基础上,通过计算机Matlab仿真实验实现数字图像压缩,并分析了各种参数对重建图像性能的影响.     

神经网络在图像压缩编码中的应用研究

简要介绍ＡＮＮ在图像压缩编码中的应用研究概况，包括神经网络广义变换编码和基于神经网络的矢量量化。同时，给出图像压缩编码神经网络方法研究的主要内容与要突破的难题。     

神经网络BP算法在网络搜索中的应用

本文介绍了利用神经网络的网络搜索方法,利用神经网络的自学习能力实现网络再次搜索,依靠神经网络BP算法实现了搜索引擎的自学习能力。实验表明该法方法有效的提高了网络搜索的准确度和灵活行。     

改进BP网络在煤矿通风系统故障检测中的应用

针对BP神经网络传统学习算法步长难以确定的问题,提出了采用基于RLS算法的BP神经网络检测煤矿通风系统故障的方法;简要介绍了BP神经网络的结构,详细介绍了RLS学习算法和仿真过程。仿真结果表明,采用RLS算法的BP神经网络能够满足煤矿通风系统故障检测的要求。     

一种小波域内的BP神经网络图像压缩方法

通过时Mallat算法和提升小波变换的比较,并分析图像经过小波变换后系数的分布特点,提出了一种新的将提升小波变换和BP神经网络相结合的图像压缩方法.根据小波变换后图像的绝大部分能量都集中在小波变换的低频部分这一特性,利用BP神经网络,对不同的频带子图进行不同压缩比的压缩,从而得到高质量的重构图像.结果表明,该算法不仅有较高的压缩比,而且获得了质量较高的重构图像,对背景简单的图像压缩效果尤为明显.     

改进BP网络及其在传感器非线性校正中的应用

针对传统BP网络收敛速度慢、容易陷入局部最小点等问题,采用附加动量因子和自适应学习速率进行了改进,并将其用于对传感器的非线性误差进行补偿.用MATLAB语言编制相应的训练程序,仿真结果表明,在相同的条件下,改进后算法节省了大量的训练时间,同时提高了数据拟合的精度.     

基于BP人工神经网络的图像压缩技术过程及分析

本文介绍了BP人工神经网络在计算机图像压缩中应用的原理,对其实现的过程进行了详细的阐述,并通过采用非线性网络和最速下降法实现了图像压缩。分析结果表明:可以通过牺牲压缩率,增加隐含层的神经元数来提高重建图像的质量。     

超光谱图像分层无损压缩方案

在分析超光谱图像的位平面相关特性的基础上设计了一种分层无损压缩方案,对高位位平面采用DPCM去除谱间相关,并设计了静态编码方案以降低编码复杂度;低位以空间压缩为主,应用三角划分适应不同的目标边界.算法压缩压缩时间略低于谱间位平面变换算法,压缩比有12.7％的提高;和三维位平面算法相比,编解码时间分别降低了6.2％和4.3％,压缩比提高了6.3％.     

图象数据压缩的BP神经网络方法研究

重点研究BP人工神经网络用于图象数据压缩时,网络拓扑结构变化和算法修正对网络训练时间及重建图象质量的影响,仿真表明：选择合适的网络结构,采用文中给出的快速网络训练算法,可明显加速网络收敛,且网络易避开学习误差的局部极小点,克服网络学习误差收敛刚性。BP神经网络用于图象数据压缩取得了高压缩比和好的重建图象质量。     

自组织特征映射网络在压缩编码设计中的应用

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.     

基于PSO-BP神经网络的图像压缩算法

本文阐述了使用BP神经网络压缩图像的方法和粒子群算法(PSO)的原理.为提高BP算法的训练速度和图像重建质量,本文设计了一种利用PSO-BP网络进行图像压缩的算法,该算法结合了PSO算法和BP算法的优点,将BP网络的训练过程分为两个阶段.实验表明,利用该算法压缩图像,不仅速度较快,而且重建后的图像质量有明显提高.     

神经网络在彩色图像压缩中的应用

文中旨在提出一种基于神经网络的图像压缩算法对彩色图像信息进行处理,从而减少大规模彩色图像的冗余度,方便其传输、存储及加密等。该算法通过将BP（Back Propagation）神经网络用于彩色图像压缩,利用其多层前馈网络的模式变化能力,实现了对由RGB编码得到的彩色图像数字矩阵进行的压缩编码。经Matlab仿真实验表明,该算法具有良好的压缩效果,且与灰度编码下的图像压缩结果对比,具有更好的压缩效率及保真效果,并能有效地保留原彩色图像的色彩信息,能够满足彩色图像压缩处理的要求。     

BP神经网络的改进

BP神经网络易于陷入局部最小点以及收敛速度较慢,为了克服这些缺陷,本文对BP神经网络进行改进。通过对BP神经网络的样本进行采样分析,得到训练目标函数与输入向量之间的相关系数,依据此相关系数得到网络训练时的初始权重,再给待训练的BP神经网络进行初始权重的赋值,通过对初始权重的科学赋值从而达到避免网络在训练过程中陷入局部最小点与加快收敛速度的目的。本文通过实际验证,确实达到预期目的。     

一种改进的复数BP神经网络算法研究

论文提出了复数BP神经网络的一种新结构和算法。算法的主要思想是将复值输人信号的实部和虚部分离,分别训练,使其达到稳定状态。其结构简单,易于实现,只需少量样本点却有很高收敛速度和精度。通过实验和仿真说明论文算法的有效性。