基于旋转Barnes-Wall格的增益-波形矢量量化器及其在序列图象编码中的应用

本文首先提出了一种基于旋转Barnes-Wall格的格型矢量量化器(LVQ)的构造方法及快速量化算法,然后研究了以此LVQ为核心的增益-波形矢量量化器(GSLVQ)的实现方法,最后探讨了GSLVQ在序列图象编码中的应用方案,并给出了较好的实验结果。     

基于PCA-LVQ的模拟电路故障诊断

为了解决模拟电路故障难于识别的问题,提出一种基于主成分分析(PCA)和学习矢量量化神经网络(LVQ)的模拟电路故障诊断新方法。该方法用PCA提取模拟电路故障特征,然后将降维后的故障特征信息输入LVQ网络训练和故障模式的分类识别。通过对Sallen-Key带通滤波器电路的故障诊断实例表明,该方法是有效的,具有较高的故障诊断率。     

一种快速模糊矢量量化图像编码算法

本文在学习矢量量化和模糊矢量量化算法的基础上,设计了一种新的训练矢量超球体收缩方案和码书学习公式,提出了一种快速模糊矢量量化算法。该算法具有对初始码书选取信赖性小,不会陷入局部最小和运算最小的优点。实验表明,ＦＦＶＱ设计的图像码书性能与ＦＶＡ算法相比,训练时间大大缩短,峰值信噪比也有改善。     

归一化自适应预测矢量量化算法压缩SAR原始数据

该文提出归一化自适应预测矢量量化(NAPVQ)算法压缩SAR原始数据。NAPVQ算法先采用矢量线性预测器对输入矢量进行预测,再对原矢量与预测矢量之间的残差矢量进行矢量量化。该算法可视为差分脉冲调制在矢量量化中的拓展,其性能优于块自适应量化(BAVQ)算法以及归一化预测自适应量化(NPAQ)算法。对算法复杂度的进一步分析表明,NAPVQ算法能获得复杂度和性能之间比较合理的折衷,具有实用价值。     

量化方法及其统计特征量用于图像检索的性能比较

分别对标量量化,矢量量化以及分类矢量量化等不同量化方法及其统计特征量用于图像检索的性能进行了分析和比较,对进一步实现支持检索的图像压缩算法具有一定的指导意义。     

基于小波变换和误差竞争学习的矢量量化

用神经网络实现图像矢量量化是一种非常有效的方法，而小波变换又是近年来迅速发展起来的新算法。文中提出一种改进的误差竞争学习算法，分析了图像在小波变换后数据的特点，提出了新的矢量构造方法，从而最终得到了基于小波变换和误差竞争学习的矢量量化图像压缩新算法(以下简称VQWDCL)，无论是在主客观效果上，还是在计算复杂度上，其性能都优于传统的基于小波变换和LBG算法的矢量量化。     

LVQ神经网络用于海上小目标检测

舰载(或岸基)雷达对海面小目标检测是一个重要而困难的课题。最大幅度极点检测(ARLPM)是目前实用性较强的一种方法,特别是在短时检测方面有着不错的效果。本文在AR-LPM的基础上提取了最大幅度极点的两个目标特征———频率和谱宽,然后采用学习矢量量化(LVQ)神经网络进行目标检测。该方法有强大的非线性运算和相似特征聚类功能,不仅简单易行,还具备一定的自适应性。最后本文利用真实海杂波数据对该方法作了实验,通过比较表明,LVQ神经网络检测优于原方法。     

宽带ISF参数的转换分类乘积码锥形矢量量化

本文提出了一种新的应用于宽带导抗谱频率参数量化的转换分类乘积码锥形矢量量化方案.该量化器基于转换分类与乘积码锥形矢量量化原理,首先对待量化的ISF参数矢量进行分类,然后按类进行乘积码锥形矢量量化.该算法具有低存储量及低复杂度的特点.实验表明,该算法在每帧编码比特数为46时,平均谱失真比乘积码锥形矢量量化低,且达到了透明量化标准.     

应用神经网络的图像分类矢量量化编码

矢量量化作为一种有效的图像数据压缩技术，越来越受到人们的重视。设计矢量量化器的经典算法ＬＢＧ算法，由于运算复杂，从而限制了矢量量化的实用性。本文讨论了应用神经网络实现的基于边缘特征分类的矢量量化技术。它是根据人的视觉系统对图象的边缘的敏感性，应用模式识别技术，在对图像编码前，以边缘为特征对图像内容分类，然后再对每类进行矢量量化。除特征提取是采用离散余弦变换外，图像的分类和矢量量化都是由神经网络完成     

改进的Kohonen网络及图像自适应矢量量化

本文针对图像矢量量化存在的分块效应问题,通过对Kohonen自组织模型的研究,修改了Kohonen的自组织特征映射(SOFM)算法,设计了两个DCT(离散余弦变换)域的特征值,用于图像数据块的分类。在此基础上,进一步探讨了改进的自组织特征映射(MSOFM)算法在图像自适应矢量量化中的应用。计算机模拟实验表明,MSOFM算法有效地减少了分块效应,与SOFM算法相比具有更好的性能。     

学习矢量量化算法的性能分析

本文针对学习矢量量化算法Ⅰ型和Ⅱ型（ＬＶＱ１、ＬＶＱ２）进行了深入的分析研究，取得了以下结果：（１）对应于ＬＶＱ１算法，提出了一种选取学习步长的优化方案；（２）得到了ＬＶＱ１算法关于线性可分模式分类问题的一个重要结论；（３）严格推导出ＬＶＱ２算法实质上是一种使分类错误减小的梯度下降法；（４）得出了ＬＶＱ２算法对于类间混叠的模式分类问题不存在稳定平衡状态这一重要结论；（５）针对ＬＶＱ２算法处理类间混     

A STUDY OF METHODS FOR IMPROVING LEARNING VECTOR QUANTIZATION

Learning Vector Quantization(LVQ)originally proposed by Kohonen(1989)is aneurally-inspired classifier which pays attention to approximating the optimal Bayes decisionboundaries associated with a classification task.With respect to several defects of LVQ2 algorithmstudied in this paper,some‘soft’competition schemes such as‘majority voting’scheme andcredibility calculation are proposed for improving the ability of classification as well as the learningspeed.Meanwhile,the probabilities of winning are introduced into the corrections for referencevectors in the‘soft’competition.In contrast with the conventional sequential learning technique,a novel parallel learning technique is developed to perform LVQ2 procedure.Experimental resultsof speech recognition show that these new approaches can lead to better performance as comparedwith the conventional LVQ2     

ELVQ算法实现宽参数偏移的多故障电路诊断

该文提出了一种强化自适应策略的学习矢量量化(Enhanced Learning Vector Quantization, ELVQ)算法,并设计了基于SOM(Self-Organizing Map)-LVQ模型的故障分类方法,用于实现宽参数偏移的模拟电路多故障诊断。该文算法具有两方面的优势：一方面利用获胜神经元数目的自适应,均衡了神经元的获胜概率;另一方面根据样本分类结果计算作用因子修正神经元的权值,增强了类别边界决策性能。仿真结果表明,所提出的算法具有收敛速度快,分类误差小等特点。     

一种适于函数逼近的混合RBF专家网络快速算法

提出一种适于函数逼近的RBF混合专家网络快速算法。算法采用快速近邻法的思想,将样本集分级分解为不同子集,依靠测试样本集的误差估计,获得每个专家网络的网络结构;门网采用学习矢量量化神经网络,根据空间距离最近的原则,得到系统输出。仿真结果表明了算法的有效性。     

基于竞争网络的语音激活检测研究

本文提出了一种新的语音激活检测算法,这种方法基于竞争神经网络,主要应用了自组织特征映射网络并结合学习向量量化算法进行实现,并与其它神经网络算法进行了比较。该算法在多种噪声背景下具有较强的鲁棒性,仿真结果表明,这种基于竞争神经网络的算法优于ITU—T G．729B建议的算法。     

基于拉曼光谱的乙肝与丙肝鉴别技术的研究

本研究利用血清拉曼光谱结合模式识别技术直接 对乙肝和丙肝进行分类。实验中 测量了480名乙肝患者和346名丙肝患者的血清样本用于分析。通过基线校正对采集到的原始 光谱进行预处理,然后使用主成分分析技术(PCA)降低光谱数据维度提取有效的光谱数据 特征,最后使用支持向量机(SVM)等算法评估乙肝与丙肝之间的差异。本文研究了粒子群 优化(PSO)和网格寻优(GS)两个不同寻优算法的支持向量机模型对乙肝患者和丙肝患者 分类,此外还通过学习矢量量化(LVQ),极限学习机(ELM),线性判别分析(LDA)等模 式识别算法对乙肝和丙肝分类与支持向量机模型进行了对比。在当前的研究中,PSO-SVM算 法模型取得了最佳的分类性能,准确率达到96.74%。本研究结果表明 ,血清拉曼光谱技术结 合PCA-PSO-SVM算法用于区分乙型肝炎和丙型肝炎具有很大的潜力,该技术可用于乙肝和 丙肝的区分。     

Application of neural networks to radar image classification

A number of methods have been developed to classify ground terrain types from fully polarimetric synthetic aperture radar (SAR) images, and these techniques are often grouped into supervised and unsupervised approaches. Supervised methods have yielded higher accuracy than unsupervised techniques, but suffer from the need for human interaction to determine classes and training regions. In contrast, unsupervised methods determine classes automatically, but generally show limited ability to accurately divide terrain into natural classes. In this paper, a new terrain classification technique is introduced to determine terrain classes in polarimetric SAR images, utilizing unsupervised neural networks to provide automatic classification, and employing an iterative algorithm to improve the performance. Several types of unsupervised neural networks are first applied to the classification of SAR images, and the results are compared to those of more conventional unsupervised methods. Results show that one neural network method-Learning Vector Quantization (LVQ)-outperforms the conventional unsupervised classifiers, but is still inferior to supervised methods. To overcome this poor accuracy, an iterative algorithm is proposed where the SAR image is reclassified using a maximum likelihood (ML) classifier. It is shown that this algorithm converges, and significantly improves classification accuracy     

基于遗传算法的最优码本设计

矢量量化是一种极其重要的信号压缩方法,广泛应用于图像信号压缩、语音信号压缩等领域,它的主要问题是码本设计问题,传统的LBG算法及其改进算法只能获得局部最优的码本。本文详细讨论了如何利用遗传算法来获得全局最优的码本,目的应用于说话人识别。本文具体给出了基于遗传算法的最优码本设计算法的实现方法和实验结果。实验表明,本文实现的算法有效。     

一种基于二值粒子群优化和支持向量机的目标检测算法

针对复杂场景下目标检测和目标检测中特征选择问题,该文将二值粒子群优化算法(BPSO)用于特征选择,结合支持向量机(SVM)技术提出了一种新颖的基于BPSO-SVM特征选择的自动目标检测算法。该算法将目标检测转化为目标识别问题,采用wrapper特征选择模型,以SVM为分类器,通过样本训练分类器,根据分类结果,利用BPSO算法在特征空间中进行全局搜索,选择最优特征集进行分类。基于BPSO-SVM的特征选择方法降低了特征维数,显著提高了分类器性能。实验结果表明,该文算法不仅有效提高了复杂场景下目标姿态、尺度、光照变化和局部被遮挡时的检测准确率,还大大缩短了检测时间。     

基于PNN的算法改进及解码器硬件实现

本文针对传统Pairwise Nearest Neighbor算法编码速度慢的局限性,结合实际应用,在编码时采用了Local VQ、Table概念,并且对于含有Alpha值的图象矢量采用Alpha和Red-Green-Blue独立编码,并且用硬件实现其解码器。根据实验结果,改进的PNN算法显著缩短了编码时间,仿真结果证明其对应的嵌入式解码器完全正确。