自适应谐振理论综述

1.引言神经网络的竞争学习模型在70年代早期由Malsburg和Grossberg提出,此后得到了很大的发展。这种学习是指网络中的某一组神经元相互竞争对外界刺激模式响应的权力,竞争获胜的神经元的连接权发生某种变化,使得它在下一次对该刺激模式进行竞争时更为有利。一般来说,由竞争学习模型学习得到的分类很难保持稳定,即使连续地为网络提供有限个保持不变的模式序列,某一个特定的获胜分类仍然可能不断地发生变化。为了稳定学习过程,就必须将学习率     

核自组织映射竞争聚类

基于核方法可在高维特征空间中完成数据聚类,但缺乏对原输入空间聚类中心及结果的直观刻画.提出一种核自组织映射竞争聚类算法.该算法是利用核的特征,导出SOM算法的获胜神经元及权重更新规则,而竞争学习机制依然保持在原输入空间中,这样既解决了当输入样本分布结构呈高度非线性时,其分类能力下降的问题,而且解决了Donald[1]算法导致的特征空间中的获胜神经元在原始输入空间中的原像不存在,而无法对聚类结果利用可视化技术进行解释的问题.实验结果表明,提出的核自组织映射竞争聚类算法在某些数据集中可以获得比SOM算法更好的结果.     

基于竞争学习网络的中文关键字提取算法

为提高中文关键字的提取准确率,提出一种基于竞争学习网络的中文关键字提取算法。对文章进行分词,得到单个词组或短语,视其为单个神经元,将神经元输入竞争学习网络的输入层,通过竞争层上神经元的相互竞争,获得一个或几个活跃的神经元,使用合并权值及聚类分析方法得到文章的关键字。实验结果表明,该算法提取关键字的平均命中率高于词频-逆文档频率算法和传统的词频算法,鲁棒性较好。     

自组织映射（S0M）型神经网络的实现

文章讨论了应用于自组织映射型神经网络的训练算法，该算法通过计算获胜神经元来找到最接近输入模式的节点．然后通过对网络连接权值的自组织，训练一个自组织竞争的神经网络，该网络通过一组输入数据可自行训练形成一个神经网络模型，     

基于改进的SOFM神经网络的矢量量化方法

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。     

基于软竞争机制的对传网络模型及应用

针对传统对传网络(CounterPropagationNetwork,CPN)模型和学习算法存在的问题和不足,提出改进模型及竞争层的改进算法。在竞争层使用软竞争机制得到竞争层的输出,克服传统CPN使用胜者全得竞争机制的弊病,使竞争层中每一个神经元节点能充分发挥作用,参与网络的训练和权值的调整,提高竞争层中神经元的利用率,使网络能实现运用最少的神经元,达到要求的性能。从数值实验的对比看出,由于改进了网络模型和竞争算法,增强了CPN的模拟精度,CPN能更好地逼近模拟函数,提高了CPN的使用效率,网络性能得到了很大的提高。     

基于量子自组织神经网络的Deep Web分类方法研究

针对Deep Web数据源主题分类问题,首先研究了不同位置的特征项对Deep Web接口领域分类的影响,提出一种基于分级权重的特征选择方法RankFW;然后提出一种依赖领域知识的量子自组织特征映射神经网络模型DR-QSOFM及其分类算法,该模型在训练的不同阶段对特征向量和目标向量产生不同程度的依赖,使竞争层中获胜神经元...     

自组织映射(SOM)型神经网络的实现

文章讨论了应用于自组织映射型神经网络的训练算法,该算法通过计算获胜神经元来找到最接近输入模式的节点,然后通过对网络连接权值的自组织,训练一个自组织竞争的神经网络,该网络通过一组输入数据可自行训练形成一个神经网络模型.     

一种基于误差的径向基神经网络学习方法

提出了一种基于误差的径向基神经网络竞争学习法，它以网络的输出误差为度量，通过竞争调节神经元中心，RLS算法训练网络的权值，并利用IPL算法判断网络神经元的冗余性。仿真结果表明，该算法提高了网络的输出精度，简化了网络结构，其运算速度也较快。     

一种改进的动态二叉树的自组织神经网络算法

分析了自组织神经网络各种改进算法的优缺点,详细设计和实现了一种基于改进动态二叉树的自组织映射树（DBTSONN）。在改进动态二叉树中神经元节点可以自动生长和剪除,无需在训练前预先确定自组织神经网络结构。DBTSONN1算法采用单路径自组织树中搜索最匹配叶节点（获胜神经元）,DBTSONN2算法考虑了获胜神经元节点所在自组织二叉树的层次,采用双向搜索获胜叶节点,提高了搜索效率。实验结果表明,该算法在向量量化器设计方面具有很好的效果。     

小波树结构快速矢量量化编码方法

提出了基于人眼视觉属性和应用小波树结构２快速图象编码的矢量量化图象编码方法，简称为树结构快速矢量量化编码。在分析此方法矢量量化特点之后，设计产生码本的统计方法，并提出了矢量量化编码的快速算法。     

基于小波变换和快速矢量量化的InSAR图像压缩

提出了一种基于小波变换和快速矢量量化的InSAR图像压缩编码方法。在小波变换域内,根据InSAR图像的统计特征进行非线性量化后,再进行小波树快速矢量量化压缩编码;并应用门限技术抑制图像噪音。实验结果表明：该方法对InSAR图像压缩效果明显优于EZW和SPIHT方法。     

均值与矢量量化复合快速图像编码算法

矢量量化是一种有效的数据压缩技术,由于其算法简单,具有较高的压缩率,因而被广泛应用于数据压缩编码领域。通过对图像块灰度特征的研究,根据图像的平滑与否,提出了对图像进行均值和矢量量化复合编码算法,该算法对平滑图像块采用均值编码,对非平滑块采用矢量量化编码。这不仅节省了平滑码字的存储空间,提高了码书存储效率,并且编码速度大大提高。同时采用码字旋转反色（2R）压缩算法将码书的存储容量减少到1/8,并结合最近邻块扩展搜索算法（EBNNS）对搜索算法进行优化。在保证图像画质的前提下,整个系统的图像编码速度比全搜索的普通矢量量化平均提高约7.7倍。     

一种基于小波变换的图像压缩方法

提出一种基于小波变换的灰度图像数据压缩编码方法,基本思路是利用小波变换实现图像的多分辨分解,用矢量量化（ＶＱ）对分解后的图像进行编码,在矢量量化ＬＢＧ算法的初始码书的选取中根据矢量中各分量的特性提出一种改进的随机选取法,避免了可能的胞腔不均现象,提高了码书的质量,而且重构的图像质量也有所提高。     

Search-order coding method with indicator-elimination property

Vector quantization (VQ) is a widely used technique for many applications especially for lossy image compression. Since VQ significantly reduces the size of a digital image, it can save the costs of storage space and image delivery. Search-order coding (SOC) was proposed for improving the performance of VQ in terms of compression rate. However, SOC requires extra data (i.e. indicators) to indicate source of codewords so the compression rate may be affected. To overcome such a drawback, in this paper, a search-order coding with the indicator-elimination property was proposed by using a technique of reversible data hiding. The proposed method is the first one using such a concept of data hiding to achieve a better compression rate of SOC. From experimental results, the performance of the SOC method can be successfully improved by the proposed indicator eliminated search-order coding method in terms of compression rate. In addition, compared with other relevant schemes, the proposed method is also more flexible than some existing schemes.     

使用2-范数匹配的快速分形图像编码算法

尽管分形图像压缩在高压缩比时具有高的重建图像质量,但由于它编码过程耗时而未能在图像压缩领域广泛应用。为了提高分形图像编码过程的速度,提出了基于2－范数匹配的快速分形图像编码算法,该算法先把码书里的码块按2－范数大小赋序,然后对每个输入Range块,在赋序码书中寻找与它的2－范数最接近的码块,进而在这个码块的领域内搜索Range块的最佳匹配块。计算机仿真结果显示,在不影响基本分形图像编码算法解码图像质量的情况下,该方案大大加快了它的编码速度。     

Digital Image Compression Using a Genetic Algorithm

Adigital image compression method based on a VQ coding technique is presented in this paper. Genetic algorithm is used to generate a good global optimal codebook. In the genetic algorithm, it is proposed that movable genes be used to improve the computing effect of the algorithm. Both the encoding and decoding have been simulated on a computer and the reconstructed images and experiment results show that the algorithm is reliable. The method may be applied to compression coding for all still images and image sequences. Also the genetic algorithm may be used in other optimal fields.     

改进的分形矢量量化编码

为了提高图象的分形矢量量化编码效果，在利用四叉树对图象进行自适应分割的基础上，基于正交基三维分量投影准则，提出了图象块非平面近似方法，进而形成一种新的静态图象分形矢量量化编码方法。该方法首先通过对投影参数进行DPCM编码来构造粗糙图象，然后由此来构成差值图象编码的码书。由于该方法把分形和矢量量化编码结合起来，因此解码时只需查找码书，并仅进行对比度变换。计算机编、解码实验结果表明，该编码方法具有码书不需外部训练，解码也不需迭代等优点，且与其他同类编码器相比，该方法在压缩比和恢复图象质量（PSRN）方面均有明显改善。     

Parallel codebook design for vector quantization on a message passing MIMD architecture

Vector quantization (VQ) is a widely used algorithm in speech and image data compression. One of the problems of the VQ methodology is that it requires large computation time especially for large codebook size. This paper addresses two issues. The first deals with the parallel construction of the VQ codebook which can drastically reduce the training time. A master/worker parallel implementation of a VQ algorithm is proposed. The algorithm is executed on the DM-MIMD Alex AVX-2 machine using a pipeline architecture. The second issue deals with the ability of accurately predicting the machine performance. Using communication and computation models, a comparison between expected and real performance is carried out. Results show that the two models can accurately predict the performance of the machine for image data compression. Analysis of metrics normally used in parallel realization is conducted.     

VQ indexes compression and information hiding using hybrid lossless index coding

For the compression of memoryless vector quantization (VQ), most of the lossless index coding algorithms are not suitable for various test images. As a result, we present a hybrid dynamic tree-coding scheme (DTCS) and modified search order coding scheme (MSOC) to re-encode the output index map efficiently without causing any extra coding distortion. The main idea behind this scheme is that the adjacent left and upper around the current processed block usually provide more useful information than its adjacent left-upper and right-upper block, thus we employ two different coding methods according to their corresponding left or upper spatial relations. In addition, we applied the HLIC method to the information hiding. The proposed method does not modify the contents of the secret data and the compressed image. Experimental results show that the newly proposed algorithm achieves significant reduction of bit rate compared to the other lossless index coding schemes for various test images and different codebook sizes. The proposed information hiding scheme can hide a huge amount of information in the index map of an image and allows complete reconstruction of the indexes of the image.