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。     

等误差原则在进化算法优化矢量量化中的应用

文中利用进化算法优化矢量量化器设计,在选择后代码书矢量时,利用等误差原则选择获胜后代码书矢量.算法采用LBG算法作为基本聚类算法,利用所选后代码矢调整相应区域的父代码矢,减小各区域子误差,改善总的期望误差.试验证明了此方法的有效性,解决了LBG算法局部最优的局限,获取更接近全局最优的码书.     

应用于矢量量化的竞争学习算法研究

本文依据部分失真定理提出了一种应用于矢量量化的竞争学习新算法－－部分失真均衡竞争学习算法，与目前流行的多种竞争学习算法相比，该算法对于不同尺寸码书的设计均取得了最好的结果，特别是对于大尺寸码书的设计，效果更为明显。     

基于联合准则的码书设计算法

提出了一种矢量量化中码书设计的优化算法。该算法将最大梯度准则与概率匹配准则相结合,在生成初始码书时使速率与失真的调整达到最优。计算机仿真结果表明,该算法减少了码书设计时间,提高了码书性能。     

图像矢量量化—频率敏感自组织特征映射算法

用神经网络实现图像矢量量化是一种非常有效的方法，本文在分析自组织特征映射（ＳＯＦＭ）算法的基础上，提出了一种频率敏感自组织特征映射（ＦＳＯＦＭ）算法，并对网络学习训练参数的优化进行了探讨。实验表明，ＦＳＯＦＭ算法优于ＳＯＦＭ算法。     

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     

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。     

模糊增强学习码书设计算法及其在图像编码中的应用

本文提出一种用于图像压缩编码的模糊增强学习码书设计算法。该算法是在模糊竞争学习矢量量化的基础上引入增强学习,并用输入训练模式的监督信号与类别模式之间的隶属度控制增强信号。实验结果表明,该算法对初始码本依赖性小,与模糊竞争学习矢量量化和微分竞争学习算法相比,收敛速度更快,性能更好。     

一种基于自组织神经网络的图像压缩缩码算法

本文提出了一种基于自组织特征映射神经网络的图像压缩编码算法，即ＶＱ＋ＤＰＣＭ＋ＤＣＴ算法，实验表明，在压缩比为３１．８：１时，其峰峰信噪比为３５．８２ｄＢ且主观效果良好，这时至今为止使用矢量量化方法压缩图像所获得的最好结果。     

多层结构神经网络的等误差范围逼近与收缩学习方法及其应用

本文提出了一种用于前馈型多层神经网络学习的等误差范围逼近与收缩学习方法,这种方法仅仅要求网络的实际输出落在理想模式输出的一个事先给定的误差范围之内,从而可以大大提高网络的学习速度,且运算量小,而且通过适当选择等误差范围,它还可以提高网络在模式识别中的推广性能.如果网络用于模式联想等方面时,通过误差范围的逐步收缩,这种方法还可以以很小的额外代价提高网络学习的逼近精度;另外,它还可以避免传统方法中经常出现的训练模式反转等局域极小状态和过学习现象的出现.最后,文中给出了以这种方法训练的网络用于脑电波癫痫信号识别中的实验结果及其分析.     

一种随机竞争学习矢量量化图像编码算法

本文分析了确定性模拟退火技术、竞争学习算法在图像编码中的压缩机理,提出了一种新的随机竞争学习矢量量化算法.该算法将竞争过程与代价函数最小化结合起来,在学习过程中引入模拟退火,并针对矢量量化图像编码的特点,提出了新的参数选取策略,具有对初始码书依赖性小,不会局部最小,收敛速度快,码书性能好等优点.文中还通过计算机实践对该方法进行了性能分析,验证了算法的有效性和鲁棒性.     

基于边缘初始化的竞争网络的矢量量化

用神经网络实现图像矢量量化是一种非常有效的方法。我们对竞争网络的初始化进行改进,提出一种新的基于边缘初始化的竞争网络的矢量量化(EICL),实验表明主客观效果良好。     

图像矢量量化——改进的自组织特征映射神经网络的算法

图像矢量量化（VQ）是图像压缩算法中的重要环节,在VQ中起决定性因素的是构造出性能优异的码书。为改善矢量量化码书的性能,文中在分析Kohonen自组织特征映射（SOFM）的基础上,提出一种识别距离SOFM的算法,同时将矢量量化应用于图像的小波变换域。测试结果表明,改进的算法使码书设计的计算量得到明显的降低,而且码书的性能得到了提高。     

一种指数型模糊学习矢量量化图像编码算法

本文分析了模糊矢量量化（ＦＶＱ）图像编码的原理，提出了一种指数型模糊学习矢量量化算法（ＥＦＬＶＱ）。实验结果表明，该算法具有快速收敛性能，设计的图像码书峰值信噪比与ＦＶＱ算法相比也略有改善。     

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。     

Filtering and Searching Vector Quantization

Under the consideration of computational complexity and design regularity, in this paper, a FASVQ (filtering and searching vector quantization) is presented to compress images. FASVQ utilizes a heuristic to filter codevectors with small costs and then employs full-search VQ within the surviving codevectors. We have proven that the proposed heuristic can easily be implemented by a table lookup technique and over 95% codevectors can be filtered. Although, the quantized codevector of FASVQ wouldn't be optimal, the experimental results show that the PSNR degradation between full-search VQ and FASVQ is only 0.24 dB on the average.