一种新的自学习特征映射算法研究

为了有效地提高矢量量化(VQ)码书的性能,提出了一种新的自学习特征映射(SLM)算法,并应用到图像VQ中,实验表明,与自组织特征映射(SOM)算法相比,SLM算法具有聚类特性好和峰峰信噪比高等优点,是一种非常有前途的码书设计算法.     

基于改进SOFM的矢量量化图像压缩

在介绍矢量量化和自组织特征映射神经网络的基础上,针对基于自组织特征映射神经网络的矢量量化算法,在初始码书生成、获胜神经元搜索策略以及调整获胜码字及其拓扑领域权值等方面进行改进.实验结果表明改进算法具有合理性和有效性.     

基于方差分类初始化码书的三维邻域SOM算法

针对自组织特征映射算法用于图像矢量量化存在的问题,为了提高矢量量化码书的性能,提出基于方差分类初始化码书的三维邻域SOM算法,通过对三维邻域SOM算法中的初始化码书算法进行改进,建立了基于方差分类的初始化码书算法.实验表明,用该算法设计图像矢量量化码书具有码矢利用率高、码书的性能好等优点.     

一种改进的等误差自组织特征映射矢量量化算法

为了改善矢量量化的码书性能和提高神经网络的学习效率,在分析等误差自组织特征映射算法(equidistortion self-organizing feature mapping,EDSOFM)的基础上,提出了一种改进算法.改进算法将模糊神经网的隶属度函数引入到竞争学习算法中,有效地提高了学习收敛速度.针对原算法搜索获胜...     

一种新的基于自学习神经网络的静止图像编码方案

为了改善JPEG算法的编码性能,提出了一种新的基于自学习特征映射算法(SLM)的静止图像编码方案,基本思想是:1)先用矢量量化(VQ)对图像进行预测,然后进行DCT编码;2)采用新的SLM算法来改善VQ码书性能.实验表明,与JPEG算法相比,该方案具有更高的压缩比和更好的图像质量.     

一种改进的等误差自组织特征映射矢量量化算法

为了改善矢量量化的码书性能和提高神经网络的学习效率,在分析等误差自组织特征映射算法(equidistortion self-organizing feature mapping,EDSOFM)的基础上,提出了一种改进算法。改进算法将模糊神经网的隶属度函数引入到竞争学习算法中,有效地提高了学习收敛速度。针对原算法搜索获胜码字时计算量较大的问题,改进算法通过不等式判决的方法,快速排除了大量的不匹配码字。实验结果表明,改进算法使码书设计的计算量得到明显的减少,而且码书的性能得到了提高。     

一种新的基于自组织神经网络的运动估计算法

提出了一种新的基于自组织网络的CFSSOM-VQ运动估计算法,新的帧间预测编码方案采用基于自组织特征映射算法(SOM)的矢量量化(VQ)作为帧间预测,以取代目前常用的运动补偿帧间预测(ME MC).并对SOM算法进行了改进,提出了一种分类频率敏感自组织特征映射(CFSSOM)算法.将该算法应用到会议电视视频编码的实验结果表明,与ME MC算法相比,CFSSOM-VQ算法具有更好的预测编码性能.     

基于神经网络的一种改进的向量量化方法

用LBG算法产生的码书,其码向量在码书中的排列是无序的.用此序号作为向量量化器编码输出时,对信道误码特别敏感.为了控制由于信道误码而导致整个向量量化通信系统性能严重下降,基于Kohonen网络的自组织特征映射(SOFM)算法进行向量量化分析,并针对SOFM算法性能上的缺陷,提出了一种改进的自组织特征映射算法.新算法引入失真敏感参数,对网络参数进行优化,通过调整码字的部分失真来指导神经网络的学习.通过仿真试验,从峰值信噪比的提高验证了算法的优越性.     

使用进化策略的图像矢量量化

在分析自组织特征映射（SOFM）算法的基础上,把进化策略引入到矢量量化设计中,在将SOFM算法作为基本聚类算法的前提下,基于等误差原则,利用最大最小原则改变各区域聚类点,使各子区域的误差趋于相等。使用进化策略在子区域误差大的聚类点附近产生新的聚类点,从而调整各个区域的子误差,进一步改善总期望误差。实验证明该方法可克服基本聚类算法落入局部最化的局限。在对Lena图像进行量化的过程中,改善了码书矢量,提高了码书矢量,提高了量化后图像的质量。     

一种基于小波变换的图像压缩方法

提出了一各基于小波变换的灰度图像数据压缩方法.采用双正交小波对图像进行分解,作分解后系数的矢量量化.使用频率敏感自组织特征映射算法生成码书.这可避免直接矢量量化时的块效应,且相对于正交小波,恢复图像的质量了有所提高.     

自组织特征映射网络隐含的分形机制

自组织特征映射网络(Self-organizing map,SOM)在聚类分析中具有广泛的应用,和其他神经网络一样,SOM网络具有黑箱性质,缺乏严格的理论基础,无法对聚类过程进行分析.结合复杂系统分形生长的最大流原理,本文从统计物理角度对SOM网络的自组织过程进行分析,将SOM网络隐含的分形机制挖掘出来,并以城市模式为例展示了建立在统计物理基础上的SOM网络的新的应用.     

利用SOM神经网络实现逆向工程中区域自动分割

为实现逆向工程中点云区域的自动分割,利用自组织竞争人工神经网络(SOM),对基于散乱点云的自由曲面信息计算方法进行改进,并基于自由曲面信息构造了一个八维SOM神经网的输入向量,利用SOM神经网络实现了逆向工程中区域自动分割.实验验证了本文算法的有效性.     

基于自组织特征映射区域分割的三维几何模型简化算法

为满足模型简化后保留细节特征的需要,引入自组织特征映射(SOFM)神经网络,提出一种基于区域分割的三维几何模型简化算法:将三维几何模型划分成具有不同特征的区域,在此基础上进行多区域并行简化,利用顶点微调法对简化后的模型进行局部特征修正.结果表明,该方法可在提高模型简化速度的同时,有效保留模型的细节特征,显著改善模型因简化而产生的形变.     

基于邻域互信息和自组织映射的特征基因选取

针对基因表达谱数据的高维度、低样本和连续型等特点,提出一种结合邻域互信息和自组织映射进行特征基因选取的方法.首先提出一种改进的Relief算法,对基因进行排序生成候选特征集合;然后提出基于邻域互信息的自组织映射算法对生成的候选特征基因进行聚类;最后利用提出的属性重要性系数从每一类簇中选择代表基因组成特征基因子集.实验结果表明,该方法可以快速有效地选取肿瘤特征基因,能获得较好的分类结果.     

基于粒子群优化和SOM网络的聚类算法研究

利用改进的粒子群优化算法(PSO)的优化性能,结合SOM网络模型,提出了一种基于粒子群优化算法和SOM网络的聚类算法(PSO/SOM),使用PSO对SOM网络进行训练来代替SOM的启发式训练方法.将PSO/SOM算法用于对Wine和Iris等数据集进行模式聚类识别,可以得到较优的聚类识别效果.相比标准SOM算法能有效提高网络映射的准确程度,降低网络的量化误差和拓扑误差,同时也降低了错聚率,实验结果验证了本算法的有效性.     

基于自组织特征映射的图像分割算法研究

提出了一种基于自组织特征映射的图像分割算法,实现了计算机对图像的初步理解,从而在某种程度上模拟了生物的初级视觉功能．通过分析研究Kohonen网络的自组织特征映射过程,构造了基于Kohonen网络的图像分割神经网络方法,应用自组织特征映射方法将原始图像分割为有序化的相关特征区域．最后结合图像分割的特点对算法进行了改进,结合有监督的学习算法,使得图像的分割最终在先验知识的指导下进行．实验结果表明将Kohonen网络应用于图像分割使得算法具有很强的自适应性,能够在很大程度上避免背景及噪声对分割的影响．