一种改进的立体图像编码算法

为了提高左图像的编码效率,提出了一种新的基于自组织神经网络的立体图像编码算法(SOM VQ DE),SOM-VQ DE算法对右图像采用视差估计补偿技术(DE)编码,对左图像则使用基于自组织特征映射算(SOM)的矢量量化编码来取代传统的JPEG方法,矢量量化与视差估计的残差均使用DCT 霍夫曼进行编码.对立体测试图像Pentagon的实验表明,SOM VQ DE算法能够有效地提高左图像的压缩效率:1)在压缩比均为6.5.1时,SOM VQ DE算法的PsNR较JEPGqG DE算法提高了2.42 dB;2)在PsNR均为30 dB时,SOM VQ DE算法的压缩比改善是JPEG DE算法的1.8倍.     

一种新的自组织神经网络算法

为有效提高矢量量化码书的性能和学习效率,需进一步改进自组织神经网络的学习算法.在分析Kohonen自组织特征映射算法(SOM)的基础上,提出了一种基于频率敏感的自组织特征映射算法(FSOM),并应用到图像矢量量化中,实验表明,FSOM算法具有聚类特性好和训练速度快等优点,是一种有效的码书设计算法.     

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.     

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.     

基于BP和SOM神经网络相结合的地震预测研究

地震预测由于其产生原因的复杂性,一直是世界公认的难题.本文提出一种将多层前馈神经网络(BP网络)和自组织特征映射神经网络(SOM网络)相结合的方法并应用到地震震级的预测中,首先利用自组织特征映射神经网络对地震的原始数据进行聚类预处理,使具有内在规律的样本点集中在一起,之后利用BP神经网络对样本数据进行学习和预测,结果表明,相比直接利用BP神经网络预测结果,增加SOM聚类处理过程能有效的减小预测误差.说明此方法可以有效的汇总出与地震关系密切的因素,也表明SOM对相关震级参数分类的有效性,对利用模糊预测方法来实现震级的预测是一种有效的辅助手段.     

采用HEVC的视频内容认证

提出一种基于高效视频编码(HEVC)的视频内容认证算法.根据图像纹理特征产生特征码,将特征码用于修改帧间8×8编码单元的分割模式、帧间预测模式和运动向量,并保留最佳的编码单元分割模式及相应的预测模式和运动向量.实验结果表明:该算法对视频质量影响很小,嵌入水印后码率的变化也很小;同时,该算法具有较好的脆弱性,可以用于视频认证.     

基于SVM与SOM的税务稽查选案模型研究

税务稽查选案是税务机关在税收征管和稽查中面临的一个重要问题。提出了一种基于支持向量机(SVM)与自组织特征映射(SOM)神经网络相结合的稽查选案方法。首先基于支持向量机(SVM)对纳税人进行分类,然后采用自组织映射神经网络(SOM)对疑点信息进行聚类,选出需要重点进行稽查的目标对象。通过对实例的具体测试,表明模型的有效性。     

基于自组织映射与概率神经网络的增量式学习算法

为解决传统学习算法不能有效利用新可用数据这一不足,提出一种基于自组织映射(SOM)和概率神经网络(PNN)的增量式学习算法——增量式模块化自组织映射概率神经网络(IMSOMPNN)。使用模块化SOM对每类训练数据进行学习,以训练后SOM的原型向量作为此类别的模式神经元来构建PNN。IMSOMPNN可以方便地实现对不同类型的新数据进行增量式学习,并且在进行增量学习时,不再需要利用到原始的训练数据,仅使用新的数据对已有模型进行局部调整;最后,IMSOMPNN还具有较强的抗噪能力。在UCI Landsat Satellite数据集上的实验验证了该文所述方法的有效性。     

SOM在广域网故障诊断中的应用

为了提高网络管理重要组成部分的故障管理能力,通过对性能数据和故障征兆的推理来确定故障源,针对WAN(wide area network)的故障传播特征提出了一种基于自组织特征映射 SOM(self-organizing maps)的网络故障诊断模型,该模型包括SOM训练模块和故障实时诊断模块.仿真实验表明,采用该模型进行4种故障诊断,故障识别率达到95.82%,而误警率只有3.96%,说明在WAN中采用基于SOM的故障识别方法效果良好.     

一种新的基于自组织映射的流形学习算法

针对自组织映射(Self-Organizing Map,SOM)算法在进行流形学习时容易陷入局部极值和产生"拓扑缺陷"问题的原因,提出了一种新的基于SOM的流形学习算法:TO-SOM(Training Orderly-SOM).根据流形的局部欧氏性,TO-SOM算法从一个局部线性或近似线性的数据子集出发,按照数据的内在流形结构对其进行有序训练,可以避免局部极值、克服"拓扑缺陷".根据SOM算法的鲁棒性,TO-SOM算法在成功学习数据内在流形结构的同时,对邻域大小参数和噪声也不像ISOMAP和LLE等现有流形学习算法那样敏感,从而更容易得到实际应用.     

基于结构相似度的H.264快速算法

H.264比以往的视频压缩标准具有更高的压缩效率, 然而编码的复杂度也大大增加. 针对降低编码复杂度,提出了基于结构相似度(SSIM)的快速算法(FMEBSS), 该算法可以通过减少不必要的运动搜索点和复杂的搜索模式, 达到减小运动估计复杂度的目的. 试验结果表明在保证编码质量不下降的前提下, 该算法可以平均节约编码时间约50%, 同时有效地降低了编码码流长度.     

视频编解码器的实现与优化技术研究

以ADI公司的blackfin系列芯片为例,结合该系列芯片特点,为实现一个高效的视频编解码器,详细探讨了视频编码中的核心模块运动估计的实现技术及其优化算法。     

新的低码率视频编码快速半像素搜索算法

运动搜索一直是混合视频编码方案中最占编码时间的模块。典型的运动搜索由整像素搜索和半像素搜索组成。随着整像素搜索算法的不断改进 ,被普遍使用的半像素全搜索方法在整个运动搜索中所占运算量已经不容忽视。为了加速半像素搜索 ,提出了一种基于抛物面预测的半像素快速搜索算法。实验结果表明该算法能显著地提高半像素搜索速度 ,并且不会对编码效率和图像质量产生明显的影响。在QCIF格式下采用 H.2 6 3编码器时实际节省运算量约为5 7%。该算法的预测过程简单 ,易于实现 ,能够方便地集成到现有的编码系统中     

基于SOFM网络的多层模糊关联规则挖掘算法

为了表示复杂庞大的概念层次树,文中提出了一种更加通用的编码方案,将概念分层应用于模糊关联规则的挖掘.此外,为解决隶属度函数难以主观确定的问题,引入一种SOFM网络来确定样本数据的隶属度函数.基于改进的概念层次树的编码方案和SOFM网络,将模糊集引入关联规则挖掘中,设计了一种新的多层模糊关联规则挖掘算法.实验结果表明,该算法可以有效地挖掘出易于理解的、有意义的多层次模糊关联规则,具有很好的效率和伸缩性.     

基于方向信息的快速整像素运动估计优化

针对H.264/AVC标准采用的UMHexagonS整像素运动估计算法,提出了一种进一步降低其运算复杂度的改进方法.通过利用UMHexagonS算法中非对称十字型搜索中水平及垂直方向上的运动估计的成本大小和方向信息,自适应地将25点的正方形搜索修改为最大7点搜索,以及将16点非均匀多层次六边形格点搜索修改为最大4点搜索,从而实现减少搜索点数,节省搜索时间.实验结果表明,提出的算法在保证原有UMHexagonS算法码率失真性能的同时,能节省大约23%~42%整像素运动估计时间.     

基于边界约束的样品视频非对称运动估计方法

针对常规运动估计方法应用到样品视频编码时存在无效搜索点冗余搜索、有效搜索点遗漏的问题,提出基于边界约束的非对称运动估计方法。首先,在原有预定搜索范围的基础上,采用定点统计运动参量的方法对科学仪器的样品视频运动性能进行测试统计,根据统计结果,对视频运动范围设定边界,减少运动搜索点数;然后提出了基于边界约束的非对称搜索模型,依据样品视频的运动特征,优化搜索算法。来自电子探针和电子显微镜的不同样品视频编码实验表明,与多方向搜索算法(MDS)比较,所提方法的运动估计时间缩短了约33%,编码性能保持甚至超过了多方向搜索算法。     

一种用于移动可视电话编码的运动估计快速搜索算法

针对移动通信系统中实时视频通信的特点,提出了一种适用于可视电话和视频会议的视频压缩编码运动估计算法.利用当前块的3种预测矢量判断当前块运动矢量的类型,根据当前块运动矢量类型和移动可视电话视频对象运动的特点采用不同的搜索策略进行运动估计.通过对4种不同类型的视频序列进行测试,其测试结果表明,该算法在保证图像主客观质量的前...     

基于自组织映射网络的模式分类器对储产层自动分类方法研究

文章提出了一种储产层识别及预测方法，该方法利用了神经网络中的自组织特征映射网络，它是由无人管理训练而得到的。当该网络被用作储产层的模式分类器时，它需要进行有导师指导的训练，这个模型就变为储产层的模式分类器。