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.     

多带激励语音编码算法中矢量量化方案的设计

作者讨论了人工神经网络矢量量化在多带激励语音压缩编码算法中的实际应用。采用Ｋｏｈｏｎｅｎ自组织特征映射神经网络技术对语音参数中的谱包络参数进行量化，利用Ｋｏｈｏｎｅｎ自组织特征映射神经网络具有的聚类特性，提出一种初始码本抽取和码本训练的实际算法，训练出具有明显拓扑结构和码本。利用语音的帧间相关性和训练网络的结构特性，提出一种称为“邻域搜索法”的快速码字搜索算法。实验表明，这种矢量量化算法使码卡搜索     

基于自组织特征映射网的灰度图像二值化方法

文章提出了一种基于自组织特征映射网 ( SOF M)的灰度图像二值化方法 ,通过像素灰度值对网络的训练找到图像的目标类灰度中心和背景类灰度中心 ,再利用竞争取胜的机制处理每一个像素使其二值化。实例验证了这种方法处理受噪声污染的一些质量中等和质量较差的灰度图有较好的二值化效果。     

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.     

基于模式识别与灰度共生矩阵的神经元图像分类

为了实现自动高效且结果准确的生物神经元识别,提出一种基于模式识别与图像灰度共生矩阵特征的神经元自动分类方法。该方法通过对生物神经元图像预处理,计算图像的灰度共生矩阵,统计各图像灰度共生矩阵属性值的平均值和标准差,构建生物神经元类别的特征空间,利用模式识别中的人工神经网络方法建立特征空间与神经元类别之间的映射关系。采用收集的160幅生物神经元图像对该方法进行实验分析,测试集的识别正确率达93.8%。研究结果表明,结合模式识别与图像灰度共生矩阵特征的生物神经元图像自动分类方法具有较高的准确性与可靠性。     

一种基于小波变换的图像压缩方法

提出了一种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,恢复图像的质量也有所提高。     

一种心肌应变图的快速绘制方法

灰度B超图显示心脏的解剖结构,应变图可反映心肌的力学信息。心肌应变图与心脏灰度B超图混叠显示,有助于观察各阶段心肌组织的形态学及力学上的变化。提出一种心肌彩色应变图覆盖到心脏灰度B超图的快速绘制方法,即整体映射方法。采用Sonix RP超声系统扫描正常成年男性心脏6 s,保存左心室长轴的超声射频信号,经过重建灰度B超图像、计算位移图及应变图、勾画心肌的区域、彩色编码应变值等处理步骤,将心肌应变图整体映射到心脏灰度B超图上相应的位置,完成灰度B超图与彩色应变图混叠显示。实验结果:该方法绘制时间短,心肌勾画区域为1×10~6个像素点时,彩色应变图的绘制时间约为0.24 s,心肌勾画区域为4×10~6个像素点时,彩色应变图的绘制时间约为2.4 s。说明提出的心肌应变图的整体映射绘制方法,费时少,可以用于实现实时观察心肌的形状和弹性信息。     

基于多波束声呐图像的长江河道底质识别与分类

基于多波束对长江河道底质分类关键问题进行了研究，对多波束反射强度数据进行改正并对多波束声呐图像进行预处理，采用灰度共生矩阵对底质反向散射强度图像进行纹理特征提取，最后将提取底质图像样本作为自组织特征映射神经网络和随机森林两种分类方法的训练数据，使用训练好的预测分类模型对反向散射强度图像进行全图底质分类.实验结果表明，SOM与随机森林分类方法的总体分类精度分别达到了82.5%与85.4%，对底质声呐图像实现了较好的预测分类效果.     

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.     

基于自组织特征映射的矢量量化方法

对自组织特征映射神经网络的特性进行分析，并将其与矢量量化问题的实质进行比较，提出了一个实现矢量量化的自组织特征映射算法。分析与实验表明，该算法是稳定收敛的。算法的学习结果与网络的初始状态无关，并且十分接近于全局最优解的下限。将该算法应用于图像数据的压缩，取得了很好的结果     

神经网络在图象压缩编码中的应用

讨论神经网络在图象压缩编码领域中的应用.针对图象矢量量化存在的分块效应问题,对Kohonen自适应模型进行了研究.应用了两个DCT的余弦变换域的特征值,结合Kohonen的自组织特征映射(SOFM)算法对图象元素分类压缩编码.计算机模拟实验表明,和单纯用神经网络直接进行矢量量化相比,应用这种技术的图象编码压缩比和译码图象质量都有明显的提高.     

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.     

神经网络-空间方向小波四叉树压缩编码

将空间方向小波四叉树编码与自组织特征映射神经网络相结合，提出了一种新的多尺度系数矢量量化压缩策略。首先通过小波分解得到三个方向的高频多尺度系数矢量，分别利用自组织特征映射神经网络对三个方向的多尺度系数矢量进行加权矢量量化压缩编码。仿真实验结果表明本文提出的算法是合理可行的。     

序列图像编码的一种神经网络方法

根据Kohonen自组织特征映射(SOFM)算法的特点,提出了一种分阶段SOFM的边缘保持码书的设计算法.将帧间块匹配、帧内块匹配与多级矢量量化有机地结合,给出了序列图像编码的快速实现算法.计算机模拟实验结果表明,在相同块大小的前提下,本算法各方面性能较优,主观质量好,无误差累积效应,快速简单,实用性强.     

基于神经网络的激光超声探伤表面波的分类

利用3种神经网络即自组织竞争神经网络、学习向量量化神经网络和概率神经网络对激光超声探伤缺陷表面波进行分类.讨论了3种网络在不同输入情况下的分类效果.实验结果表明,这3种神经网络都可以取得良好的分类效果.     

汉语作为第二语言的声调认知发展模拟

该文提出了一个动态的生长型树型自组织特征映射网络,用以模拟英语母语者汉语声调的认知发展。该网络既克服了传统的Kohonen自组织特征映射网络的固定网络结构限制以及容量有限性,又克服了其他类似动态网络的较弱的拓扑映射特性,可以较好地模拟英语母语者汉语声调认知的发展。模拟结果跟实验结果呈现出非常好的一致性,既证明了行为实验中汉语声调的动态发展过程,也为汉语声调认知的机制研究提供了机理上的解释。     

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。     

基于矢量量化与神经网络的调色板设计

用基于神经网络的关量量化方法实现面向图象的调色板设计，以均匀颜色空间的距离作失真测度，以矢量量化的码书设置颜色寄存器的颜色值。实验证明，效果令人满意。     

一种用于模拟汉字认知过程的多层自组织神经网络

为了模拟汉语初学者的汉字认知过程,在Kohonen神经网络的基础上,改进了其网络结构和算法,并且将改进后的网络输出层根据Hebbian学习规则连接,构建了一个多Kohonen网络协同工作的汉字认知自组织神经网络模型.模拟研究结果表明,模型能够成功地学习到汉字的结构类型,且能有效识别出汉字的部件,在一定程度上模拟了汉字认知的部分过程,说明该模型用于汉字认知乃至汉语言习得的可行性.