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。     

图像菱形块自适应矢量量化压缩编码

充分利用视觉生理和心理学特性,把图像分成菱形块,根据韦伯定理设定一个滤波器,把图像块分成三个区域块,采用改进ＳＯＦＭ神经网ＭＳＦＯＭ来训练各分类块,并编制码书。实验结果“块效率”明显改善。     

Reed—Solomon码的快速译码

研究了 Ｒｅｅｄ－Ｓｏｌｏｍｏｎ码的快速译码问题。译码中，利用了有限域ＧＦ（Ｆｎ）上的 ＦＦＴ变换，并采用了本文提出的改进的 Ｂｅｒｌｅｋａｍｐ－Ｍａｓｓｅｙ算法求差错定位多项式．从而减少了迭代次数，提高了译码速度。此法为使用较长 Ｒｅｅｄ－Ｓｏｌｏｍｏｎ码提供可能性，使之具有更强的纠错能力。文中还给出了计算机模拟计算结果。     

数字蜂房移动通信信道的一种模型

根据数字蜂房移动通信的信号传输过程建立了一种时变的ＦＩＲ信道模型。在此模型基础上，研究了一种新的自适应均衡方法。它基于系统辨识原理，采用改进的归一化变步长最小均方误差（ＭＮＶＳ ＬＭＳ）算法，克服由于多径效应引起的码间干扰（ＩＳＩ）。计算机模拟实验表明，本文提出的ＭＮＶＳ算法其跟踪性能明显优于ＮＶＳ和传统的ＬＭＳ算法，且运算量小，具有良好的实用性。     

MFS和MFOS结构的C—V特性研究

采用ＳＯＬ－ＧＥＬ方法分别在Ｓｉ和含有ＳｉＯ２的衬底上制备出ＰＺＴ铁电薄膜，并获得了ＭＦＳ和ＭＦＯＳ结构。利用ＭＯＳ结构常用的Ｃ－Ｖ特性分析方法，对ＭＦＳ和ＭＦＯＳ结构进行了高频Ｃ－Ｖ特性测试分析，研究了Ｆ／（Ｏ）Ｓ的界面特性，结果表明，金属／ＰＺＴ／ＳｉＯ２／Ｓｉ的ＭＦＯＳ结构具有较低的界面态，可实现极化存储，并可望制成铁电场效应晶体管。     

同步时序电路的一个高性能故障模拟器

提出了一个同步时序电路故障模拟的方法，它采用了并行码模拟与并行故障模拟算法，吸收了锥形操作、并行Ｓｔａｒ算法、全局级化和全局故障分组等技术的优点．为了验证这种方法的效率，ＳＵＮＳＰＡＲＣ２工作站上实现了一个高性能的故障模拟器（ＨＳＩＭ），并把ＨＳＩＭ的实验结果和其他故障模拟器ＰＡＲＩＳ、ＴＯＲＳＩＭ作了比较．对于大型同步时序电路，ＨＳＩＭ的平均单码模拟速度是ＴＯＲＳＩＭ的１．８倍，平均性能因子是ＴＯＲＳＩＭ的７倍     

特征主元提取与自组织影射的剖析

剖析了用神经网络实现特征主元提取（ＰＣＥ）、自组织特征影射（ＳＯＦＭ）、类扩展自组织语义影射（ＳＯＳＭ）和改进的特征细化自组织影射．通过对运载工具的特征压缩，进行可视性分析，结果表明ＰＣＥ和ＳＯＦＭ都能显示事物间的类似程度和关系结构，具有语义影射的功能．特征细化的ＳＯＦＭ同样能达到类扩展ＳＯＳＭ细化分类的功能，它克服了类扩展的ＳＯＳＭ增加输入特征的维数、增加不必要的计算量、输入特征与影射结果不相一致的缺点．     

MFS和MFOS结构的C－V特性研究

采用ＳＯＬ－ＧＥＬ方法分别在Ｓｉ和含有ＳｉＯ２的衬底上制备出ＰＺＴ铁电薄膜，并获得了ＭＦＳ和ＭＦＯＳ结构．利用ＭＯＳ结构常用的Ｃ－Ｖ特性分析方法，对ＭＦＳ和ＭＦＯＳ结构进行了高频Ｃ－Ｖ特性测试分析，研究了Ｆ／（Ｏ）Ｓ的界面特性，结果表明，金属／ＰＺＴ／ＳｉＯ２／Ｓｉ的ＭＦＯＳ结构具有较低的界面态，可实现极化存储，并可望制成铁电场效应晶体管．     

基于VQ的混合图像压缩算法

提出了一种改善矢量量化的方法。该方法保留小 分解后的低频信号，对其用基于ＳＯＦＲＭ的矢量量化形成码书和索引号，最后，传输索引号码字和ＪＰＥＧ编码后的码书码字。解码为编码逆过程，实验表明，本文所提出的方法，在ＰＳＮＲ相同的情况下，压缩比约为原始ＶＱ算法的４倍。     

基于SOFM神经网络的图象矢量量化的研究

分析了自组织特征映射（ＳＯＦＭ）算法,讨论了按加权函数控制邻域半径的方法,并对ＳＯＦＭ算法应用于图象矢量量化进行了系统的仿真实验研究,为实际应用提供了实验依据和基础。     

基于混合神经网络的图像分类矢量量化方法

介绍了一种基于自组织特征映射（SOFM）神经网络图像压缩的传统算法．通过对传统压缩算法的分析，提出了一种新的简单易行的分类矢量量化方法．新方法采用边缘检测，主元分析（PCA），自组织特征映射来设计码书，大大提高了图像的客观指标和主观视觉效果．实验表明，此方法效果明显优于传统的SOFM图像压缩算法．     

SOFM神经网络最近插入法混合算法在TSP问题中应用研究

SOFM神经网络已经成功应用到TSP问题中，但是该算法存在一些缺点，随着学习速度逐步降低，会导致一些城市无法通过。针对这些缺点，尝试在SOFM神经网络中引入最近插入法形成混合算法。通过实验，并与SOFM神经网络该算法对比，结果表明，该算法能够很好地完善该问题。     

一种改进的SOFM聚类算法研究

针对常规SOFM(self-organizing feature map)无监督的神经网络,提出了一种改进的自组织特征映射SOFM神经网络算法。在常规SOFM网络数据聚类算法基础上,分析了其在实际应用中存在的不足,对初始权值设定以及邻域范围选择等方面进行了算法的优化和改进,进而提高了SOFM神经网络聚类算法的正确率、收敛速度和实时性,并利用仿真实验进一步对提出的改进算法进行了验证。     

神经网络TSP问题仿真分析

描述了Hopfield神经网络和自组织特征映射神经网络解决TSP问题时的求解过程和仿真算法.通过对两种算法的仿真比较,得出以下结论:对于较大规模的TSP问题,SOFM模型的寻优结果要优于HNN模型寻优结果;HNN对网络模型参数和初始条件具有很强的依赖性且调整参数组合非常困难,而SOFM的参数设置和调整相对要简单得多;SOFM算法对待解决问题的拓扑分布不敏感,而HNN算法的收敛性对待求解问题的自身分布有很强的依赖性;当待求解问题的数目增大时,SOFM算法的运算时间增加缓慢,而HNN算法的运算时间增加较快.因此,在解决TSP问题时,自组织特征映射神经网络比Hopfield神经网络的效率高,随着问题规模的增大,其优势更为明显.     

自组织特征映射网络在模式分类中的应用研究

为了研究自组织特征映射神经网络在对于二维向量进行模式分类时,网络结构的最优化问题,深入研究了SOFM神经网络的结构和算法,说明了SOFM网络的建立方法。以二维向量的模式分类为例,利用所建立的SOFM网络模型对输入的二维向量模式进行分类,研究了输出层节点形状和拓扑结构对分类结果的影响,测试了在不同的训练步数条件下,SOFM模型的权值向量的调整过程和分类效果。仿真结果表明:当网络的输出节点以二维平面形式输出时,长和宽不相等的矩形图的分类性能明显优于正方形图的分类性能,并且在输出节点形式相同的情况下,六边型拓扑结构分类精度明显优于栅格型拓扑结构的SOFM神经网络。     

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。     

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.     

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.