一种新的基于Kohonen网络的图像矢量量化

矢量量化是一种重要的数据压缩方法.本文利用Kohonen自组织映射神经网络进行矢量量化,首次较为详细地讨论了具体实现的步骤与细节,并在此基础上为改善边缘质量,提出一种基于Laplas算子检测边缘弓引导神经网络训练的方法,并通过实验证明其效果是明显的.     

基于DTW和LVQ网络混合模型的语音识别方法

提出一种基于动态时间规整（DTW）和学习矢量量化（LVQ）神经网络的语音识别方法。该方法用动态时间规整算法先对语音信号进行时间规整，然后通过学习矢量量化神经网络进行语音的分类识别。首先介绍利用动态时间规整和学习矢量量化进行语音识别的基本方法，然后给出DTW／LVQ混合模型的系统结构和学习算法，最后给出三种语音识别算法的实验结果。大量实验表明，混合模型的识别率，皆明显高于单一的动态时间规整和学习矢量量化的识别率。     

矢量量化实现面向图像的调色板设计

本文用基于神经网络的矢量量化方法实现面向图像的调色板设计。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的颜色值。实验证明，效果令人满意。     

改进的SOFM及其在矢量量化中的应用

根据等失真(Equidistortion)理论提出了一种基于改进的自组织特征映射(SOFM)神经网络的矢量量化方法,该算法将失真敏感机制引入神经网络的竞争学习过程。通过调整码字的部分失真来指导神经网络的学习,以使得所设计的码书平均失真最小。同时把矢量量化应用于图像的小波变换域,根据图像小波变换高频系数的空间分布特点来组织码书,从而进一步提高码书的质量和适应性。通过实验对算法的性能进行了分析,证明了算法的有效性。     

多媒体数据压缩新技术

数据压缩技术是多媒体中的关键技术。简要介绍了若干知名度较高的多媒体数据压缩新技术:矢量量化编码、神经网络广义变换编码、结构编码、小波变换编码和基于模型的编码。     

基于混合学习矢量量化算法的遥感影像分类

在分析了Kohonen自组织特征映射网络(SOFM)和学习矢量量化(LVQ)算法的基础上,提出一种基于改进的SOFM算法和LVQ2算法的混合学习矢量量化(HLVQ)方法,并建立了基于HLVQ的遥感影像非监督和监督分类的一般模型。通过与传统的统计分类方法和LVQ2网络分类器比较,HLVQ分类器总的分类性能更好、识别率更高。     

带推力矢量空空导弹的神经网络控制与仿真

对于新型空空导弹为了使导弹获得更高的的机动性、敏感性和更高的导引精度，大多采用推力矢量控制方案，因为神经网络控制对于系统非线性变化具有很强自适应能力，因而在解决带推力矢量空空导弹的控制问题时有较明显的优点，本文在给出推力矢量空空导弹数学模型的基础上，提出了两种适用于带推力矢量空空导弹的神经网络控制方案，并采用其中的双网络逆动态学习控制方法进行了自动驾驶仪设计，为进一步改善该神经网络的学习效果。还引入基于学习经验的模糊规则。数字仿真表明所提出的神经网络控制对于系统内参数非线性变化具有很强的适应性。     

SAR原始数据压缩的快速矢量量化器

回顾了矢量量化的各种快速算法,指出其在应用到SAR原始数据压缩中的局限性。为了将矢量量化应用到SAR原始数据实时压缩,提出一种基于查表的矢量量化器的设计方案,其中整合了其他的矢量量化算法。最后用各种快速算法以及BAQ算法进行了对实际数据压缩的实验比较,证明本算法在不降低量化速度的基础上,提高了原始数据量化信噪比。     

矢量量化在SAR原始数据压缩中的应用

分析了SAR原始数据的特性 ,从而提出了采用矢量量化对SAR原始数据进行压缩的方法。介绍了矢量量化的特点、矢量量化的基本原理、实现方法以及算法的数据流程 ;通过实验结果说明 ,采用矢量量化对SAR原始数据进行压缩 ,可以取得很好的效果 ,同时对SAR原始图像不会带来太大的损失。将矢量量化的方法用于星载或机载SAR上 ,对采集的SAR原始数据进行压缩 ,可以大大减少星载或贡载SAR设备的存储空间 ,从而提高设备的利用率。     

投影神经网络及其应用

本文提出了一种投影神经网络以实现模式矢量向某一空间的投影,文中详细讨论了网络的结构,并提出了一种调整联接权的格形学习算法。本文将投影神经网络应用于飞机目标冲激响应波形的识别问题,得到了良好的效果,研究结果表明这种投影神经网络具有投影精度高、实时性好的优点。     

基于EM算法的有监督LVQ神经网络及其应用

针对监督LVQ神经网络存在神经元未被充分利用以及输入样本和竞争单元之间的信息被浪费等问题。通过将EM算法引入到LVQ神经网络中,提出了基于EM聚类算法的有监督LVQ神经网络(即EMLVQ网络),从而弥补了LVQ神经网络的不足且具有EM算法提取样本信息精确的优点。通过参数的简化可以得到EMLVQ算法是软竞争格式(SCS)的一种推广。最后将它们应用于说话人辨识。实验表明,EMLVQ神经网络辨识说话人取得了很好的效果。     

一种量化因子自适应学习量化训练算法

深度神经网络因参数量过多而影响嵌入式部署,解决的办法之一是模型小型化（如模型量化,知识蒸馏等）。针对这一问题,提出了一种基于BN(batch normg lization)折叠的量化因子自适应学习的量化训练算法（简称为LSQ-BN算法）。采用单个CNN(convolutional neural)构造BN折叠以实现BN与CNN融合;在量化训练过程中,将量化因子设置成模型参数;提出了一种自适应量化因子初始化方案以解决量化因子难以初始化的问题。实验结果表明：8bit的权重和激活量化,量化模型的精度与FP32预制模型几乎一致;4bit的权重量化和8 bit的激活量化,量化模型的精度损失在3%以内。因此,LSQ-BN是一种优异的模型量化算法。     

Contractor Prequalification Based on Neural Networks

Contractor Prequalification involves the screening of contractors by a project owner, according to a given set of criteria, in order to determine their competence to perform the work if awarded the construction contract. This paper introduces the capabilities of neural networks in solving problems related to contractor prequalification. The neural network systems for contractor prequalification has an input vector of 8 components and an output vector of 1 component. The output vector represents whether a contractor is qualified or not qualified to submit a bid on a project.     

机械手逆运动学神经网络建模与仿真

采用多层前向神经网络来建立机械手逆运动学模型。在分析了用简单遗传算法学习神经网络存在求解速度慢、精度低及有量化误差等缺点的基础上,提出采用改进遗传算法来学习神经网络,用于机械手逆运动学求解。此方法采用实数值编码,并采取动态变异操作。仿真结果表明,该方法有效地弥补了简单遗传算法的不足,能快速达到全局收敛,从而大大提高了机械手逆运动学求解的精度。     

基于粗糙集和支持向量机的效能评定

简述了各种武器效能评定方法,并分析了其特点。建立武器参数效能模型,首先要挑选特征参数,提出采用知识约简方法选择武器的特征参数。利用支持向量机建立了参数效能模型,给出了实例和解决此问题的支持向量机源程序。通过实例与指数法和神经网络法的结果进行了比较,结果表明支持向量机比较精确和简单。