分形图象压缩方法

分形图象压缩方法是近年来迅速兴起的一种高倍率图象压缩方法，而它的最大缺点是速度慢，文章介绍了这种方法的基本思想及若干改进的算法。     

一种基于BP网络的改进

BP神经网络存在其固有的缺陷:收敛速度慢、易陷入局部极小、网络结构难以确定等.本文针对BP网络学习速度慢的缺点.用熵函数作为误差函数来对BP算法进行改进,提高了收敛速度和稳定性.通过对标准BP网络和相对熵方法在不同学习速率上收敛速度的比较实验证明,相对熵BP网络在收敛速度和稳定性方面有着明显的优越性.     

一种基于分形的图象压缩编码方法

分形编码是近年来迅速兴起的一种高倍率图象压缩方法,相对于别的编码方法,分形方法有许多优点,但不足之处是其速度太慢,匹配复杂,作者在基本分形块编码的基础上提出了基于区域的自适应编码方法,大大缩短了编码时间,并且压缩比也得到了显著的提高。     

一种自适应图象压缩编码算法

提出了一种自适应图象压缩编码算法（ＡＣＣ）,该算法将绝对矩方块截断编码算法（ＡＭＢＴＣ）、内插法和四叉树技术有机结合起来,根据图象的局部特性调节编码算法．仿真结果表明ＡＣＣ算法与文献［５］中自适应算法相比,在相同的压缩倍数下,能得到更好的编码性能．     

基于小波变换的图象压缩

要在模拟和移动通讯中传输数字图象，首先必须对图象实行高比率的压缩，本文对讨论小波变换的特征机理，建立了以小波变换为基础图象压缩软件模拟系统，并同标准ＪＰＥＧ的图象压缩方法做了对比实验，结果证明：在高压缩比时，基于小波变换压缩的重建图象ＰＳＤＮ和重建图象质量都明显地成于传统的ＤＣＴ压缩方法。     

18位彩色图象很容易压缩编码

用简单的游程度编码和位“ＸＯＲ”运算，实现１８位彩色图象数据流的压缩编码。每个压缩码字节由高位的压缩属性指标码和低位的压缩数据码组合而成，仅凭残余信息能将后续的图象解码恢复。     

提高BP网络性能的一种方法

分析了ＢＰ网络在目标量的极值区存在较大误差的原因,提出了目标量扩展的数据标度化方法·检验结果表明,该方法不但可以消除目标量极值区的大误差现象、提高网络训练的收敛速度,而且还可以使网络具有外推预测功能,即同时提高了ＢＰ网络的训练性能和应用性能·     

图象压缩技术的探讨

由于图象压缩是图像处理的重要组成部分，是多媒体的关键技术之一，本文论述了图象压缩技术的基本原理，以及介绍了在图象压缩技术中的重要图象压缩标准，并且论述了小渡在图象压缩中的应用。     

一个改进的BP神经网络自适应学习算法

提出了一个改进的自适应变步长ＢＰ网络学习算法,对多个布尔学习问题以及Ｆｉｓｈｅｒ收集的一个植物分类问题进行计算．结果表明,该算法不仅有相当快的收敛速度,而且在避免学习过程陷入局部极小方面也取得较好结果．     

基于BP算法的图像压缩编码

作为新方法的探索,神经网络在图像压缩中的研究与应用已成为当今图像处理领域的热点研究。本文针对神经网络中BP算法的特点,探讨其在图像压缩编码中的具体应用,并就其优势和局限性进行了分析并提出相应建议。     

论优化BP神经网络的一种改进遗传算法

为了全面优化BP神经网络,使之具有较好的泛化性能,改进并设计了一种遗传算法,并通过算法对比测试表明,改进后的遗传算法减少了内存占用量,保证了种群的多样性,提高了算法的运行速度和收敛效果。     

基于BP算法的图像压缩编码

作为新方法的探索,神经网络在图像压缩中的研究与应用已成为当今图像处理领域的热点研究.本文针对神经网络中BP算法的特点,探讨其在图像压缩编码中的具体应用,并就其优势和局限性进行了分析并提出相应建议.     

前馈神经网络的一个改进的BP学习算法

在文［８］的工作基础上,利用模型逼近度和训练误差函数值相对误差函数梯度向量长度的变化率,给出前馈神经网络的一个自适应学习算法对一具体的分类问题进行计算,结果表明本文算法效果良好,改进了文［８］的算法     

基于BP神经网络的探地雷达图像识别技术

探地雷达作为一种常用的物探方法,在工程和科研方面都具有广泛的应用,在应用中由于地下介质的复杂性,常使得图像的反射原因较难判断,对于地下介质的典型特征也较难统计.为了更好的解译以及快速准确的分析统计出雷达反射图像中的各类特征,本文利用神经网络的高度模糊识别能力,将标准雷达图像输入到神经网络模型中,并通过一系列的改进,提高了网络性能.通过仿真试验表明,改进后的神经网络可以较为高效的对雷达图像中的典型反射特征进行识别与统计,具有很好的应用前景.     

基于优化BP神经网络算法的网络质量评价

针对现有的BP神经网络算法,提出了在变步长BP神经网络算法基础上的优化方案,并将其应用于网络质量评价当中.在优化方案中,对步长的上升和下降阶段分别采用不同策略进行优化.理论分析表明:优化后的算法能够克服传统算法权值收敛过慢,和变步长算法误差收敛中的震荡问题.仿真表明,优化后的算法会使神经网络的学习误差和网络质量分类的总体误差明显下降并大幅提高评价的准确性.优化算法较传统算法相比误差收敛过程更加稳定,且学习误差下降达9.64％,网络质量分类的总体误差下降达23.1％；优化算法的验证准确率在传统算法的基础上提高了19.65％,在变步长算法的基础上提高了9.88％.由此可见,优化算法在BP神经网络的预测精度方面起到了大幅度提高的作用.     

利用BP算法实现集装箱编号识别

研究集装箱字符识别,采用数字图像处理,模式识别与神经网络技术及改良BP算法实现集装箱编号的自动识别,该方法有较强的适应性,可在不同的光照条件下工作,在识别倾斜,变形,磨损,污染的集装箱时表现出较强的抗干扰能力,改良BP算法具有分类功能,可以实现字符的识别,并且具有较强的鲁棒性。     

基于改进的BP神经网络算法的控制系统在线辨识方法

 讨论了以计算机虚拟仪器为核心器件,搭建了动态测试与系统辨识硬件平台,使用Delphi语言编写辨识模块,实现对控制系统的在线辨识。在非线性系统辨识方面,针对BP神经网络算法中存在的收敛速度比较慢和辨识精度不高的问题,提出一种基于降低网络灵敏度的MBP神经网络辨识算法和一种基于小波分析的神经网络辨识算法,实现了对控制系统的状态进行预测估计。并以“防空武器半实物仿真系统”中的三轴稳定平台为对象,试验验证了算法的正确性。     

基于BP神经网络的图像识别研究

提出一种采用BP神经网络实现钢材编号文字识别的方法？先采用彩色图像HSI空间中S分量的特性，定位钢材区域，然后利用一系列图像处理技术，对图像中钢材编号区域定位、分割字符，最后采用BP神经网络进行字符识别。实践证明，采用BP神经网络，可有效地识别铜材编号，速度快、识别率高，具有较高的实用价值。