采用格形矢量量化的小波图象编码方法

研究了以格形矢量量化方法进行小波图象的压缩编码。以两种经典的格形矢量量化算法乘积码塔形矢量量化（ＰＣＰＶＱ）和分块均匀格点矢量量化为例，分析了两种算法中非均匀矢量格点的分布与输入信号源的概率密度分布函数的关系，指出在保持矢量格点具有规则分布的前提下，格点分布难以与不规则的输入矢量概率分布实现良好的匹配。提出了一种均匀格点分布与熵编码相结合的矢量量化图象编码方法，该方法与以上两种算法对信号源输入矢量的概率分布具有更灵活的适应能力。给出了该算法和ＰＣＰＶＱ的实验结果的比较。     

神经网络矢量量化的设计与实现

设计了一种混合神经网络矢量量化编码方法。利用Ｋｏｈｏｎｅｎ网络的自组织聚类功能设计矢量量化器码书，实现矢量量化，用３层ＢＰ网络完成码字的信道符号编码。该神经网络矢量量化编码器能够并行处理输入矢量，速度快，效率高，适用于语音和图像数据压缩     

基于矢量栅格技术的矢量数据符号化方法研究

矢量数据符号化是GIS中空间信息可视化的一种主要方法，通常是采用完全基于矢量技术的算法实现．作者通过对栅格数据和矢量数据各自优缺点的分析、比较及应用研究，提出一种基于矢量栅格技术的矢量数据符号化方法，在符号库法符号化的软件系统中采用这种方法，可以消除矢量技术产生的不良图形，降低算法的复杂程度，减少计算机的时间开销，提高符号化的整体速度。     

基于调制比跟踪的三电平变换器VSVPWM策略研究

在采用虚拟空间矢量调制策略的二极管钳位型三电平变换器中，参考矢量经过的小三角形区域多，电压畸变率高，且虚拟中矢量幅值无法随着调制比的变化而调节电压畸变率.针对该问题，提出了一种减小线电压谐波畸变率的基于调制比跟踪的虚拟空间矢量调制策略.首先分析了传统虚拟空间矢量调制策略的小三角形区域划分方法，指出其参考矢量经过的小三角形区域多，电压畸变率高；然后提出了一种基于调制比跟踪的虚拟空间矢量调制策略，该策略在虚拟中矢量幅值与传统中矢量幅值的比值等于调制比时线电压总谐波畸变率取得的最小值；最后在Matlab/Simulink平台上验证了所提虚拟空间矢量调制策略，仿真结果证明所提出的调制策略简单、正确、有效.     

一种基于小波变换的矢量量化算法

提出了一种基于小波变换的矢量量化算法，算法利用小波变换后各子带间的相关性，合理地构造 矢量。采用最优矢量量化器设计原则，给出了小波域的误差竞争学习算法（DCL）实验表明，这种算法获得 的码本优于其它几种算法。     

基于小波变换和混合神经网络的图像压缩算法

提出了一种将空间方向小波零树编码与混合神经网络相结合，新的多尺度系数矢量量化策略．该算法在对图像进行多级小波变换后，利用3个方向上各自小波系数之间的相关性，构造符合图像特征的跨频带矢量，依据矢量能量和零树矢量的思想进行矢量分类，分别利用主元分析和自组织特征映射神经网络对3个方向的多尺度系数矢量进行基于视觉的加权矢量量化压缩编码．仿真实验结果表明该算法是合理可行的．     

几种表示光偏振态方法的关系研究

常用的偏振光的表述由数学描述和几何描述两种，Joanes矢量、Stokes矢量是对其做数学描述．用几何方法通过Poincare球表示各种偏振态更显直观，Poincare球是其几何表述．Joanes矢量和Stokes矢量对用数学手段处理偏振态的变换提供了方便．本文对几种表示光偏振态的方法作了详尽地阐述，并从解析式上证明了他们之间的关系，指出了三种方法的优缺点．     

距离加权矢量量化文本无关的说话人识别

本文在研究说话人识别的矢量量化方法时，分析了用矢量量化建立说话人识别模型的可行性。针对量化码本描述的不完全性，提出了一种经距离加权的矢量量化方法，能更好地刻划出说话人语音特征空间的精细结构，从而提高正识率。本文还对特征参数ＬＰＣＣＥＰ的选取进行了理论分析和实验研究，提出了平均互—自差异比的概念，给出了一种对特征矢量的每一维分量识别能力进行定量化估算的公式。实验结果表明，距离加权矢量量化是一种具有很高正识率的与文本无关的说话人识别方法。     

平均风向的计算方法及其比较

常用的平均风向４种计算方法分别是算术平均法、标量平均法、单位矢量法和矢量法，利用实测资料对各种方法的计算结果进行比较，结果表明：算术平均法加大了偏南风的比重；标量平均法在风向变化３６０°时有可能出现较大的误差，在应用时须加以注意；单位矢量法与矢量法的结果比较一致，且不需风速的同期观测资料，是一种比较好的方法     

矢量数性积在解题中的应用探讨

矢量数性积是矢量代数中的一种运算，它沟通了矢量与代数间的转换关系，同时它也有效地解决了几何度量和角度问题。通过实例的分析和求解，阐述了矢量数性积在解题中具有非常广泛的应用。     

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。     

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.     

一种基于自适应小波变换的矢量量化方法

运用小波变换进行图像压缩的算法其核心都是小波变换的多分辨率分析以及对不同尺度的小波系数的量化和编码.本文提出了一种基于能量的自适应双正交小波变换和矢量量化相结合的算法.即在一定的能量准则下,根据子图像的能量大小决定是否进行小波分解,然后给出恰当的小波系数量化.该方法充分利用了不同尺度间小波系数的相关性并采用自组织特征映射神经网络进行矢量量化.实验表明,该方法获得较高的编码效率和重构图像质量.     

一种基于小波分解的图象分层分类矢量量化方法

作者提出了一种基于小波分解及采用自组织特征映射神经网络进行分层分类矢量量化的静态图像压缩编码方法。首先对图象进行了小波分解。利用不同分辩率级间小波子图的相似性,将最低分辩率层子图的矢量编码信息作为整幅图象的解码数据,并将其矢量分类和解码索引地址信息用于高分辩率层子图的码书训练。实验表明,和其他文献提出的方法相比,作者提出的方法在获得较好重构图象质量的前提下,提高了压缩比和编解码速度。     

彩色视频的四维MDCT及矩阵量化编码

对赵岩的彩色视频的四维矩阵模型理论及压缩编码研究中的量化方法进行了改进,提出了矩阵量化的方法。矩阵量化克服了矢量量化码书敏感的问题,而且该方法不需要训练码书,不需要预测和运动补偿,易于快速实现。四维矩阵量化之后,又给出了进行变长编码时所需要的扫描顺序。变长编码后进行Huffman编码,这与经典的压缩方法是一致的。     

LBG与SOFM应用于矢量量化的比较研究

在介绍矢量量化以及LBG算法和SOFM算法的基础上,通过实验对比了LBG算法和SOFM算法在应用于图象矢量量化压缩过程时,码书大小、码字大小以及初始码书生成方式等因素对图像压缩性能的影响,得到了相关结论:固定码字矢量维数,码书越大,压缩比越小,重建图像质量越好;固定码书,码字矢量维数越小,编码性能越好;LBG算法对初始码书敏感,而SOFM算法由于所具备的自适应特性对初始码书不敏感。论文最后提供了一些改进思路,为改进传统矢量量化算法及设计新的矢量量化算法以提供了参考。     

基于Context量化的Context模型

 Context模型广泛地使用在图像编码系统中以提高压缩性能.然而,如果没有特殊的处理,预期的压缩收益将会由于高阶context模型引入的模型代价而被抵消.Context量化是解决这个问题的有效方法.详细分析了一般context量化存在的问题,提出context量化与一般矢量量化问题的相似性,并且证明了,如果设定了一个合适的失真度量准则,运用Lloyd迭代算法可设计出最优的context量化器.     

基于神经网络的一种改进的向量量化方法

用LBG算法产生的码书,其码向量在码书中的排列是无序的.用此序号作为向量量化器编码输出时,对信道误码特别敏感.为了控制由于信道误码而导致整个向量量化通信系统性能严重下降,基于Kohonen网络的自组织特征映射(SOFM)算法进行向量量化分析,并针对SOFM算法性能上的缺陷,提出了一种改进的自组织特征映射算法.新算法引入失真敏感参数,对网络参数进行优化,通过调整码字的部分失真来指导神经网络的学习.通过仿真试验,从峰值信噪比的提高验证了算法的优越性.     

自适应分形矢量量化编码

提出了一种自适应分形矢量量化编码方法。对图像进行自适应四叉树分割,并构造粗糙的均值图像。误差图像进行分形矢量量化编码时,使用设计的自适应二维维纳数字滤波器,对收缩的均值图像进行滤波后,可构造好的码书。实验证明,本方法码书不需外部训练,解码不需要迭代,可以改善重建图像的视觉质量,使压缩比和PSNR都有明显提高。