欢迎来到天天文库
浏览记录
ID:315692
大小:125.50 KB
页数:6页
时间:2017-07-22
《成都理工大学学生毕业设计(论文)外文译文》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、学生毕业设计(论文)外文译文学生姓名:学号:专业名称:信息与计算科学译文标题(中英文):中文:神经网络用于图像压缩英文:NeuralNetworkApproachestoImageCompression译文出处:IEEE,1995,83(2):288~303指导教师审阅签名:外文译文正文:神经网络用于图像压缩Ⅴ.使用神经网络进行矢量量化A.自组织特征映射(SOFM)算法Kohonen提出的自组织特征映射神经网络(SOFM)[57]已经成为矢量量化中,应用网络模型解决码书设计问题的大量研究的基础。Kohonen引入了拓扑图特征类序的概念。在许多聚类算法中,如-均值算法,每个输
2、入矢量被分类,只有“获胜”类在迭代过程中被修正。在SOFM算法中,矢量不仅用于修正获胜类,而且将根据以下规则修正获胜类的相邻类:对于训练样本集中的每一个矢量:1)根据下式对进行分类:若,则(35)2)根据下式修正:(36)6其中是特征矢量,是取值范围为的学习参数,是在时刻与获胜类相邻的类组成的集合。类的特征矢量收敛于类均值。相邻类由基于类的拓扑序的某种距离测度来确定。例如,如果在二维表格上对类进行排序,某类的相邻类可以定义为与此类的欧氏距离小于特定阈值的类的集合。在训练中,最初的相邻类可能会相当大,如为类总数的一半或更多。随着训练的进行,相邻类将不断减小直到最终只包含一类。
3、同时,学习参数也将减小到小数值(如0.01),以达到算法的较好收敛状态。A.SOFM算法的特性SOFM算法有许多重要的特性,这些特性使得它适合于用作矢量量化中的码书生成器[5]:1)特征矢量集是原输入矢量空间的优化逼近。2)特征矢量在特征映射上按拓扑排序,因此特征矢量之间的相关性随它们之间距离的减小而增加。3)特征映射的密度与输入分布密度相对应,因此对高概率密度区域求解比低密度区域更容易。B.SOFM算法与LBG算法的比较用于码书设计的LBG算法与SOFM算法很相近。事实上,对于同一邻域范围,LBG算法是与SOFM算法等价的批处理方法。通过将矢量定为类均值,LBG算法使均方
4、误差(MSE)的失真在类内最小:(37)均值通过批处理的方法计算,即在个样本训练后得出。6为了在每训练一次样本后就能修正矢量,可采用基于最小化均方误差(37)的梯度下降法,学习规则为:(38)当时,上式等价于式(36)。因此,二者均可用于计算类均值,产生最小MSE的码书。许多学者[60],[61],[62],[63]已经成功地使用SOFM算法生成VQ码书,并论证了采用SOFM算法较经典的LBG算法的优越之处,包括对初始码书的低敏感性、较低的失真率和较快的收敛速度。已经证明了码字或权收敛于类均值[64],[65],就平均失真被降低而言,其结果码字是最优的。A.地址预测矢量量化
5、(APVQ)使用SOFM算法进行码书设计的另一个优点在SOFM的变体中表现出来,称为地址预测矢量量化(APVQ)[66]。这种技术采用顺序码书,其中相邻码字间在某种意义上是相互联系的。图象中相邻码字和相邻块之间的联系可被用于DPCM编码,其中输入信号就是码书地址。这种技术可提高编码增益,允许有损地址编码。与标准的SOFM算法相比,用SOFM与APVQ联合产生码书,编码图像仅需小于37%的比特数[66]。B.有限状态矢量量化(FSVQ)SOFM算法也被成功地应用于有限状态矢量量化(FSVQ)的方案中[67]。在FSVQ中,从当前状态的码书中选择码字索引。当前状态是前一状态和前
6、一码字索引的函数。如果状态转移函数是下一个输入的较好的预测器,那么每一个状态码书都将比无记忆量化器所需的码书少得多。6Liu和Yun[67]使用单个超码书的子集作为状态码书来代替每一状态的分离码书。超级码书由SOFM算法得出,并且状态码书在拓扑映射内是相邻的。在图象中,当前状态码书仅在前一输入块与当前输入块相邻的码字周围。他们发现,对于给定的比特率,同时应用FSVQ和SOFM可使信噪比(SNR)较无记忆VQ增加4.2dB;此外,对于相同的失真,比特率减少一半以上。A.学习矢量量化(LVQ)SOFM算法计算出一组矢量,这组矢量用作为矢量量化中的码字。学习矢量量化是一种监督学习
7、算法,如果有一组标记的训练数据,它可用来修正码书[57]。对于一个输入矢量,设最近的码字索引为,输入矢量的类脚标为,码字按以下规则修正:l若类脚标与码字索引一致,即,则(39)l若类脚标与码字索引不一致,即,则(40)其中,是取值范围为的学习率参数。特别地,学习率参数可初始化为0.1,随每次迭代单调减小。在一定次数的迭代后,码书通常都可达到收敛,训练终止。B.分层矢量量化传统VQ编码的一个缺点是在编码阶段所需要的负荷,因为对于每一个输入矢量都需要对它的整个码书进行穷举搜索。另一种做法是以等级方式串级许多编码器,此方
此文档下载收益归作者所有