基于LVQ神经网络的人脸朝向识别方法

为了满足图像和视屏中人脸的位置,朝向和旋转都不是固定的特点,利用LVQ神经网络模型对图像中人脸朝向识别进行研究.实验采用Matlab工具箱进行LVQ神经网络设计,实现对人脸朝向的判断.实验结果显示,LVQ神经网络可以根据输入图像的二值信息,以较高准确率判断该图像的人脸朝向.

一种基于PCA/SOFM混合神经网络的图象压缩算法

鉴于用神经网络实现图象压缩是一种非常有效的方法,为此提出了一种基于PCA/SOFM混合神经网络的图象压缩编码算法,并对SOFM网络学习参数的优化进行了探讨.实验证明,与PCA+SOFM连续编码算法和基本SOFM算法相比,这种混合编码算法,由于占用存储空间少,因而降低了码书设计的计算量,并改善了码书的性能.

基于话者特征图案的BPNN话者模型

该文提出了一种用于说话人识别的基于话者特征图案的 BPNN话者模型 ,该话者模型解决了语音信号的时长变化与神经网络输入层结点数固定不变之间的矛盾 .利用 VQ技术对所有话者的语音样本训练出话者特征图案 ,再将语音样本对该特征图案进行映射 ,在映射域解决了语音样本的时间规正问题 .同时 。

A New Image Coding Algorithm Based on Self-Organizing Neural Network

The paper deals with a new VQ+DPCM+DCT algorithm based on Self-Organizing Feature Maps(SOFM) algorithm for image coding. In addition. a Frequency sensitive SOFM (FSOFM) has been also devel-oped. Simulation results show that a very good visual quality of the coded image at 0.252 bits/pixel is obtained.

基于小波变换和误差竞争学习的矢量量化

用神经网络实现图像矢量量化是一种非常有效的方法 ,而小波变换又是近年来迅速发展起来的新算法。文中提出一种改进的误差竞争学习算法 ,分析了图像在小波变换后数据的特点 ,提出了新的矢量构造方法 ,从而最终得到了基于小波变换和误差竞争学习的矢量量化图像压缩新算法 (以下简称VQWDCL) ,无论是在主客观效果上 ,还是在计算复杂度上 ,其性能都优于传统的基于小波变换和LBG算法的矢量量化。

基于自组织神经网络的模式分类研究

分析了常用的ＶＱ（ＶｅｃｔｏｒＱｕａｎｔｉｚｅｒ──矢量量化）分类算法所存在的缺点，提出用自组织神经网络模型取代ＶＱ算法，对这种模式分类的过程进行了描述，并阐明它的优点．

基于PCA/SOFM混合神经网络的矢量量化

针对自组织特征映射(SOFM)神经网络应用于矢量量化具有收敛速度慢、计算量大等缺点,本文提出了一种基于PCA/SOFM混合神经网络的矢量量化的算法,先用主元分析(PCA)线性神经网络对输入矢量进行降维处理,再用SOFM神经网络进行矢量量化。通过调整SOFM神经网络的学习函数、邻域权值及初始码书对网络进行优化。实验表明,改进算法缩短了图像压缩的时间,提高了码书的性能。