导读：基于神经网络的几种新的数据压缩方案刘国文，王志良，解仑(北京科技大学信息工程学院，北京100083) 摘 要：本文首先采用非统计...
由上述原理可知，若(i),(i i)能顺利进行，则该压缩方法的压缩比为
解压缩原理：BP取整函数解压缩模型是由所选BP网络构成的映射复合(或外套)取整函数而成。(i)恢复稳态时的
实验表明，对很多γ=c１…c22528，相应的BP网络的训练很快达到要求，说明该压缩方法有效可行。而对有的γ=c1…c２２５２９，相应的BP网络训练很长时间不收敛，说明BP网络训练算法有待改进和计算机的运行速度有待提高。为做到实时或压缩顺利进行，我们采用限制神经网络训练时间的策略。对在限制时间内神经网络训练达不到稳态的情况，引入中断机制，相应的串γ=c１…c２２５２８不予以压缩。
20次实验结果表明，有6次压缩比是接近2.58，其它次压缩比是1到2.58之间，该压缩方法的压缩比大约为2.58。由于它的思想方法与熵编码压缩方法的思想不同，考虑问题的角度不同，且3层的有597个自由度的BP模型有自学能力，因此有些熵编码没有找到的规律，“基于神经网络的无损数据压缩新方法”能认识，从而它能有效压缩已用熵编码压缩过的数据，这与我们的实验相吻合。
3一种改进数据压缩方案及实验结果
根据以上所获“基于神经网络的无损数据压缩新方法”能压缩已用熵编码压缩过的数据的特点，我们把“基于神经网络的无损数据压缩新方案”嵌入Huffman编码系统，获“改进的无损数据压缩方案”，把“基于神经网络的无损数据压缩新方案”嵌入一小波图像编码系统得“基于小波与神经网络的图像压缩方案”。
实验表明，“改进的无损数据压缩方法”和“基于小波与神经网络的图像压缩方案”分别提高了Huffman编码系统和原小波图像编码系统的压缩比。但以上压缩方法在实时性方面有待改进。参考文献：
［１］D.A HUFFMAN,A method for the construction of minimum-redundancy codes［Ｃ］．Proceeding of the IRE 40,1952:1098-1101
［２］I.H.WITTEN,R.M.NEAL and J.G.CLEARY,Arithmetic coding for data compression,CACM［Ｊ］．1987，30(6):520-541
［３］ZIV and A LEMPEL,Compression of individual sequences via variable rate coding［Ｊ］．IEEE Transaction on Information Theory,1978，24:530-536
［４］T.A.WELCH,A technique for high-performance data compression［Ｊ］．IEEEcomputer,1984，17(6)：.8-19
［５］吴乐南．数据压缩［Ｍ］．电子工业出版社，东南大学出版社，2000
［６］JYH-LIANG JOU,et al,Image coding from wavelet transform maxima and projection onto convex sets［Ｊ］．Image and Vision Computing,1999，17:295-298
免责声明：本站文章均由网上收集，所有文章仅供学习参考之用，版权和著作权归原作者所有，请在24小时内删除！ 如果您发现侵犯您的权益，请即时通知，本站将立即删除！
