Please use this identifier to cite or link to this item: http://openarchive.nure.ua/handle/document/3143
Title: Нейромережеві методи та засоби стискання зображень
Authors: Бобнєв Р. В.
Keywords: штучна нейронна мережа
апроксимація
класифікація
кластерізація
стискання зображення
векторне квантування
artificial neural network
approximation
classification
clusterization
image compression
training algorithm
Issue Date: 2014
Citation: Бобнев, Р. В. Нейромережеві методи та засоби стискання зображень :автореф. дис. ... канд. техн. наук : 05.13.23 "Системы и средства искусственного интеллекта" / Р. В. Бобнев ; М-во образования нац. ун-т радиоэлектроники. – Харьков, 2014. – 171 с.
Abstract: У роботі проведено аналіз проблеми стискання статичних зображень за допомогою штучних нейронних мереж (ШНМ). Запропоновано метод модифікації архітектури ШНМ Кохонена для усунення вимог до нормалізації вхідних даних, що дозволяє відкинути шар Гросберга у вирішенні задачі стискання зображень ШНМ зустрічного розповсюдження. Запропоновано модифікацію ГА на основі біологічного процесу апоптозу, що дозволяє уникнути проблеми попадання алгоритму у локальний екстремум у процесі багатокритеріальної оптимізації. Проведено аналіз можливих методів початкової ініціалізації базисних функцій (БФ) ШНМ радіально-базисних функцій (РБФ) за допомогою ШНМ Кохонена та Нейро-Газ а також алгоритмів «k-середніх» та «k-найближчих сусідів» для підвищення якості та швидкості навчання ШНМ РБФ. Достовірність результатів підтверджується експериментальними дослідженнями та впровадженнями. У середовищі Microsoft Visual Studio 2010 Express Edition проведено імітаційне моделювання різних задач апроксимації, класифікації, кластеризації та стискання зображень за допомогою статичних ШНМ.The thesis covers the analysis of the problem of image compression using artificial neural networks (ANN). The most frequently used static ANN architectures and learning algorithms are investigated for their application in solving the approximation, classification, clusterization, vector quantization and image compression problems. Several methods of Kohonen's and RBF ANN architecture modification are proposed with the purpose of improving usage flexibility and the efficiency of multidimensional data processing. Specifically, a Kohonen's ANN modification which eliminates requirement of input data normalization is developed. In addition, a method of initial initialization of centers and widths of basis functions for ANN RBF is proposed. Also hybrid genetic algorithm based on biological apoptosis which solves problem with hang in local extremums is discussed. Simulation in the Microsoft Visual Studio 2010 Express Edition environment shows the high efficiency of using ANNs for solving various problems of approximation, classification, clusterization, vector quantization and image compression.
URI: http://openarchive.nure.ua/handle/document/3143
Appears in Collections:Автореферати

Files in This Item:
File Description SizeFormat 
BobnevR.doc548.5 kBMicrosoft WordView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.