89、神经网络在关联记忆与数据压缩中的应用

神经网络在关联记忆与数据压缩中的应用

1. 关联记忆基础

关联记忆可通过两个神经元之间的单一连接形成，而关联的含义（即数据）则通过一个独立的系统附加到这些单元上。与传统计算机关联记忆相比，基于神经网络的关联记忆具有显著优势。它速度更快，并且对有噪声的输入更具鲁棒性。

2. 数据压缩的重要性

在我们的日常生活中，视觉信息的交换变得至关重要。数字电视、高清数字电视（HDTV）、视频电话、视频会议和视频点播（VoD）等领域的发展，都需要高效处理大量的图像和图像序列数据。尽管存储技术和宽带网络有了进步，但仍需要高效的图像压缩技术。目前已经有一些国际委员会开发的算法用于静态图像和图像序列的压缩，如联合图像专家组（JPEG）的静态图像编码算法和运动图像专家组（MPEG）的图像序列压缩算法。

3. 图像压缩的主要方法

3.1 预测编码

• 原理 ：利用图像相邻像素之间的空间和时空冗余，通过线性或非线性预测技术，用一组相邻像素预测当前像素的值，只对预测误差（即像素真实值与预测值之间的差异）进行编码。预测越好，编码增益越高。
• 传统算法 ：线性预测的传统算法是增量脉冲编码调制（DPCM），但由于图像数据的依赖关系通常具有非线性性质，线性预测存在局限性。而经典的非线性预测方法设计困难。
• 神经网络优势 ：神经网络的固有结构非常适合设计和实现灵活的非线性预测器。例如，Dianat 等人（1991）使用多层感知器实现非线性预测，采用三层感知器（一个输入层、一个隐藏层和