基于神经网络和最大熵原理的自适应算术编码方法
| 摘要 | 第1-3页 |
| ABSTRACT | 第3-4页 |
| 目录 | 第4-6页 |
| 第1章 前言 | 第6-9页 |
| ·选题的依据 | 第6页 |
| ·国内外的研究现状 | 第6-8页 |
| ·通用无损数据编码技术的发展 | 第6-7页 |
| ·神经网络在专用压缩领域中的应用 | 第7-8页 |
| ·神经网络在通用无损数据编码中的应用现状 | 第8页 |
| ·研究内容与成果 | 第8-9页 |
| 第2章 数据编码理论与技术 | 第9-21页 |
| ·数据编码理论 | 第9-16页 |
| ·离散无记忆信源的熵 | 第9-11页 |
| ·率失真理论 | 第11-14页 |
| ·条件熵与相关信源 | 第14-16页 |
| ·数据编码技术 | 第16-21页 |
| ·数据编码方法的分类 | 第16-17页 |
| ·目前主要的无损数据编码方法介绍 | 第17-21页 |
| 第3章 神经网络系统概论 | 第21-27页 |
| ·神经网络的基本模型 | 第21-22页 |
| ·神经网络模型的分类 | 第22-23页 |
| ·神经网络模型的结构特点 | 第23页 |
| ·神经网络的学习算法 | 第23-26页 |
| ·神经网络的学习方式 | 第23-24页 |
| ·神经网络的学习方法 | 第24-25页 |
| ·几种常用的神经网络学习算法 | 第25-26页 |
| ·神经网络的实现 | 第26-27页 |
| 第4章 最大熵原理 | 第27-31页 |
| ·负指数分布 | 第27-29页 |
| ·正态分布 | 第29-30页 |
| ·均匀分布 | 第30-31页 |
| 第5章 最大熵神经网络算术编码 | 第31-56页 |
| ·算术编码 | 第31-35页 |
| ·原理 | 第31-32页 |
| ·自适应算术编码方法 | 第32-33页 |
| ·PPM算术编码方法 | 第33-35页 |
| ·神经网络算术编码方法设计思路 | 第35-37页 |
| ·两个典型的神经网络算法 | 第35-36页 |
| ·神经网络算术编码方法框架 | 第36-37页 |
| ·选用合适的语言模型 | 第37-40页 |
| ·N-gram语言模型 | 第37-38页 |
| ·N-pos模型 | 第38页 |
| ·基于决策树的语言模型 | 第38-39页 |
| ·动态、自适应、基于缓存的语言模型 | 第39页 |
| ·以上几种模型存在的缺陷 | 第39-40页 |
| ·基于最大熵方法的统计语言模型 | 第40页 |
| ·最大熵统计语言模型建立 | 第40-43页 |
| ·问题的描述 | 第40页 |
| ·训练数据 | 第40-41页 |
| ·特征、特征函数及约束 | 第41页 |
| ·最大熵解 | 第41-43页 |
| ·确定特征参数λ和p(yx)的迭代算法 | 第43页 |
| ·最大熵神经网络算法 | 第43-49页 |
| ·算法的具体实现和速度优化 | 第49-53页 |
| ·程序的流程图 | 第49-50页 |
| ·散列表实现输入层 | 第50-51页 |
| ·速度优化 | 第51-53页 |
| ·测试结果 | 第53-56页 |
| 第6章 结论与建议 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-60页 |
