| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 引言 | 第9-18页 |
| ·研究背景 | 第9-11页 |
| ·人工神经网络的发展 | 第11-12页 |
| ·人工神经网络的研究内容 | 第12页 |
| ·人工神经网络的应用 | 第12-13页 |
| ·人工神经网络的特点 | 第13页 |
| ·人工神经网络的神经元模型 | 第13-15页 |
| ·人工神经网络的结构类型 | 第15-16页 |
| ·基于人工神经网络的图像压缩的可行性分析 | 第16-18页 |
| 第2章 基于BP 网络的数字图像压缩方法的研究与实现 | 第18-34页 |
| ·基于误差反传的多层感知器——BP 神经网络 | 第18-23页 |
| ·BP 网络的模型 | 第19-21页 |
| ·BP 算法及程序实现 | 第21-23页 |
| ·BP 网络在数字图像压缩中应用原理及实现 | 第23-27页 |
| ·BP 网络用于图像压缩的原理 | 第23-24页 |
| ·基于BP 神经网络的数字图像压缩的实现 | 第24-27页 |
| ·图像压缩实现结果分析 | 第27-31页 |
| ·不同的网络训练方法 | 第27-28页 |
| ·不同的阈值调整方式的比较 | 第28-30页 |
| ·隐含层神经元个数（K）与图像压缩重建质量的关系 | 第30-31页 |
| ·小结 | 第31-34页 |
| 第3章 基于自组织特征映射神经网络的数字图像压缩方法的研究与实现 | 第34-46页 |
| ·自组织特征映射神经网络——SOFM 网络 | 第35-41页 |
| ·SOFM 网的生物基础 | 第35-36页 |
| ·竞争学习原理 | 第36-37页 |
| ·自组织特征映射网络的运算原理与学习算法 | 第37-38页 |
| ·SOFM 网络学习算法 | 第38-41页 |
| ·SOFM 网络在数字图像压缩中的应用原理及实现 | 第41-43页 |
| ·SOFM 网应用于图像压缩的原理 | 第41页 |
| ·基于SOFM 网络的数字图像压缩的实现 | 第41-43页 |
| ·图像压缩实现结果分析 | 第43-46页 |
| 第4章 基于对向传播神经网络的数字图像压缩方法的研究与实现 | 第46-54页 |
| ·CPN 网的网络结构与运行原理 | 第46-49页 |
| ·CPN 网的网络结构 | 第46-47页 |
| ·CPN 网络的学习算法 | 第47-49页 |
| ·CPN 网在数字图像压缩中的应用原理及实现方法 | 第49-51页 |
| ·CPN 网络在图像压缩中的应用原理 | 第49-50页 |
| ·基于CPN 网络的数字图像压缩的实现 | 第50-51页 |
| ·图像压缩实现结果分析 | 第51-54页 |
| 第5章 基于人工神经网络的数字图像压缩处理界面简介 | 第54-58页 |
| 第6章 结论与展望 | 第58-60页 |
| ·本文总结 | 第58页 |
| ·工作展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-62页 |
| 附录 | 第62-74页 |
