Fast neural networks learning techniques for signal compression

• Autorzy: Puchala D. , Yatsymirskyy M.

Warianty tytułu

PL

Szybka metoda uczenia sztucznych sieci neuronowych dla zadań kompresji sygnałów

• Języki publikacji: EN

Abstrakty

EN

In this paper the comparative study of two learning techniques of fast artificial neural networks with application to lossy signal compression is presented. The experimental results prove faster convergence and better final results for energy maximization technique. Moreover the artificial neural network approach gives significantly smaller errors of signal reconstruction than transforms with fixed basis functions.

PL

W artykule przedstawiono wyniki porównawcze dwóch metod nauki sztucznych sieci neuronowych dla zadań stratnej kompresji sygnałów. Rezultaty badań dowiodły szybszej zbieżności i lepszych wyników końcowych dla metody maksymalizacji energii. Ponadto podejście oparte o sztuczne sieci neuronowe dawało znacząco mniejsze błędy rekonstrukcji sygnałów od przekształceń o stałych bazach.

Słowa kluczowe

EN

neural networks; fast orthogonal transforms

PL

sieci neuronowe; szybkie przekształcenia ortogonalne

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2010
• Tom: R. 86, nr 1
• Strony: 189--191
• Opis fizyczny: Bibliogr. 15 poz., tab., wykr.

Twórcy

autor

Puchala D.

autor

Yatsymirskyy M.

• Technical University of Lodz,

Bibliografia

• [1] N. Ahmed, T. Natarajan, K. Rao, Discrete cosine transform, IEEE Trans. Comput. vol. C-23, pp. 90-93, January 1974.
• [2] K. R. Rao, P. Yip, Discrete Cosine Transform. Algorithms, Advantages Applications, Academic Press, INC., ISBN 0-12- 580203-X, 1990.
• [3] K. Sayood, Introduction to Data Compression, Morgan Kaufmann Series in Multimedia Information and Systems, 2000.
• [4] S. Osowski, Algorithmic approach to neural networks, WNT, 1996 (in polish).
• [5] G. W. Cottrell, P. Munro, Principal components analysis of images via back propagation, SPIE vol. 1001 Visual Communications and Image Processing, pp. 1070–1077, 1988.
• [6] R. D. Dony, Neural Network Approaches to Image Compression, IEEE Proc. vol. 83, no. 2, pp. 288-303, 1995.
• [7] A. Namphol, S. H. Chin, M. Arozullah, Image compression with a hierarchical neural network, Aerospace and Electronic Systems, IEEE Transactions on, vol. 32, pp. 326-338, 1996.
• [8] J. Jiang, Image Compression With Neural Networks - A Survey, Elsevier Signal Processing: Image Communication, no. 14, pp. 737-760, 1999.
• [9] S. Anna Durai, E. Anna Saro, Image Compression with Back-Propagation Neural Network using Cumulative Distribution Function, Proc. Of World Academy Of Science, Engineering And Technology, vol. 17, pp. 60-64, 2006.
• [10] D. Puchala, Fast Orthogonal Networks In Signal Compression, Proc. of ISDMCI Conference, pp. 177-180, 2009.
• [11] M. Jacymirski, P. S. Szczepaniak, Neural Realization of Fast Linear Filters, Proc. 4th EURASIP-IEEE Symposium on Video/Image Processing and Multimedia Communications, Zadar, Croatia, pp. 153-157, 2002.
• [12] B. Stasiak, M. Yatsymirskyy, Fast Orthogonal Neural Networks, Atificial Intelligence and Soft Computing - ICAISC‘06, pp. 142-149, Springer, 2006.
• [13] M. M. Yatsymirskyy, R. I . Liskevytch, The Structures Of Algorithms For Calculation Of Fourier, Hartley, Cosine And Sine Transformations, Modeling and Information Tech., no. 2, pp. 173-181, Institute of Modeling Problems in Power Engineering, Ukrainian Academy of Sciences, Kiev, Ukraine, 1999.
• [14] R. Tadeusiewicz, Neural networks, Akademicka Oficyna Wydawnicza RM, 1993 (in polish).
• [15] W. A. Gardner, Introduction to Random Processes With Applications to Signals and Systems, McGraw-Hill, 1989.