TechShape.ru

Информационные технологии

Основные разделы

Сжатие изображения

Здесь предлагается модель кубического нейрона как новая схема с несоответствующим стандартом вычисления, которое соединяет квантовое вычисление и нейронное вычисление.

Когда изображение на вход в сеть с прямой связью с узким скрытым слоем, можно забрать данные сжатого изображения с выхода скрытого слоя. Происходит обучение сети. Когда сеть осуществляет это тождественное отображение, можно подобрать данные из исходного изображения с выхода узкого скрытого слоя (рис. 26,27 ) [22].

Рис. 26. Сжатие изображения на слоистые нейронные сети

Рис. 27. Входная схема, участок исходного изображения

При моделировании принимаем значения параметров, приведенных в таблице (табл. 6).

Таблица 6: Значения параметров при моделировании

Параметры

Значения

BI;BH

8 бит

BWO

16 бит

Патч размер

8х8 пикселей

Начальное значение параметра ()-π~π

Начальное значение параметра

-1~1

Целевой диапазон квантования (вес, порог)

-5~5

Число скрытых нейронов слоя, которое сильно влияет на значение R, зависит от экспериментальных ситуациях. Квантование для BH и BWO делается такой функцией квантования, как показано на рис. 28 [22].

Рис. 28. Пример квантования функции

Кодирование алфавита

Рис. 29. Примеры графических символов алфавита

Еще статьи

Интегральные микросхемы
Современный этап научно-технического прогресса характеризуется повсеместным внедрением принципиально новой техники. Ускорение научно-технического прогресса в значительной степени зависит от успехов современной микроэлектроники, являющейся современной элементной базой электронных устройств автоматики, т ...

Все права защищены! 2020 - www.techshape.ru