前言：中文期刊网精心挑选了神经网络量化综述范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
神经网络量化综述范文1
论文关键词：模拟电路；故障诊断；小波神经网络
论文摘要：分析了模拟电路故障诊断的重要性和目前存在的困难，对基于小渡分析理论和神经网络理论的模拟电路故障诊断方法进行了综述．指出了小波神经网络应用于模拟电路故障诊断存在的问题和未来的应用前景。
模拟电路故障诊断在理论上可概括为:在已知网络拓扑结构、输人激励和故障响应或可能已知部分元件参数的情况下，求故障元件的参数和位置。
尽管目前模拟电路故障诊断理论和方法都取得了不少成就，提出了很多故障诊断方法，如故障字典法、故障参数识别法、故障验证法等。但是由于模拟电路测试和诊断有其自身困难，进展比较缓慢。其主要困难有:模拟电路中的故障模型比较复杂，难以作简单的量化;模拟电路中元件参数具有容差，增加了故障诊断的难度;在模拟电路中广泛存在着非线性问题，为故障的定位诊断增加了难度;在一个实用的模拟电路中，几乎无一例外地存在着反馈回路，仿真时需要大量的复杂计算;实际的模拟电路中可测电压的节点数非常有限.导致可用于作故障诊断的信息量不够充分，造成故障定位的不确定性和模糊性。
因此，以往对模拟电路故障诊断的研究主要停留在中小规模线性无容差或小容差的情况，有些方法也已成功地应用于工程实际。但如何有效地解决模拟电路的容差和非线性问题，如何解决故障诊断的模糊性和不确定性等是今后迫切需要解决的问题。小波神经网络则因其利于模拟人类处理问题的过程、容易顾及人的经验且具有一定的学习能力等特点，所以在这一领域得到了广泛应用。
1小波分析理论在模拟电路故障诊断中的应用现状分析
简单地讲，小波就是一个有始有终的小的“波浪”小波分析源于信号分析，源于函数的伸缩和平移，是Fourier分析、Gabor分析和短时Fourier分析发展的直接结果。小波分析的基木原理是通过小波母函数在尺度上的伸缩和时域上的平移来分析信号，适当选择母函数.可以使扩张函数具有较好的局部性，小波分析是对信号在低频段进行有效的逐层分解，而小波包分析是对小波分析的一种改进，它为信号提供了一种更加精细的分析方法，对信号在全频段进行逐层有效的分解，更有利于提取信号的特征。因此，它是一种时频分析方法。在时频域具有良好的局部化性能并具有多分辨分析的特性，非常适合非平稳信号的奇异性分析。如:利用连续小波变换可以检测信号的奇异性，区分信号突变和噪声，利用离散小波变换可以检测随机信号频率结构的突变。
小波变换故障诊断机理包括:利用观测器信号的奇异性进行故障诊断以及利用观测器信号频率结构的变化进行故障诊断。小波变换具有不需要系统的数学模型、故障检测灵敏准确、运算量小、对噪声的抑制能力强和对输入信号要求低的优点。但在大尺度下由于滤波器的时域宽度较大，检测时会产生时间延迟，且不同小波基的选取对诊断结果也有影响。在模拟电路故障诊断中，小波变换被有效地用来提取故障特征信息即小波预处理器之后，再将这些故障特征信息送人故障分类处理器进行故障诊断。小波分析理论的应用一般被限制在小规模的范围内，其主要原因是大规模的应用对小波基的构造和存储需要的花费较大。
2神经网络理论在模拟电路故障诊断中的应用分析
人工神经网络(ANN)是在现代神经科学研究成果的基础上提出来的，是一种抽象的数学模型，是对人脑功能的模拟。经过十几年的发展，人工神经网络已形成了数十种网络，包括多层感知器Kohomen自组织特征映射、Hopfield网络、自适应共振理论、ART网络、RBF网络、概率神经网络等。这些网络由于结构不同，应用范围也各不相同。由于人工神经网络本身不仅具有非线性、自适应性、并行性、容错性等优点以及分辨故障原因、故障类型的能力外，而且训练过的神经网络能储存有关过程的知识，能直接从定量的、历史故障信息中学习。所以在20世纪80年代末期，它已开始应用于模拟电路故障诊断。随着人工神经网络的不断成熟及大量应用，将神经网络广泛用于模拟电路的故障诊断已是发展趋势。BY神经网络由于具有良好的模式分类能力，尤其适用于模拟电路故障诊断领域，因而在模拟电路故障诊断系统中具有广泛的应用前景，也是目前模拟电路故障诊断中用得较多而且较为有效的一种神经网络。
3小波神经网络的应用进展分析
3，1小波分析理论与神经网络理论结合的必要性
在神经网络理论应用于模拟电路故障诊断的过程中，神经网路对于隐层神经元节点数的确定、各种参数的初始化和神经网络结构的构造等缺乏更有效的理论性指导方法，而这些都将直接影响神经网络的实际应用效果。小波分析在时域和频域同时具有良好的局部化特性，而神经网络则具有自学习、并行处理、自适应、容错性和推广能力二因此把小波分析和神经网络两者的优点结合起来应用于故障诊断是客观实际的需要。
目前小波分析与神经网络的结合有两种形式，一种是先利用小波变换对信号进行预处理，提取信号的特征向量作为神经网络的输人，另一种则是采用小波函数和尺度函数形成神经元，达到小波分析和神经网络的直接融合第一种结合方式是小波神经网络的松散型结合，第二种结合方式是小波神经网络的紧致型结合。
3.2小波分析理论与神经网络理论的结合形式
小波与神经网络的松散型结合，即:用小波分析或小波包分析作为神经网络的前置处理手段，为神经网络提供输人特征向鱼具体来说就是利用小波分析或小波包分析，把信号分解到相互独立的频带之内，各频带内的能童值形成一个向觉，该向童对不同的故障对应不同的值，从而可作为神经网络的输入特征向量一旦确定神经网络的输入特征向童，再根据经验确定采用哪种神经网络及隐层数和隐层单元数等，就可以利用试验样本对神经网络进行训练，调整权值，从而建立起所需的小波神经网络模型。
小波与神经网络的紧致型结合，即:用小波函数和尺度函数形成神经元，达到小波分析和神经网络的直接融合，称为狭义上的小波神经网络，这也是常说的小波神经网络。它是以小波函数或尺度函数作为激励函数，其作用机理和采用Sigmoid函数的多层感知器基本相同。故障诊断的实质是要实现症状空间到故障空间的映射，这种映射也可以用函数逼近来表示。小波神经网络的形成也可以从函数逼近的角度加以说明。常见的小波神经网络有:利用尺度函数作为神经网络中神经元激励函数的正交基小波网络、自适应小波神经网络、多分辨率小波网络、区间小波网络等。
3.3小波分析理论与神经网络理论结合的优点
小波神经网络具有以下优点:一是可以避免M LY等神经网络结构设计的育目性;二是具有逼近能力强、网络学习收敛速度快、参数的选取有理论指导、有效避免局部最小值问题等优点。
在模拟电路故障诊断领域，小波神经网络还是一个崭新的、很有前途的应用研究方向。随着小波分析理论和神经网络理论的不断发展，小波神经网络应用于模拟电路故障诊断领域将日益成熟。
神经网络量化综述范文2
关键词： 遥感图像分类平行六面体法 最小距离法 马氏距离法 最大似然法 人工神经网络分类
遥感图像是通过亮度值或像素值的高低差异及空间变化而表示不同地物的差异，如不同类型的植被、土壤、岩石及水体等，这是我们区分不同影像地物的物理依据。遥感图像分类就是利用计算机对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，并用一定手段将特征空间划分为互不重叠的子空间，然后将图像中的各个像素划归到各子空间。遥感图像分类特征是反映地物光谱信息和空间信息，并可用于遥感图像分类处理的变量，如多波段图像的每个波段都可作为特征，多波段图像的各种处理结果也以作为分类的特征空间构成一个特征向量。
1.遥感图像分类原理简介
遥感图像分类的理论依据是：遥感图像中的同类地物在相同的条件下（纹理、地形、光照及植被覆盖等），应具有相同或相似的光谱信息特征和空间信息特征，从而表现出同类地物的某种内在相似性，即同类地物像素的特征向量将集群在同一特征空间区域；而不同的地物其光谱信息和空间信息特征不同，将集群在不同的特征空间区域。由于地物的成分、性质、分布情况的复杂性和成像条件，以及一个像素或瞬时视场里往往有两种或多种地物的情况，即混合像素，使得同类地物的特征向量不尽相同，而且使得不同地物类型的特征向量之间的差别不都是截然相反的。
遥感图像分类方法可分为非监督分类和监督分类。非监督分类是在没有先验类别知识的情况下，根据图像本身的统计特征及自然点群的分布情况划分地物类别的分类处理，它并不需要具体地物的已知知识，可更好地获取目标数据内在的分布规律，主要方法有：K均值分类（K-means）、ISODATA方法。
监督分类是一种常用的精度较高的统计判决分类，它是在已知类别的训练场地上提取各类训练样本，通过选择特征变量、确定判别函数或判别规则，把图像中的各个像元划归到各个给定类的分类方法。其主要步骤包括：选择特征波段；选择训练区；选择或构造训练分类器；对分类精度进行评价。主要方法有：平行六面体分类（Parallelepiped）、最小距离分类（Minimum Distance）、马氏距离分类（Mahalanobis Distance）、最大似然分类（Maximum Likelihood）、人工神经网络分类法等。
2.案例分析
本文以呼和浩特市地区7个波段组成的TM影像为原始数据，以波段5、4、3模拟真彩色RGB合成，选取凉城县岱海区域做分类实验，以确定该区域土地覆盖应采取的分类方法。
2.1遥感影像的目视解译。
在利用ENVI进行监督分类之前，首先在ArcGIS中进行遥感影像的矢量化操作，利用目视解译画出各类地物的边界，并统计其面积，以此评定各种分类方法的分类精度。
2.2遥感图像的平行六面体法、最小距离法、马氏距离法、最大似然法分类。
采用ENVI软件监督分类模块进行平行六面体法、最小距离法、马氏距离法、最大似然法分类，分类时训练区相同，以比较不同分类方法的精度。分类后对原始分类图像进行聚类、过滤、去除后处理工作，并采用总体分类精度、Kappa系数（结果略）评定分类精度，发现最大似然法分类精度最高。
2.3.2参数设置：Select Classes from Regions：单击Select All Items按钮，选择全部的训练样本。
Activation：选择活化函数。备选函数为对数（Logistic）和双曲线（Hyperbolic）函数，此处选择对数函数；Training Threshold Contribution：输入训练贡献阈值（0～1）。该参数决定了与活化节点级别相关的内部权重的贡献量，它用于调节节点内部权重的变化，训练算法交互式地调整节点间的权重和节点阈值，从而使输出层和响应误差达到最小。将该参数设置为0，不会调整节点的内部权重，适当调整节点的内部权重可以生成一幅较好的分类图像，但是如果设置的权重太大，对分类结果就会产生不良影响，此值需多次试验选择；Training Rate：设置权重调节速度（0～1）。参数值越大则训练速度越快，但也增加摆动或者使训练结果不收敛；Training Momentum：输入一个0～1的值。该值大于0时，在“Training Rate”文本框中键入较大值不会引起摆动，该值越大，训练的步幅越大，该参数的作用是促使权重沿当前方向改变；Training RMS Exit Criteria：指定RMS误差为何值时训练应该停止。RMS误差值在训练过程中将显示在图表中，如图6所示。当该值小于输入值时，即使没有达到迭代次数，训练也会停止，然后开始分类；Number of Hidden Layers：所用隐藏层的数量。要进行线性分类，键入值为0（没有隐藏层），不同的输入区域必须与一个单独的超平面线性分离。要进行非线性分类，输入值应该大于或等于1，当输入的区域并非线性分离或需要两个超平面才能区分类别时，必须拥有至少一个隐藏层才能解决这个问题，两个隐藏层用于区分输入空间，空间中的不同要素不临近也不相连；Number of Training Iterations：输入用于训练的迭代次数。这里选默认值1000；Min Output Activation Threshold：输入一个最小输出活化阈值。如果被分类像元的活化值小于该阈值，在输出的分类中，该像元将被归入未分类（unclassified）中。
3.结语
如何提高遥感影像的分类精度，一直是关注的热点。本文通过对五种监督分类方法的对比分析，发现人工神经网络土地利用分类与实际情况最接近，分类精度最高。最大似然法次之，两者分类精度皆高于平行六面体、最小距离法、马氏距离法分类方法。
人工神经网络与传统分类方法相比，有其明显优点。
一方面，神经网络方法没有对数据分布特征的任何假设前提。它不考虑数据是正态分布或是不连续分布，可以在特征空间上形成任意边界的决策面，并在每次迭代过程中动态调节决策区域，显示统计方法强大的稳定性和优越性。神经网络的监督分类和标准的统计监督分类非常相似。主要区别在于训练和分类在实现的细节上。神经网络的训练过程和最大似然法计算均值和方差类似。所不同的是，最大似然法的均值和方差只计算一次，而神经网络法采用迭代算法，直到计算结果和实际结果的差异满足要求。
另一方面，神经网络方法是非线性的，同传统分类方法相比较，它可以处理复杂的数据集，识别精细的模式，且能利用多源数据，将潜在的信息提取出来。
当然，目前每种方法都有分类的局限性，没有哪一种是绝对最好的。因此必须针对具体问题，灵活应用，综合应用多种分类方法，将来必有更新的理论与方法提高遥感影像分类精度。
参考文献：
[1]梅安新等.遥感导论[M].北京：高等教育出版社，2001.
[2]包亮，郭晓虹.遥感与土地资源监测实验指导书（修订稿）[Z].2008.
[3]钱茹茹.遥感影像分类方法比较研究[C].西安：长安大学，2007：1-30.
[4]王圆圆，李京.遥感影像土地利用/覆盖分类方法研究综述[J].遥感信息，2004：53-59.
[5]罗来平.遥感图像分类中模糊模式识别和决策树方法的应用研究[D].北京：首都师范大学，2006.
[6]费鲜芸，高祥伟.土地利用/土地覆盖遥感分类研究综述[J].山东农业大学学报（自然科学版），2002：391-394.
[7]纪仰慧，李国春，关宏强.土地利用/覆盖遥感分类研究综述[J].农业网络信息，2005： 36-38.
[8]刘慧平等.遥感实习教程[M].北京：高等教育出版社，2001.
[9]潘建刚，赵文吉，宫辉力.遥感图像分类方法的研究[J].首都师范大学学报（自然科学版），2004：56-91.
[10]王一达，沈熙玲，谢炯遥.感图像分类方法综述[J].遥感信息，2006：67-71.
[11]张若琳，万力，张发旺，等.土地利用遥感分类方法研究进展[J].南水北调与水利科技，2006：39-42.
[12]李爽，丁圣彦，许叔明.遥感影像分类方法比较研究[J].河南大学学报（自然科学版），2002：70-73.
[13]李石华，王金亮，毕艳遥.感图像分类方法研究综述[J].国土资源遥感，2005：1-6.
神经网络量化综述范文3
关键词：卷积神经网络；深度学习；年龄分类
0引言
人脸作为人类个体鲜明显著的生物特征之一，包含着丰富的个人信息。随着计算机视觉和机器学习技术的发展，相关的人脸识别等技术已成为这些项目任务的热点课题，并在法医、电子化客户关系管理、安防、生物识别和娱乐影音等诸多领域中得到广泛应用。人脸除了可进行身份认证和识别外，还可以提取出性别、种族和年龄等信息，特别是可以将年龄及分布特征用于人机交互和商业智能等应用中，因此年龄估计研究具有重要的科学意义和实用价值。
相对于人脸识别，人脸所能表征的年龄信息要受到很多因素的影响，例如不同个体的基因差异、生活习惯、环境、抗压能力、健康情况和种族差别等有很大的关系。同时，相同个体因发型、化妆和表情的不同也会影响年龄的估计。因此，如果要基于传统的分类算法（如支持向量机）并利用人脸图像信息来进行年龄分类将很难得到理想的结果。针对这些问题，目前的研究还相对不足，如果能有效解决上述问题，对大部分潜在的应用领域也都将带来深刻的影响。
1相关工作
年龄分类的主要流程是先根据人脸图像获取特征，再通过机器学习方法构建模型，通过把年龄分为多个年龄区段，即每个年龄段对应一个类别（比如未成年或成年人等）。因此可以把年龄分类看成是一个二分类或者多分类的分类问题来进行求解。1994年，Kwon和Lobo则从人脸图像中获取年龄分类，把人分为3种不同的类别，也就是儿童、青年人和老年人，强调重要特征点的选择。2002年Lanitis等人提出了能自动对年龄实现估计的年龄量化方法。而且，王先梅等的综述中也整体梳理了相关年龄估计技术的研究发展。王绍宇等人还基于SMV采用生物特征对人进行分类，分为小孩和成人。此外在2016年，董远等人更将迁移学习和卷积神经网络用于人的年龄和性别分类。
神经网络量化综述范文4
1 引言
数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。早期图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像。常见的图像处理有图像数字化、图像编码、图像增强、图像复原、图像分割与图像分析等。图像编码是对图像信息进行编码，可以压缩图像的信息量，以便满足传输与存储的要求。本研究主要介绍了图像编码的基本原理和技术方法。
一幅二维数字图像可以由一个二维亮度函数通过采样和量化后而得到的一个二维数组表示。这样一个二维数组的数据量通常很大，从而对存储、处理和传输都带来了许多问题，提出了许多新的要求。为此人们试图采用对图像新的表达方法以减少表示一幅图像需要的数据量，这就是图像编码所要解决的主要问题。压缩数据量的主要方法是消除冗余数据，从数学角度来讲是要将原始图像转化为从统计角度看尽可能不相关的数据集。这个转换要在图像进行存储、处理和传输之前进行，然后将压缩了的图像解压缩以重建原始图像，即通常所称的图像编码和图像解码。
图1给出了一个通用的图像编码系统模型，这个模型主要包括2个通过信道级连接的结构模块：编码器和解码器。当一幅输入图像送入编码器后，编码器根据输入数据进行信源编码产生一组信号，这组信号在进一步被信道编码器编码后进入信道。通过信道传输后的码被送入信道解码器和信源解码器，解码器重建输入的图像。一般来说，输出图是输入图的精确复制，那么系统是无失真的或者信息保持型的；否则，称系统是信息损失的。
信源编码器的作用是减少或消除输入图像中的编码冗余、像素间冗余及心理视觉冗余。尽管信源编码器的结构与具体应用和对保真度的要求有关，但一般情况下信源编码器包括顺序的3个独立操作，而对应的信源解码器包含反序的2个独立操作(图2)。在信源编码器中，映射器将输入数据变换以减少表达图像的数据，这与具体编码技术有关。量化器根据给定的保真度准则减少映射器输出的精确度。这个操作可以减少心理冗余，但不可翻转。符号编码器产生表达量化器输出的码本，并根据码本输出。符号编码器编码为了减少冗余，这个操作是可以反转的。
当信道是有噪声的或者容易产生误差时，信道编码器和信道解码器对这个编解码过程是非常重要的。由于信源编码器的输出数据一般只有很少的冗余，所以他们对传输噪声很敏感。信道编码器通过把可控制的冗余加入信源编码器后的码字以减少信道噪声的影响。
2 传统编码方法
传统的编码方法可以分成两大类，预测编码方法(对应空域方法)和变换编码方法(对应频域编码方法)。预测编码方法的优点是：算法一般较简单，易于用硬件实现；缺点是：压缩比不够大，承受误码的能力较差。由于它采用的最小均方误差准则不能反映人眼的视觉心理特性，近年来已较少单独采用，而是与其他方法混合使用。另外，由于DPCM编码系统会引起斜率过载、界线繁忙、颗粒噪声和轮廓噪声，在使用中应加以考虑。变换编码方法的优点是：压缩比高、承受误码能力强；缺点是：算法较复杂。
3 现代编码方法
31 第二代图像编码方法
第二代图像编码方法［2］是针对传统编码方法中没有考虑人眼对轮廓、边缘的特殊敏感性和方向感知特性而提出的。它认为传统的第一代编码技术以信息论和数字信号处理技术为理论基础，出发点是消除图像数据的统计冗余信息，包括信息熵冗余、空间冗余和时间冗余。其编码压缩图像数据的能力已接近极限，压缩比难以提高。第二代图像编码方法充分利用人眼视觉系统的生理和心理视觉冗余特性以及信源的各种性质以期获得高压缩比，这类方法一般要对图像进行预处理，将图像数据根据视觉敏感性进行分割。
按处理方法的不同，第二代图像编码方法可分为两种典型的编码技术［3］：一种是基于分裂合并的方法，先将图像分为纹理和边缘轮廓，然后各自采用不同的方法编码；另一种是基于各向异性滤波器的方法，先对图像进行方向性滤波，得到不同方向的图像信息，再根据人眼的方向敏感性对各个通道采用特定的方法单独编码。
32 分形图像编码
分形图像编码是在分形几何理论的基础上发展起来的一种编码方法。分形理论是欧氏几何相关理论的扩展，是研究不规则图形和混沌运动的一门新科学。它描述了自然界物体的自相似性，这种自相似性可以是确定的，也可以是统计意义上的。这一理论基础决定了它只有对具备明显自相似性或统计自相似性的图像，例如海岸线、云彩、大树等才有较高的编码效率。而一般图像不具有这一特性，因此编码效率与图像性质学特性有关，而且分形图像编码方法实质上是通过消除图像的几何冗余来压缩数据的，根本没有考虑人眼视觉特性的作用。
33 基于模型的图像编码
基于模型的图像编码技术［4］是近几年发展起来的一种很有前途的编码方法。它利用了计算机视觉和计算机图形学中的方法和理论，其基本出发点是在编、解码两端分别建立起相同的模型，针对输入的图像提取模型参数，或根据模型参数重建图像。模型编码方法的核心是建模和提取模型参数，其中模型的选取、描述和建立是决定模型编码质量的关键因素。为了对图像数据建模，一般要求对输入图像要有某些先验知识。
基于模型的图像编码方法是利用先验模型来抽取图像中的主要信息，并以模型参数的形式表示它们，因此可以获得很高的压缩比。然而在模型编码方法的研究中还存在很多问题，例如：①模型法需要先验知识，不适合一般的应用；②对不同的应用所建模型是不一样的；③在线框模型中控制点的个数不易确定，还未找到有效的方法能根据图像内容来选取；④由于利用模型法压缩后复原图像的大部分是用图形学的方法产生的，因此看起来不够自然；⑤传统的误差评估准则不适合用于对模型编码的评价。
34 神经网络图像编码
在图像编码的各种方法中，除信息保持型编码方法外，其余所有方法始终没有解决好如何充分利用人的视觉特性这个问题，神经网络图像编码［5］试图在此有所突破，现在直接用于图像压缩的神经网络主要有BP网络和自组织映射神经网络。采用BP网络实现数据压缩好比是强迫数据通过细腰型网络的瓶颈，并期望在网络的瓶颈处能获得较紧凑的数据表示。
图3给出了BP网络进行数据压缩的原理，这是一nmn型三层BP神经网络。输入层有n个神经元，通过BP训练算法，在网络的学习过程中调整网络的权重，使训练集图像的重建误差E=X-Z2均值达到最小(X为输入层样本集，Z为输出层样本集)，或者说，使重建图像在均方误差意义上尽可能地相似于原始图像。训练后的神经网络便可用来进行图像压缩，隐层神经元矢量Y为压缩结果。
自组织映射神经网络中的神经元可以自动地根据外部刺激的兴奋点来调整自己在由外界信号决定的参数空间中的位置。以一种双层神经网络为例：其中输入层神经元(x1，x2，x3，…xn)简单地反映着外部刺激，在输出层中，M个神经元排布成二维网络，其中每个神经元j接收两类输入：来自输入层神经元i的输入xi(权重为Wij)和来自输出层神经元的固定权重。对每一个外界输入矢量X=(x1，x2，x3…，xn)，只有一个同该输入的距离d1=f(X，Wj)，Wj=(W1j，W2j，W3j，…Wnj)为最小的神经元j才被激发。其中，距离函数f(X，Wj)反映了在某一准则(一般为平方误差准则)下，矢量X与Wj之间的距离。在网络的训练中我们只需要提供输入矢量X，通过调整从公共的外部输入到每个神经元j的连接权重Wj，权重矢量将逐渐指向输入矢量空间的聚类。从而实现了输入空间的维数压缩，完成了类似于矢量量化的功能。
35 小波图像编码
一维连续小波变换可看成原始信号和一组不同尺度的小波带通滤波器的滤波运算，从而可把信号分解到一系列频带上进行分析处理。将其离散化后即为离散小波变换。
小波变换图像编码压缩［6］的核心问题是要对子带图像进行小波分解系数的量化和编码。低频子带图像包含原图像的大部分能量，即包含图像的基本特性。它在图像重构算法中起主导作用，对重建图像的质量有很大影响，因此这部分信号应精确保留。
高频子图像的系数分布符合广义高斯分布，对其系数进行粗量化编码较为有效。这也完全符合人的视觉特性，根据对人眼视觉系统的研究可知，人眼视觉灵敏度具有明显的低通特性，而且对不同方向上的敏感度也不一样，尤其是对倾斜方向的刺激不太敏感，如人眼对对角线方向子图像系数误差敏感度较低，因此可对对角线方向子图像进行粗量化高压缩。
小波变换后的能量主要集中在低频系数分量，而其他高频系数分量大多为零值，这为高倍率压缩提供了可能。通过选择合适的具有平滑特性小波基，就可消除重建图像中出现的方块效应，减小量化噪声，获得较好的重建图像质量。
小波变换图像编码压缩方法可分为如下两大类：基于传统的图像编码方法和基于分形理论的小波变换图像编码方法。
基于传统的图像编码方法［7］包括：零树小波编码、基于塔式网络矢量量化的小波变换编码、基于LBG算法的小波变换编码、基于标量量化的小波变换编码等。
由于不同分辨率级子图像之间存在着相似性，因此，利用此相似性，可提高压缩比［8］。J.M.Shapiro采用零树自嵌套编码方法，对小波分解系数进行压缩，在PSNR=27.54dB的情况下，获得压缩比为128∶1。这是最著名的一种小波变换图像编码压缩方法。该方法的优点是：与传统的DCT编码相比，它既可以克服方块效应，又可以在低比特率下获得较好的图像主观质量。缺点是：由于它对各子带采用相同的门限量化，因此不能充分利用人眼的视觉特性，限制了图像压缩比的进一步提高。对此，A.Said等人提出了改进算法。
针对分形图像编码尚存在的缺点，如编码算法的耗时、自然图像不一定具有严格的分形结构而无法达到预期的高压缩比、高压缩倍率时的方块效应等，有人提出了基于小波变换的分形编码［9］。它具有以下特点：①采用平滑小波可去除传统分形变换中存在的方块效应；②小波表示使图像的四叉树分割十分自然；③可将零树算法看成是该算法的一个特例。图像经过金字塔形离散小波变换后的系数在小波域内可组成分层树状数据结构小波树。这些跨越不同分辨率的小波树之间存在一定的相似性，可通过分形变换来描述。基于小波变换的分形压缩过程就是一个由分层树状结构的顶部开始一层层地向下预测其余系统的过程，而这个由上至下、由粗至细的预测过程是通过分形编码来实现的。
基于小波变换的图像编码压缩的特点是［10］：压缩比高、压缩速度快，压缩后能保持信号与图像的特征不变，且在传递过程中就可以抗干扰。从现在的研究结果可看到，该方法已获得了较好的编码效果，是现代图像压缩技术研究的热点之一，也是十分有前途的一种方法。
4 结束语
本研究介绍了图像编码的基本原理，传统的图像编码方法和几种比较新的编码方法。第二代图像编码将视觉特性引入到图像编码技术，分形图像编码是以分形几何理论为基础，基于模型的图像编码是利用了计算机视觉和计算机图形学中的理论，而小波变换图像编码则引入了小波分析理论。尽管它们理论基础不同，但它们均在不同情况下不同程度地提高了编码质量。相比之下，小波变换图像编码是一种性能更佳的图像编码方法，仅从去除冗余信息的角度而言，它的性能就远远优于其他几种编码方法。另外，将小波变换与其他的新型编码方法结合，也是小波图像编码方法的重要研究方向。
参考文献
1 万建伟，黄埔堪，周良柱，梁甸农图像编码技术的发展系统工程与电子技术，1996，5：31~38
2 张雪松，倪国强，周立伟，金伟其图像编码技术发展综述光学技术，1997，3:37~41
3 曹宁，吴琰，冯晔模型基方法在图像编码中的应用与改进河海大学学报，1997，25(6):97~102
4 陈红丽几种新型的图像编码技术淮北煤师院学报，2001，22(2):28~30
5 吴谨图像编码与小波变换图像编码武汉科技大学学报(自然科学版)，2000，23(3):289~292
6 陈雷霆，吉家成，傅志中，梁福成小波图像编码与JPEG图像编码的比较研究计算机应用，2000，20(增刊):273~277
7 唐良瑞小波图像编码技术的研究北方工业大学学报，2001，13(3):9~13
神经网络量化综述范文5
关键词：企业并购；价值评估；现金流量折现法；神经网络；ENN
中图分类号：F275 文献标识码：A 文章编号：1009-2374（2011）31-0026-03
一、概述
并购（Mergers&Acquisitions，简称为M&A），作为企业快速扩张和社会资源配置的重要手段之一，无论是对企业的发展壮大，还是对于推动社会经济的进步，都发挥着重要作用。
一百多年来，西方经济经历了五次大规模并购浪潮，每次并购浪潮都对西方经济社会产生了重要影响。从最近一次的并购浪潮来看，并购的数量之多、金额之大，都是前所未见的。与此同时，还表现出了新趋势：即强强联合式的战略并购成为并购的新趋势。中国的并购活动起步较晚，规模不大，在全球并购中所占份额较小，但近年来，伴随着市场经济的迅速发展，并购活动的增长很快，无论是并购规模还是影响上，都足以引起人们注意。由于企业并购存在着大量风险，因此在并购活动中，对企业价值的评估，是选择目标并购企业、进行并购决策及谈判议价的基础，关系着并购的成败，是并购活动的核心。对于中国企业来说，因并购发展历史短及经验不足所限，企业估值方面还有所欠缺。因此，研究最新的国际通用的并购中企业估值的方法，具有极强的现实意义。
二、企业估值的主要内容及方法
对于企业估值方法，针对具体情况，有现金流量贴现法（DCF）、相对估价法和期权定价模型三种方法供选择。其中，现金流量贴现法理论基础简单，应用也最广泛，关注企业现金流，实用价值较大，为此本文主要采用DCF方法来进行估值。
对于每个变量的权重如何设定是一个比较复杂问题，用传统的神经网络训练算法往往容易陷入局部最优解，很难获得满意的结构，同时该问题又是一个组合优化问题，所以我们采用遗传算法来求解。图1中给出了改进神经网络的结构。
（一）ENN的结构
图 1 改进神经网络的结构
如图1所示，ENN的输入和输出分别表示估价因素和企业的估值。ENN的主要层次操作主要有以下五个方面：
层次L1是输入及转化层，在这一层中主要进行数据标准化的操作，在数据输入神经网络之前，所有样本的自变量与因变量数据都要标准化成1～5之间的5个等级。一般来说，数据的标准化有两种方法，一种是把数据在等距离区间内标准化，一种是保证在各个等级中样本的数量一致。 为了保证在各个等级内的预测稳定性，我们选择后者，具体变量标准化函数如下：
（1）
（2）
表示属于区间之内的样本的数量。需要说明的是，对于企业在产业链中分类变量，我们把它进一步细分到每一类，属于该类别的取值为1，不属于该类别的取值为0。
层次L2是转变层，这一层中只有一个神经结构，表示利润预测的输出，对于任意样本j，预测利润的输出用表达式（3）定义：
（3）
其中，表示评估因素i的权重，k，a为常数。
这一层次中的联系权重将用GA法得到。我们将在后面对GA法详细介绍。偏差评估的具体的公式如下：
（4）
其中为训练样本j实际输出，为训练样本j预测输出，
层次L3是输出层，在这一层中，我们会计算具体公司的价值，同样该值也要量化到1～5的范围内。在这一层中我们主要采用DCF方法对企业价值进行评估。DCF理论，就是将企业未来产生的净现金流或经济利润折现成现值以估算企业的价值。DCF现金流量模型的一般公式是：
（5）
式中：PV――企业的价值（现值）；
Ct――第t年的净利润；
r――企业要求的折现率；
F――企业最后出售或清算的价值。
通过上式可以看出，使用DCF法的关键确定企业未来存续期各年度的净利润，以及要找到一个合理的折现率。后者可以根据决策者自身的具体情况来设定，而前者需要进行预测。事实上DCF应用效果主要取决于对未来一定时间内Ct的预测，因此本文把神经网络与DCF集成在一起来评估企业的价值。
（二）试验和讨论
为了深入讨论企业价值评估模型，文中用一家环保企业奥图泰公司的具体实例予以说明，并应用中国上市企业的公开数据验证了该企业价值评估模型的优越性。
用中国上市环保企业的真实数据评估所推荐的系统，这些数据包含了上、中、下游等所有的中国上市环保企业。大部分的数据来自与他们的年报。因此，进行几个试验试验所推荐系统的有效性。这些试验的主要目的如下评价：
ENN与常用的回归方法相比效果如何。我们模型解释变量大都由分类数据构成，线性回归模型并不合适。因此我们选用适合处理分类数据的有序回归模型来对比。有序回归分析进一步可以分成两类：对样本做主成份分析的有序回归（Ordinal Regression Model，EORM），和传统的有序回归（ORM）。
ENN与神经网络相比性能如何。RBF（Radial Basis Function）神经网络是一种具有最佳逼近性能和全局最优的特性，因此我们选用RBF来对比，同样选择两种RBF，对样本做主成份分析的RBF（ERBF），和传统的RBF（RBF）。
所推荐的ENN和NN，CNN是在窗口环境下VB编程语言中运行。EORM、ORM、ERBF和RBF在SPSS软件中运行。ENN、FNN和WM的设置是：在ENN、NN和CNN中，初始的联系权重在-0.2～0.3范围内，GA的交叉可能性设为0.9，GA的突变可能性设为0.3，GA的总体数量设为2同时在ENN中，对于相似训练样本的权重赋值为2，不相似的赋值为1，所有的GA都运行10000代，在神经网络中激励函数中k=5，a=1。所有模型中，DCF的r选用银行的基准利率来代替，在本文中取5%。
本文还作如下处理：
1．选取1998年到2006年的数据作为训练样本，针对各个公司做2007年预测
2．依据企业在产业链中的位置不同，依次分成，上、中和下游三类，对于每一类企业，分别如测试1那样，依次做短期（一年）预测。
t年估值偏差如下：
（7）
其中为测试样本根据上式获得的t年的实际估值，为用预测方法获得测试的t年的预测估值。I为测试样本的总量。
表1中给出了10次运行的平均结果。
通过上表和图，我们可以看出来，无论是在混合测试中，还是在企业分类的测试中，我们的ENN都表现出卓越的性能，净利润偏差与估值偏差都是最小的，说明ENN是适合对估值做决策。
三、结语
本文以奥图泰公司为具体实例出发，讨论了在并购中占核心地位的企业价值评估方法，理论与具体操作相结合，深入浅出，对实践有较强的实用价值。
企业价值评估主要介绍了三种方法：应用最普遍的现金流量折现法、要求市场具有完备性的相对估价法和适用于高新技术产业的期权估价法。
奥图泰公司鉴于良好的外部环境及自身发展的需要，想要通过并购的方式实现企业扩张。于是我们在奥图泰所在的环保产业内应用企业价值评估方法，寻找其并购的目标公司，评价目标公司价值，为并购决策提供数据支撑。其中，用中国上市环保企业的数据验证了ENN的性能比传统的神经网络优越。
参考文献
[1] Li，S.G.，Shi，L.，Wang，L.．The agile improvement of MMORPGs based on the enhanced chaotic neural network Source: Knowledge-Based Systems，v 24，n 5，July 2011．
[2] 祁亨年．支持向量机及其应用研究综述[J]．计算机工程，2004，30（10）．
神经网络量化综述范文6
[关键词]CPFR协同预测ARIMA神经网络
PFR是协同计划、预测与补货(Collaborative Planning Forecasting and Replenishment)的英文简称，是针对零售业的一个供应链管理解决方案，致力于提高企业内部管理和外部协作的效率。
CPFR是供应链管理中一个热门的研究问题。如何利用协同合作所获得的实时信息来进行预测，减少不确定性因素的影响，提高预测的准确性，以尽可能降低库存成本，是企业目前以至未来所追求的目标。CPFR强调零售商与供应商共同合作建立一个供应链的预测方式，协同预测是CPFR中极为重要的一部分，它又分为销售预测与订单预测。销售预测着重在市场需求部分的预测；订单预测则是依据销售数据、库存状况和生产因素来做实际订单预测。
一、CPFR的研究现状
国内对于CPFR的研究较之国外要少，起步相对晚。文献[1]认为，CPFR是一种想要扩张的供应链，使之成为需求导向(Demand-Driven)的理念。CPFR为一连串的企业流程所组成，而一连串的流程是由供应链中互相合作的交易伙伴共同拟定的企业目标及方法、共同发展联合销售及作业性规划与电子化的整合，以及更新销售预测及补货计划。CPFR也是供应链合作的应用实务，使合作伙伴运用互联网分享预测结果的信息，借此减少供应链的库存成本，并增加商品的可利用率。CPFR主要强调的是零售商与供应商共同合作建立一个供应链的预测方式，并分享信息与分担风险。文献[2]对CPFR的定义为正式规范两个企业伙伴间的处理流程，双方需先同意接受协同合作计划和预测，监控全程直至补货之间的运作是否成功，然后确认异常状况，最后采取可行方案加以解决。
文献[3]认为，CPFR系统是一个以网络为基础标准，利用联合预测，以提升卖方管理库存及持续再补货效果的网络信息系统。借由CPFR，不同供应链成员利用电子方式交换一系列的意见及支持信息，包括过去销售趋势、排定的促销活动和预测等资料。文献[4]认为，CPFR可降低供应链的成本、迅速且实时面对市场变化，并可以提升伙伴间的合作发展。就整体而言，可从三方面探讨CPFR所带来的效益：在存货方面，由于CPFR提高了产品销售的精准度，因此可降低存货；在生产效率方面，由于进行CPFR规划时，必须先了解市场对产品的喜好程度与产品生命周期，因此能提高生产的效率，以最准确的数量响应市场；在收益方面，透过信息共享而发展出的联合计划，对销售与订单量的预测将比传统的预测方式更贴近市场需求，因此既可以减少无谓的浪费，又能生产出顾客需要的产品，带来收益的提升。
二、ARIMA与神经网络预测模型研究现状
也有学者分别运用ARIMA模型和神经网络进行需求预测。文献[5]研究了两级供应链中ARIMA(0, 1, 1)需求模型下信息共享的价值，并对其结果进行评价；文献[6]介绍了ARMA模型的基本原理，并且分析了ARMA模型在市场需求预测中的不足，进行了改进；文献[7]为对不确定的市场需求进行预测，运用SAS系统中的时间序列预测系统，整合自回归移动平均模型(ARIMA)，对产品销售的时间序列数据进行了预测；文献[8]从ARIMA(0, 1, q)需求模式下一个供应商和一个零售商组成的两节点两阶段供应链系统出发，详细推导了牛鞭效应的量化过程，并在此基础上分析了参数q和提前期对牛鞭效应的影响。文献[9]对多层感知型神经网络进行了研究，并用进化策略法对其改进，将其用于区域物流的需求预测，取得了一定的成果；文献[10]运用遗传算法对供应链上的需求进行了预测，得出了该方法在很大程度上提高了预测的精度。
三、结束语
通过对以上文献的综述分析，CPFR条件下的协同预测仍存在着一下特点：
(1) 信息在供应链管理和CPFR的重要性，当今信息技术飞速发展，信息共享有了很好的平台，利用历史信息进行需求预测不可或缺。
(2) 在供应链需求预测领域，预测多是在企业内部进行，而管理的目标是双赢，协同预测已成为CPFR的关键环节。
(3) 供应链的需求多呈现不确定性，各个模型有其自身的适用条件，这就需要根据具体情况选择多种适合的互补模型进行预测。
参考文献:
[1]吴志忠.建构一个具有CPFR流程特性之企业间商务电子交易市集平台的模式[D]．国立政治大学，2000.
2]联合通商和EAN TAIWAN.CPFR中文版指南[M]．译自VICS协会(2002)CPFR英文版指南，2002.
[3]但斌，张旭梅.基于CPFR的供应链合作关系[J]．工业工程与管理，2000，6 (1)：28-30.
[4]廖嘉伟.前导性协同预测架构与实施系统之研究[D]．东海大学工业工程与经营资讯研究所硕士论文，2003.
[5]张钦，达庆利，沈厚才.在ARIMA(0, 1, 1)需求下的牛鞭效应与信息共享的评价[J]，中国管理科学，2001，12(9)：0001-0006.
[6]郭大宁，王磊，陈成.利用改进的ARMA模型来预测供应链中的需求[J]．物流科技，2004，09：0060-03.
[7]李勇，吴宝亮，但斌.基于乘积ARIMA模型的产品不确定性需求预测[J]．系统工程与电子技术，2005，01：0060-03.
[8] 朱顺泉.ARIMA模型下的牛鞭效应与信息共享价值研究[J]．统计与信息论坛，2006，06：0031-06.
