支持向量机与神经网络在图像压缩中的应用

“人工智能-基于神经网络与SVM的图像压缩（编码）理论和方法.pdf” 在人工智能领域，图像压缩是一个重要的研究方向，特别是在大数据和云计算时代，高效、高质量的图像压缩技术对于数据存储和传输至关重要。这篇由青岛大学硕士研究生高绪慧撰写的学位论文，以“基于神经网络与SVM的图像压缩（编码）理论和方法”为主题，探讨了一种创新的图像压缩技术。高绪慧在导师杨国为教授的指导下，将支持向量机（SVM）这一机器学习算法首次应用于数据压缩领域。 支持向量机（SVM）是一种基于统计学习理论的分类和回归方法，最初由V. Vapnik在AT&T Bell实验室提出。SVM以其优秀的分类和拟合性能而闻名，它通过构造最大间隔超平面来实现对数据的划分，尤其在小样本、非线性及高维模式识别中表现出优势。 论文中，作者结合虚拟信源建模的思想，利用反向传播（BP）神经网络和SVM对图像数据进行两次建模，提出了一个新型的图像编码方案。BP神经网络常用于复杂函数的近似和模式识别，而SVM则可以提供更好的泛化能力和鲁棒性。通过这两者的结合，能够在保持图像基本特征的同时，实现较高的数据压缩比。 论文还构建了一个基于SVM的图像压缩实验系统，详细阐述了系统的构成模块及其功能，并通过实际的图像压缩实例验证了该系统的性能。实验结果显示，在对图像保真度要求不那么高的场景下，该系统能有效地实现高比例的图像压缩，为图像处理和传输提供了新的可能。 关键词包括虚拟信源、神经网络、图像压缩和支持向量机，这表明论文的主要研究内容涵盖了这些关键技术。这项研究不仅在理论层面丰富了神经网络和SVM在图像压缩中的应用，也为实际的图像处理系统设计提供了理论基础和技术参考。