改进BP神经网络的自适应预测算法

doi:10.3778/j.issn.1002-8331.2010.17.007

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (17): 23-26.DOI: 10.3778/j.issn.1002-8331.2010.17.007

改进BP神经网络的自适应预测算法

王燕妮^1，2，樊养余¹

1.西北工业大学电子信息学院，西安 710072
2.西安建筑科技大学信息与控制工程学院，西安 710055

收稿日期:2010-03-10 修回日期:2010-05-04 出版日期:2010-06-11 发布日期:2010-06-11
通讯作者: 王燕妮

Adaptive predictive algorithm based on improved BP neural network

WANG Yan-ni^1，2，FAN Yang-yu¹

1.School of Electronic and Information，Northwestern Polytechnical University，Xi’an 710072，China
2.School of Information and Control Engineering，Xi’an University of Architecture & Technology，Xi’an 710055，China

Received:2010-03-10 Revised:2010-05-04 Online:2010-06-11 Published:2010-06-11
Contact: WANG Yan-ni

摘要/Abstract

摘要： 针对视频编码中的耗时和图像不精确问题，提出改进BP神经网络的自适应预测算法。以区域生长、边缘检测和BP神经网络相结合，首先对图像进行对象分割，采用优化的传输结构，自适应调整学习率；然后在分割的基础上，进行自适应预测搜索编码。判断所选择块内是否有边界，若没有，不做运动估计，直接将当前块运动矢量置为零；若有，则进行自适应预测估计。根据不同的宏块特点，自适应地采取相应的搜索模式，减少搜索时间。实验结果表明，该算法与经典搜索算法相比，可取得良好的编码效果。

关键词: 视频编码, 区域生长, 边缘检测, BP神经网络, 自适应

Abstract: Owing to the problem of wasting time and illegibility of images in video coding，an adaptive predictive search algorithm based on improved BP neural network is proposed.This method is combined with region growing，edge detection and BP neural network，using optimized transmission structure to segment video object，adjusting the learning rate adaptively.Then whether the chosen block has boundary is judged.If it hasn’t，the chosen block is not carried out searching and is given the zero vector.If it has boundary，adaptive prediction estimates are carried out.Depending on the characteristics of the block，the appropriate searching mode is taken adaptively，and the search time is reduced.The new algorithm reduces the computational complexity of the video compression algorithm and improves the accuracy of rebuild images.

Key words: video coding, region growing, edge detection, BP neural network, adaptive

中图分类号:

TP391

王燕妮^1，2，樊养余¹. 改进BP神经网络的自适应预测算法[J]. 计算机工程与应用, 2010, 46(17): 23-26.

WANG Yan-ni^1，2，FAN Yang-yu¹. Adaptive predictive algorithm based on improved BP neural network[J]. Computer Engineering and Applications, 2010, 46(17): 23-26.

[1]	马珺，王昱皓. 结合自适应更新策略和再检测技术的跟踪算法[J]. 计算机工程与应用, 2021, 57(9): 217-224.
[2]	张松灿，普杰信，司彦娜，孙力帆. 基于种群相似度的自适应改进蚁群算法及应用[J]. 计算机工程与应用, 2021, 57(8): 70-77.
[3]	邹杰，李俊. 多策略协方差矩阵学习差分进化算法[J]. 计算机工程与应用, 2021, 57(7): 78-87.
[4]	赵林锁，马瑞强，姜天，宋宝燕，潘一山. 两级回归的流式大数据事件自适应预警方法[J]. 计算机工程与应用, 2021, 57(7): 88-94.
[5]	卜冠南，刘建华，姜磊，张冬阳. 一种自适应分组的蚁群算法[J]. 计算机工程与应用, 2021, 57(6): 67-73.
[6]	倪宗军，陈辉，张昀，苏敏，郑秀娟. 自适应去噪的非接触式生理参数检测方法[J]. 计算机工程与应用, 2021, 57(5): 153-160.
[7]	陈世明，林子朋，高彦丽，裴惠琴. 自适应耦合权重下的异质群体一致性研究[J]. 计算机工程与应用, 2021, 57(4): 231-235.
[8]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[9]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[10]	郑建锋，王应明. 基于DEA-BP神经网络的效率置信区间预测模型研究[J]. 计算机工程与应用, 2021, 57(3): 273-278.
[11]	马庆禄，唐小垚. 融合时域和分水岭信息的车辆检测算法[J]. 计算机工程与应用, 2021, 57(24): 227-233.
[12]	李雅，侯彦东，刘畅. 基于故障程度的自适应优化容错控制[J]. 计算机工程与应用, 2021, 57(23): 295-302.
[13]	黄晶晶，王建宏. 分数阶非因果BP神经网络模型[J]. 计算机工程与应用, 2021, 57(23): 91-97.
[14]	肖振久，孔祥旭，宗佳旭，杨玥莹. 自适应聚焦损失的图像目标检测算法[J]. 计算机工程与应用, 2021, 57(23): 185-192.
[15]	张忠林，赵昱，闫光辉. 自然邻居密度极值聚类算法[J]. 计算机工程与应用, 2021, 57(23): 200-210.

改进BP神经网络的自适应预测算法

Adaptive predictive algorithm based on improved BP neural network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics