吉林大学学报(信息科学版) ›› 2016, Vol. 34 ›› Issue (1): 147-151.

• 论文 • 上一篇    下一篇

改进型粒子群优化算法的BP 神经网络全息图压缩

王刚刚, 廖庆, 徐玉蕊, 刘乐, 侯阿临   

  1. 长春工业大学计算机科学与工程学院, 长春130012
  • 收稿日期:2014-12-01 出版日期:2016-01-25 发布日期:2016-05-10
  • 作者简介:王刚刚(1989—), 男, 山西临汾人, 长春工业大学硕士研究生, 主要从事图像处理研究,(Tel)86-15143176728(E-mail) wgg767078468@ sina. cn; 侯阿临(1972—), 女, 湖南临澧人, 长春工业大学教授, 硕士生导师, 主要从事图像处理与机 器视觉研究, (Tel)86-13689825615(E-mail)alinhou@163. com。
  • 基金资助:

    国家留学基金资助项目(201308220163); 国家自然科学基金资助项目(61303132)

Hologram Compression Using BP Neural Network by Modified Particle Swarm Optimization

WANG Ganggang, LIAO Qing, XU Yurui, LIU Le, HOU Alin   

  1. College of Computer Science and Engineering, Changchun University of Technology, Changchun 130012, China
  • Received:2014-12-01 Online:2016-01-25 Published:2016-05-10

摘要:

针对拥有庞大数据量的全息图再现像质量不理想的问题, 提出一种针对粒子群优化算法(PSO: Particle Swarm Optimization)中学习因子和惯性权值进行动态调整的方法, 将改进后的算法与反向传播(BP: Back Propagation)神经网络相融合形成改进型粒子群优化BP 神经网络(MPSO-BP: Modified Particle Swarm Optimizing
BP Neural Network)并用于全息图压缩。通过与BP 神经网络和粒子群优化BP 神经网络(PSO-BP: Particle Swarm Optimizing BP Neural Network)压缩算法进行对比, 证明了该网络压缩算法在保持较好的压缩效率时得到的全息图再现像质量更好。

关键词: 全息图, 粒子群优化算法, MPSO-BP 网络

Abstract:

To solve the problem that hologram contains a large amount of data and performance of reproduced hologram is not ideal. A method is proposed to adjust dynamically learning factor and inertia weight for the PSO (Particle Swarm Optimization). The MPSO-BP(Modified Particle Swarm Optimizing BP Neural Network) is constructed combining the modified algorithm with BP(Back Propagation) neural network. Comparing with the BP neural network compression and PSO-BP(Particle Swarm Optimizing BP Neural Network) compression, the network has the advantages of better performance of reproducing hologram while maintaining a good compression efficiency.

Key words: particle swarm optimization ( PSO) algorithm, modified particle swarm optimizing(MPSO-BP) neural network, hologram

中图分类号: 

  • TP391