高维自组织映射算法及其立体视频编码新方法研究

In this project, we will explore a new self-organizing neural network(high-dimensional SOM) algorithm. Main innovations are as follows.(1) We will present a new high-dimensional SOM network framework, i.e. extend input layer from one dimension to two (or higher) dimensions and map layer from two dimensions to three (or higher) dimensions. This will enlarge signal space of input layer and map layer, and upgrade processing ability of high-dimensional signal.(2) We will explore map algorithm, neighborhood algorithm, learning algorithm, competition algorithm and initialization algorithm in the high-dimensional SOM.(3) We will explore new method of stereo video coding based on high-dimensional SOM algorithm, and upbuild 3D video coding platform,test condition and evaluation method. (4)This project has some innovations in theory and engineering application.It will breach performance bottleneck of traditional SOM algorithm and tranditional stereo video coding schemes, solve the problems in processing speed, storage space, fault tolerance and realtime, and provide some theory support for high-dimensional signal processing and advanced schemes for new stereo video applicatins as mobile 3D video service.

本项目探索一种新的自组织神经网络(高维SOM)算法。不同于传统自组织神经网络(SOM)，新算法具有如下创新之处。(1)设计新的高维SOM网络结构，将传统SOM的输入层从一维拓展到二维(或更高维)，映射层从二维拓展到三维(或更高维)，扩展了输入层和映射层的信号空间，提升了信号处理能力。(2)探索高维SOM的映射算法、邻域算法、学习算法、竞争算法和初始化算法。(3)将高维SOM算法用于立体视频压缩,探索立体视频表示与编码新方法，搭建原型验证平台，建立测试环境与评价方法，取得原创科技成果。(4)本项目可使得人工神经网络、优化运筹学、信号处理和视频压缩等领域的理论研究与实际应用相结合，具有理论创新性和前瞻性，有望突破传统SOM算法的限制和传统立体视频编码的性能瓶颈，解决高维信号处理存在的处理速度、存储空间、容错性和实时性等问题，为高维信号处理提供一定的理论支持，为移动3D视频等应用提供先进技术方案

神经网络是人工智能研究的重要组成部分，是脑科学、神经科学、认知科学、心理学、计算机科学和数学等共同关注的焦点。自组织神经网络（SOM）是一种非常有效的聚类方法，它揭示了人脑的映射和学习机理，已成为当今信号处理领域最热门的研究方向。目前传统SOM算法用于高维信号处理遇到了信号非线性映射、信号空间相关性利用、处理速度、存储空间和实时性等诸多挑战。为此，本项目研究探索新的高维SOM算法及其立体图像视频编码新方法，设计新的高维SOM网络结构，研究高维SOM的映射机理、非线性映射方法和高维信号稀疏性表示方法，研究高维SOM的邻域机理、邻域空间与邻域函数，研究高维SOM的学习机理、学习规则与学习函数，研究高维SOM的竞争机理、竞争规则与竞争函数，研究高维SOM的初始化算法，研究基于高维SOM的立体图像视频表示与映射新方法，研究基于高维SOM的高维信号模式识别算法，研究基于高维SOM算法和模式识别的视差信号预测、运动预测、对象预测和背景预测新方法，研究基于高维SOM算法的立体图像视频编码的新方法。在理论研究和应用研究取得一些主要研究结果。在高维SOM算法研究方面，设计了新的高维SOM网络结构，提出了基于分类模式识别的高维信号映射和高维信号稀疏性表示新方法，提出了基于频率敏感的竞争学习新算法，提出了邻域空间划分与高维信号相关性利用的新方法，提出了基于方差/均值/相关值分类的初始化新算法，设计了立体图像视频编码最优化的邻域函数、学习函数和竞争函数。在立体图像视频编码应用研究方面，提出了基于图像模式识别的视差信号预测、运动预测、对象预测和背景预测新方法，提出了基于高维SOM算法的立体图像编码新方法，提出了基于高维SOM算法的立体视频质量可分级编码的新方法，提出了基于高维SOM算法的立体视频视差编码的新方法。本项目所提出的高维SOM算法与传统SOM算法和基于高维SOM算法和模式识别的立体视频编码方法具有一定的新颖性，对自组织神经网络和高维信号处理的研究具有一定理论参考价值，对图像模式识别和图像视频编码的研究，特别是移动3D视频，具有一定的应用价值。