Optimal Structure of Pipelined Recurrent Neural Network in Modeling of MPEG Video
محل انتشار: دومین کنفرانس ماشین بینایی و پردازش تصویر
سال انتشار: 1381
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 1,300
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICMVIP02_013
تاریخ نمایه سازی: 20 مهر 1390
چکیده مقاله:
This paper investigates optimal structure of Piplined Recurrent Neural Network (PRNN) for adaptive traffic prediction of MPEG video signal via dynamic ATM networks. The traffic signal of each picture type (I, P, and B) of MPEG video is characterized by a nonlinear autoregressive moving average (NARMA) process. Since those modules of PRNN can be performed simultaneously in a pipelined parallelism fashion, this would lead to a significant improvement in the total computational efficiency of PRNN. In order to further improve the convergence performance of the adaptive algorithm for PRNN, a learning-rate annealing schedule is proposed to accelerate the adaptive learning process. The measure that is used for optimum structure of PRNN i.e. number of neurons in each module, number of modules is the one-step forward prediction gain. Results are shown to be promising and practically feasible in obtaining the best structure for a adaptive predictor of Noise.
کلیدواژه ها:
نویسندگان
J. Ahmadi Shokouh
Department of Electronic, University of Sistan and Baluchistan
H. Keshavarz
Department of Electronic University of Sistan and Baluchistan
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :