Abstract
本論文提出了一個運動補償影像編碼(motion-compensated image coding) 新技術及其類神經網路(artificial neural network) 之架構。首先，在沒有小位移的假設下，我們提出了一個新的運動補償影像編碼架構以降低全面搜尋演算法(full search algorithm) 的計算複雜度。此架構具有如下的優點：(1) 每一區塊(block) 先經由所謂的“特徵映射”(characteristic mapping)萃取重要的特徵量(feature) 之後再做比對，所以減少了比對兩區塊所需的資料量同時降低了比對的時間。(2) 就重建影像與原影像之間的誤差而言，實驗結果顯示此一方法優於那些階段式搜尋演算法(hierarchical search algorithm) ，此一性質將降低傳送誤差畫面所需的位元率(bit rate)。(3) 適合大位移的連續畫面。其次，因為MAXNET是最常見的競爭型(competitive) 類神經網路，我們指出並證明了MAXNET在兩個情形下無法選出最大值而且收斂速度緩慢的問題。為了克服這些問題，我們提出了一個新的類神經網路模型叫“SELECTRON” ，經由處理單元(proc-essing unit)間的互相競爭，此架構能從一組資料中選出所有的最大值或最小值。此外，尚有如下的三個具體結果：(1) 我們證明了在任何的情形下SELECTRON 都會收斂到正確的答案。(2) 推導了SELECTRON 在三種特殊資料分佈(data distribution) 下的收斂速度 (convergence rate) 。(3) 附加一級簡單網路以計算樣型(pattern) 間的差異程度，此架構能平行處理所提出的運動補償影像編碼新架構。同時，我們提出了SELECTRON 的一般化模型，基於先粗糙後精細的競爭型學習法則(coarse-fine competitive learning algorithm)，此模型能夠快速且正確的選出一個樣型中前ｋ個較大值或後ｋ個較小值。