| http://dbpedia.org/ontology/abstract
|
Die Vektorquantisierung ist ein Verfahren … Die Vektorquantisierung ist ein Verfahren zur Kompression oder Identifikation von Datensätzen. Die Datensätze werden in Merkmalsvektoren zusammengefasst. Das Prinzip des Verfahrens besteht darin, diesen Merkmalsvektoren denjenigen Vektor aus einer Tabelle zuzuordnen, der dem betrachteten Merkmalsvektor am ähnlichsten ist. Statt alle Daten des Merkmalsvektors zu speichern, wird nur der Index dieses ähnlichsten Vektors benötigt (siehe auch Datenbankindex). Die Vektorquantisierung besteht aus zwei Schritten. Im ersten Schritt, dem Training, muss die Tabelle (Codebuch) mit häufig vorkommenden Merkmalsvektoren erstellt werden. Im zweiten Schritt wird für weitere Vektoren jeweils der Codebuchvektor mit dem geringsten Abstand bestimmt. Zur Datenübertragung wird nur der Index des Codebuchvektors benötigt, der auch ein Vektor sein kann, wenn das Codebuch mehrdimensional ist. Der korrespondierende Dekodierer muss über das gleiche Codebuch verfügen und kann dann aus dem Index eine Approximation des ursprünglichen Vektors erzeugen. Eine weitere Anwendungsmöglichkeit besteht in der Zuordnung von Datensätzen zu bestimmten Mustern analog der Spracherkennung. In diesem Fall wird der Abstand zwischen dem Merkmalsvektor und dem Codebuchvektor benutzt, um zu entscheiden, ob der betrachtete Datensatz einem Muster entspricht.achtete Datensatz einem Muster entspricht.
, ベクトル量子化（ベクトルりょうしか、英: Vector Quantization, VQ）は連続空間に存在するベクトルを有限個の代表ベクトルへ離散化する操作である。すなわちベクトルを対象とした量子化である。
, 向量量化（英語：Vector quantization）是一個在訊號處理中的一個量化 … 向量量化（英語：Vector quantization）是一個在訊號處理中的一個量化法，其為藉由樣本向量(prototype vector)的訓練來估算密度機率函數，並藉由此密度函數推估最有效的量化方案。此技術原用於資料壓縮，透過分割大數量的資料點(函數)，讓每個小群集都有相同的資料點，而這些小群集的所有資料就由其正中央的點作為代表，這點與k-平均演算法以及其他群集分析的特性相當。向量量化所使用的密度分佈法的優勢在於，此種壓縮法對於高機率出現(密集)的資料誤差小，而對低機率(稀疏)的資料誤差大，故特別適用於大量且高維度的向量破壞性資料壓縮。向量量化是競逐式學習的一種技巧，故與深度學習的自編碼器其中使用的自組織對應以及稀疏神經編碼有關係。式學習的一種技巧，故與深度學習的自編碼器其中使用的自組織對應以及稀疏神經編碼有關係。
, هي تقنية تكميم كلاسيكية لمعالجة الإشارة تت … هي تقنية تكميم كلاسيكية لمعالجة الإشارة تتيح نمذجة اقترانات كثافة الاحتمال من خلال توزيع متجهات النموذج الأول. استخدمت هذه التقنية في الأصل في عملية ضغط البيانات. وتعمل بتقسيم مجموعة كبيرة من النقاط (متجهات إحداثية) إلى مجموعات لها نفس العدد من النقاط تقريباً. تُمثّل كل مجموعة بنقطتها المركزية كما في الخوارزميات التصنيفية وبعض خوارزميات الأخرى.خوارزميات التصنيفية وبعض خوارزميات الأخرى.
, Vector Quantization (Cuantificación Vector … Vector Quantization (Cuantificación Vectorial) es una técnica por la cual el espacio de entradas es dividido en un número determinado de regiones y para cada una de ellas es definido un vector que la caracteriza. Un espacio continuo tiene que ser discretizado. La entrada al sistema son vectores n-dimensionales y la salida es una representación discreta del espacio de entradas. El método Vector Quantization (LVQ) fue originalmente desarrollado por Linde (1980) y Gray (1984). Y como una herramienta para compresión de datos por Gersho y Gray,1992. Es una técnica usada para reducir la dimensionalidad de datos. Los datos originales es un conjunto de vectores de dimensión n. Los vectores son mapeados en un conjunto más pequeño de valores codebook, estos valores son usados para almacenaje o transmisión (Se pierde alguna información contenida). Los valores codebook son re-trasladados a valores cercanos de los datos originales (no serán exactos). LVQ es un método para el entrenamiento de capas competitivas de una manera supervisada. Una capa competitiva automáticamente aprenderá a clasificar automáticamente vectores de entrada. Sin embargo, las clases que la capa competitiva encuentra dependen únicamente de los vectores de entrada. Si dos vectores de entrada son muy similares, la capa competitiva probablemente los colocara en la misma clase. No existe mecanismo en el diseño de una capa competitiva para dictar si cualquiera de los vectores de entrada están la misma clase o no. Las redes LVQ aprenden a clasificar vectores de entrada en clases seleccionadas por el usuario. Kohonen, diseñó versiones supervisadas de este método, Learning Vector Quantization (LVQ), para problemas de clasificación adaptiva de patrones. La información de clases se utiliza para afinar los vectores de representación: Mejora en la clasificación de regiones.n: Mejora en la clasificación de regiones.
, La quantification vectorielle est une tech … La quantification vectorielle est une technique de quantification souvent utilisée dans la compression de données avec pertes de données (Lossy Data Compression) pour laquelle l'idée de base est de coder ou de remplacer par une clé des valeurs d'un espace vectoriel multidimensionnel vers des valeurs d'un sous-espace discret de plus petite dimension. Le vecteur de plus petit espace nécessite moins d'espace de stockage et les données sont donc compressées.La réduction vers un sous-espace est habituellement réalisée par une projection, ou en utilisant un dictionnaire (codebook). Dans certains cas, l'implémentation d'un codebook peut aussi bien servir au codage de l'entropie des valeurs discrètes qu'à la génération de valeurs codées à longueur variable et à code préfixe.ées à longueur variable et à code préfixe.
, La quantificació vectorial és una tècnica … La quantificació vectorial és una tècnica de codificació de font emprada per a representar d'una manera compacta un conjunt de valors i té les seves bases en la Teoria de la Informació. Aquesta demostra que sempre que la informació mútua entre les diferents components sigui no nul·la, l'ús de quantificació vectorial conjunta aconseguirà una representació més compacta que la de cada component per separat. No va anar fins a la dècada dels anys 80, quan la seva realització pràctica es va fer possible a través del treball de Linde, Buzo i Gray (algorisme LBG). Aquest mètode sorgeix com generalització de l'. Un vector pot ser usat per a descriure gairebé qualsevol tipus de patró, com podrà ser un segment d'un senyal de veu o d'una imatge, simplement formant un vector de mostres de la forma d'ona o de la imatge. Però també podrà formar-se un vector amb un conjunt de paràmetres usats per a representar, per exemple, l' d'un senyal de veu. La quantificació vectorial pot veure's com una forma de reconeixement de patrons on un patró és apariat amb un patró seleccionat d'un conjunt emmagatzemat de llibre de codis. Per aquest motiu la quantificació vectorial és molt més que una generalització formal de la . En els últims anys s'ha convertit en una important tècnica en reconeixement de veu i firmes manuscrites com, també en d'àudio i vídeo, i la seva importància i les seves aplicacions van en augment.ia i les seves aplicacions van en augment.
, Vector quantization (VQ) is a classical qu … Vector quantization (VQ) is a classical quantization technique from signal processing that allows the modeling of probability density functions by the distribution of prototype vectors. It was originally used for data compression. It works by dividing a large set of points (vectors) into groups having approximately the same number of points closest to them. Each group is represented by its centroid point, as in k-means and some other clustering algorithms. The density matching property of vector quantization is powerful, especially for identifying the density of large and high-dimensional data. Since data points are represented by the index of their closest centroid, commonly occurring data have low error, and rare data high error. This is why VQ is suitable for lossy data compression. It can also be used for lossy data correction and density estimation. Vector quantization is based on the competitive learning paradigm, so it is closely related to the self-organizing map model and to sparse coding models used in deep learning algorithms such as autoencoder.p learning algorithms such as autoencoder.
, Vectorkwantisatie is een klassieke kwantisatietechniek om signalen te verwerken die toestaat om een schaalmodel te maken (modelleren) van de waarschijnlijkheidsverdelingsfunctie's (de kans dat iets voorkomt) door de distributie van prototype vectoren.
|
| http://dbpedia.org/ontology/wikiPageExternalLink
|
http://www.data-compression.com/vq.html +
, http://qccpack.sourceforge.net +
, https://dl.acm.org/citation.cfm%3Fid=1535126 +
|
| http://dbpedia.org/ontology/wikiPageID
|
47805
|
| http://dbpedia.org/ontology/wikiPageInterLanguageLink
|
http://es.dbpedia.org/resource/Cuantificaci%C3%B3n_digital +
, http://ru.dbpedia.org/resource/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D0%BE%D0%B5_%D0%BA%D0%B2%D0%B0%D0%BD%D1%82%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5 +
|
| http://dbpedia.org/ontology/wikiPageLength
|
13013
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1124518144
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Rate-distortion_function +
, http://dbpedia.org/resource/CELP +
, http://dbpedia.org/resource/Signal_processing +
, http://dbpedia.org/resource/Pattern_recognition +
, http://dbpedia.org/resource/Hidden_Markov_model +
, http://dbpedia.org/resource/MPEG +
, http://dbpedia.org/resource/K-means +
, http://dbpedia.org/resource/Lossy_data_compression +
, http://dbpedia.org/resource/Category:Lossy_compression_algorithms +
, http://dbpedia.org/resource/Generative_adversarial_network +
, http://dbpedia.org/resource/TwinVQ +
, http://dbpedia.org/resource/Coordinate_vector +
, http://dbpedia.org/resource/Digital_Video_Interactive +
, http://dbpedia.org/resource/Dynamic_time_warping +
, http://dbpedia.org/resource/AMR-WB%2B +
, http://dbpedia.org/resource/ILBC +
, http://dbpedia.org/resource/Deep_Learning +
, http://dbpedia.org/resource/Centroidal_Voronoi_tessellation +
, http://dbpedia.org/resource/Learning_vector_quantization +
, http://dbpedia.org/resource/Competitive_learning +
, http://dbpedia.org/resource/Codebook +
, http://dbpedia.org/resource/Voronoi_diagram +
, http://dbpedia.org/resource/Pyramid_vector_quantization +
, http://dbpedia.org/resource/Ogg_Vorbis +
, http://dbpedia.org/resource/Density_estimation +
, http://dbpedia.org/resource/Cinepak +
, http://dbpedia.org/resource/Daala +
, http://dbpedia.org/resource/Motion_compensation +
, http://dbpedia.org/resource/Nearest_neighbor_search +
, http://dbpedia.org/resource/Sparse_coding +
, http://dbpedia.org/resource/Centroid +
, http://dbpedia.org/resource/Projection_%28mathematics%29 +
, http://dbpedia.org/resource/Data_compression +
, http://dbpedia.org/resource/Self-organizing_map +
, http://dbpedia.org/resource/Data_clustering +
, http://dbpedia.org/resource/Apple_Video +
, http://dbpedia.org/resource/QuickTime +
, http://dbpedia.org/resource/.VQA +
, http://dbpedia.org/resource/Autoencoder +
, http://dbpedia.org/resource/DTS_Coherent_Acoustics +
, http://dbpedia.org/resource/Image_segmentation +
, http://dbpedia.org/resource/Codec_2 +
, http://dbpedia.org/resource/Opus_%28codec%29 +
, http://dbpedia.org/resource/Lloyd%27s_algorithm +
, http://dbpedia.org/resource/Sorenson_codec +
, http://dbpedia.org/resource/Linear_subspace +
, http://dbpedia.org/resource/Prefix_code +
, http://dbpedia.org/resource/MPEG-4 +
, http://dbpedia.org/resource/Neural_gas +
, http://dbpedia.org/resource/Speech_coding +
, http://dbpedia.org/resource/Free_On-line_Dictionary_of_Computing +
, http://dbpedia.org/resource/Wikipedia:Foldoc_license +
, http://dbpedia.org/resource/QuickTime_Graphics_Codec +
, http://dbpedia.org/resource/Microsoft_Video_1 +
, http://dbpedia.org/resource/Transform_coding +
, http://dbpedia.org/resource/Speaker_recognition +
, http://dbpedia.org/resource/Deep_learning +
, http://dbpedia.org/resource/Entropy_code +
, http://dbpedia.org/resource/Bink_video +
, http://dbpedia.org/resource/Vector_space +
, http://dbpedia.org/resource/Cluster_analysis +
, http://dbpedia.org/resource/Category:Unsupervised_learning +
, http://dbpedia.org/resource/Indeo +
, http://dbpedia.org/resource/K-means_clustering +
, http://dbpedia.org/resource/Quantization_%28signal_processing%29 +
, http://dbpedia.org/resource/G.729 +
, http://dbpedia.org/resource/Simulated_annealing +
, http://dbpedia.org/resource/Smacker_video +
, http://dbpedia.org/resource/Linde%E2%80%93Buzo%E2%80%93Gray_algorithm +
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Citation_needed +
, http://dbpedia.org/resource/Template:Col_div +
, http://dbpedia.org/resource/Template:Original_research +
, http://dbpedia.org/resource/Template:Expand_list +
, http://dbpedia.org/resource/Template:Colend +
, http://dbpedia.org/resource/Template:Missing_information +
, http://dbpedia.org/resource/Template:Short_description +
, http://dbpedia.org/resource/Template:Multiple_issues +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Lossy_compression_algorithms +
, http://dbpedia.org/resource/Category:Unsupervised_learning +
|
| http://purl.org/linguistics/gold/hypernym
|
http://dbpedia.org/resource/Technique +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Vector_quantization?oldid=1124518144&ns=0 +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Vector_quantization +
|
| owl:sameAs |
http://de.dbpedia.org/resource/Vektorquantisierung +
, http://fr.dbpedia.org/resource/Quantification_vectorielle +
, http://ar.dbpedia.org/resource/%D8%AA%D9%83%D9%85%D9%8A%D9%85_%D9%85%D8%AA%D8%AC%D9%87 +
, http://www.wikidata.org/entity/Q612536 +
, http://es.dbpedia.org/resource/Aprendizaje_de_cuantificaci%C3%B3n_vectorial +
, https://global.dbpedia.org/id/4o41o +
, http://dbpedia.org/resource/Vector_quantization +
, http://ja.dbpedia.org/resource/%E3%83%99%E3%82%AF%E3%83%88%E3%83%AB%E9%87%8F%E5%AD%90%E5%8C%96 +
, http://zh.dbpedia.org/resource/%E5%90%91%E9%87%8F%E9%87%8F%E5%8C%96 +
, http://ca.dbpedia.org/resource/Quantificaci%C3%B3_vectorial +
, http://yago-knowledge.org/resource/Vector_quantization +
, http://rdf.freebase.com/ns/m.0cvl4 +
, http://nl.dbpedia.org/resource/Vectorkwantisatie +
|
| rdf:type |
http://dbpedia.org/class/yago/Act100030358 +
, http://dbpedia.org/class/yago/WikicatLossyCompressionAlgorithms +
, http://dbpedia.org/class/yago/Abstraction100002137 +
, http://dbpedia.org/class/yago/Event100029378 +
, http://dbpedia.org/class/yago/Activity100407535 +
, http://dbpedia.org/class/yago/PsychologicalFeature100023100 +
, http://dbpedia.org/class/yago/Rule105846932 +
, http://dbpedia.org/class/yago/YagoPermanentlyLocatedEntity +
, http://dbpedia.org/class/yago/Algorithm105847438 +
, http://dbpedia.org/ontology/TopicalConcept +
, http://dbpedia.org/class/yago/Procedure101023820 +
|
| rdfs:comment |
La quantification vectorielle est une tech … La quantification vectorielle est une technique de quantification souvent utilisée dans la compression de données avec pertes de données (Lossy Data Compression) pour laquelle l'idée de base est de coder ou de remplacer par une clé des valeurs d'un espace vectoriel multidimensionnel vers des valeurs d'un sous-espace discret de plus petite dimension. Le vecteur de plus petit espace nécessite moins d'espace de stockage et les données sont donc compressées.La réduction vers un sous-espace est habituellement réalisée par une projection, ou en utilisant un dictionnaire (codebook). Dans certains cas, l'implémentation d'un codebook peut aussi bien servir au codage de l'entropie des valeurs discrètes qu'à la génération de valeurs codées à longueur variable et à code préfixe.ées à longueur variable et à code préfixe.
, Die Vektorquantisierung ist ein Verfahren … Die Vektorquantisierung ist ein Verfahren zur Kompression oder Identifikation von Datensätzen. Die Datensätze werden in Merkmalsvektoren zusammengefasst. Das Prinzip des Verfahrens besteht darin, diesen Merkmalsvektoren denjenigen Vektor aus einer Tabelle zuzuordnen, der dem betrachteten Merkmalsvektor am ähnlichsten ist. Statt alle Daten des Merkmalsvektors zu speichern, wird nur der Index dieses ähnlichsten Vektors benötigt (siehe auch Datenbankindex).tors benötigt (siehe auch Datenbankindex).
, هي تقنية تكميم كلاسيكية لمعالجة الإشارة تت … هي تقنية تكميم كلاسيكية لمعالجة الإشارة تتيح نمذجة اقترانات كثافة الاحتمال من خلال توزيع متجهات النموذج الأول. استخدمت هذه التقنية في الأصل في عملية ضغط البيانات. وتعمل بتقسيم مجموعة كبيرة من النقاط (متجهات إحداثية) إلى مجموعات لها نفس العدد من النقاط تقريباً. تُمثّل كل مجموعة بنقطتها المركزية كما في الخوارزميات التصنيفية وبعض خوارزميات الأخرى.خوارزميات التصنيفية وبعض خوارزميات الأخرى.
, 向量量化（英語：Vector quantization）是一個在訊號處理中的一個量化 … 向量量化（英語：Vector quantization）是一個在訊號處理中的一個量化法，其為藉由樣本向量(prototype vector)的訓練來估算密度機率函數，並藉由此密度函數推估最有效的量化方案。此技術原用於資料壓縮，透過分割大數量的資料點(函數)，讓每個小群集都有相同的資料點，而這些小群集的所有資料就由其正中央的點作為代表，這點與k-平均演算法以及其他群集分析的特性相當。向量量化所使用的密度分佈法的優勢在於，此種壓縮法對於高機率出現(密集)的資料誤差小，而對低機率(稀疏)的資料誤差大，故特別適用於大量且高維度的向量破壞性資料壓縮。向量量化是競逐式學習的一種技巧，故與深度學習的自編碼器其中使用的自組織對應以及稀疏神經編碼有關係。式學習的一種技巧，故與深度學習的自編碼器其中使用的自組織對應以及稀疏神經編碼有關係。
, Vectorkwantisatie is een klassieke kwantisatietechniek om signalen te verwerken die toestaat om een schaalmodel te maken (modelleren) van de waarschijnlijkheidsverdelingsfunctie's (de kans dat iets voorkomt) door de distributie van prototype vectoren.
, Vector Quantization (Cuantificación Vector … Vector Quantization (Cuantificación Vectorial) es una técnica por la cual el espacio de entradas es dividido en un número determinado de regiones y para cada una de ellas es definido un vector que la caracteriza. Un espacio continuo tiene que ser discretizado. La entrada al sistema son vectores n-dimensionales y la salida es una representación discreta del espacio de entradas. El método Vector Quantization (LVQ) fue originalmente desarrollado por Linde (1980) y Gray (1984). Y como una herramienta para compresión de datos por Gersho y Gray,1992.ompresión de datos por Gersho y Gray,1992.
, Vector quantization (VQ) is a classical qu … Vector quantization (VQ) is a classical quantization technique from signal processing that allows the modeling of probability density functions by the distribution of prototype vectors. It was originally used for data compression. It works by dividing a large set of points (vectors) into groups having approximately the same number of points closest to them. Each group is represented by its centroid point, as in k-means and some other clustering algorithms.eans and some other clustering algorithms.
, La quantificació vectorial és una tècnica … La quantificació vectorial és una tècnica de codificació de font emprada per a representar d'una manera compacta un conjunt de valors i té les seves bases en la Teoria de la Informació. Aquesta demostra que sempre que la informació mútua entre les diferents components sigui no nul·la, l'ús de quantificació vectorial conjunta aconseguirà una representació més compacta que la de cada component per separat. No va anar fins a la dècada dels anys 80, quan la seva realització pràctica es va fer possible a través del treball de Linde, Buzo i Gray (algorisme LBG). Aquest mètode sorgeix com generalització de l'.t mètode sorgeix com generalització de l'.
, ベクトル量子化（ベクトルりょうしか、英: Vector Quantization, VQ）は連続空間に存在するベクトルを有限個の代表ベクトルへ離散化する操作である。すなわちベクトルを対象とした量子化である。
|
| rdfs:label |
Quantificació vectorial
, Vector quantization
, 向量量化
, Aprendizaje de cuantificación vectorial
, Quantification vectorielle
, تكميم متجه
, ベクトル量子化
, Vectorkwantisatie
, Vektorquantisierung
|
