A variant of consistent application of the compressive neural network and context modeling techniques for efficient data compression, including images and audio signals is being viewed. The method is based on the representation of intermediate storage archive in a fixedpoint format and provides improved performance of compression coefficient and quality of primary data reproduction.
1. Сергеенко В.С., Баринов В.В. Сжатие данных, речи, звука и изображений в телекоммуникационных системах. – М.: Издательское преприятие РадиоСофт, 2009. – С.33–40. 2. Сэломон Д. Сжатие данных, изображений и звука. – М.: Техносфера, 2004. 3. Osovski S. Sieci neuronowe dla przetwarzania informacji. Oficyna wydawnicza Politechniki Warszawskiej. – Warszawa, 2000. 4. Christopher M. Bishop. Neural Networks for Pattern Recognition. Oxford University Press (1999). 5. Ткаченко Р.О. Нова парадигма штучних нейронних мереж прямого поширення // Вісник Держ. ун-ту “Львівська політехніка”: Комп’ютерна інженерія та інформаційні технології. – 1999. – № 86. – С.43–54. 6. Грицик В.В., Ткаченко Р.О. Нові підходи до навчання штучних нейромереж // Доповіді Національної академії наук України. – 2002. – № 11. – С.59–65. 7. Verma B., Blumenstein M., Kulkarni S. A New Compression Technique Using an Artificial Neural Network // Journal of Intelligent Systems, 1999, vol. 9, № 1. – Р.39–54. 8. Verma B., Blumenstein M., Kulkarni S. A Neural Network Based Technique for Data Compression // Proceedings of the IASTED International Conference on Modelling and Simulation, MSO '97, Singapore. – Р.12–16. 9. Vilovic I. An Experience in Image Compression Using Neural Networks // 48th International Symposium ELMAR-2006, 07-09 June 2006, Zadar, Croatia. – Р.95–98. 10. Durai A.S, Saro A.E., Phil M. An Improved Image Compression approach with Self-Organizing Feature Maps using Cumulative Distribution Function // GVIP Journal, Volume 6, Issue 2, September, 2006. – Р.122–128.