Розглянуто варіант послідовного застосування компресуючої нейронної мережі та методів контекстного моделювання для ефективного ущільнення даних, зокрема зображень та аудіосигналів. Запропонований метод оснований на поданні проміжного архіву зберігання даних у форматі чисел з фіксованою комою та забезпечує покращення характеристики щодо коефіцієнта компресування та якості відтворення первинних даних.
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.