Learning Vector Quantization (LVQ) For Colorectal Cancer Identification Based on Microscopic Network Image

Gunawan, Heri; Soeheri, Soeheri; Adhar, Deny; Hardianto, Hardianto; Wahyuni, Linda; Harahap, Charles Bronson

doi:10.1109/icoris56080.2022.10031513

Cited by 1 publication

(1 citation statement)

References 3 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…A Quantizac ¸ão Vetorial (QV) é uma técnica de compressão com perdas utilizada em muitos sistemas de comunicac ¸ão digital [1]- [4]. A QV fundamenta-se na Teoria da Distorc ¸ão Versus Taxa, formulada por Shanon, na qual é possível encontrar um melhor desempenho de compressão codificando blocos de amostras, ou seja, vetores, em vez de escalares [5].…”

Section: Introduc ¸ãOunclassified

Uma Função Objetivo para o Problema de Otimização do Projeto de Quantizadores Vetoriais Robustos

Santana,

Lopes,

Bernardino Junior

2024

Anais Do XVI Congresso Brasileiro De Inteligência Computacional

View full text Add to dashboard Cite

A Quantização Vetorial Robusta (QVR) é um problema de otimização de natureza combinatorial, o qual envolve a atribuição de índices aos vetores-código do dicionário. No processo de otimização da QVR, a função objetivo utilizada é o índice de desordem do dicionário, o qual deve ser minimizado. Neste trabalho, foi proposta e avaliada a utilização de uma função de densidade de probabilidade dos vetores-código para ponderar no calculo do índice de desordem. Para a tarefa de otimização dos dicionários foram utilizados os algoritmos Busca por Cardume (FSS Fish School Search), Otimização por Enxame de partícula (PSO Particle Swarm Optmization), Simulated Annealing (SA) e o Algoritmo Genetico (GA Genetic Algorithm). Os resultados de simulação da transmissão de imagens por Canal Binário Simétrico (BSC Binary Symmetric Channel) mostram que a consideração do índice de desordem proposto, como função objetivo, leva a um melhor desempenho comparado a quando não utilizado, para todos os algoritmos de otimização usados neste trabalho.

show abstract

Section: Introduc ¸ãOunclassified