自组织随机编码器

对海量数据（如图像）的处理，只有当使用固定大小的处理窗口时，其计算量才与图像大小呈线性关系。能够自动确定处理窗口的大小并建立其相互连接将非常有用。一种随机编码器，即标准Linde-Buzo-Gray矢量量化器的扩展，称为随机矢量量化器（SVQ），在其涌现特性中包含了这一所需行为，因为它自动将输入空间分割成统计独立的子空间，然后分别对其进行编码。通过解析和数值方法，已获得了多种最优SVQ。当SVQ用于编码位于二维环面（例如，一对不相关正弦波的叠加）上的数据时，可以获得解析解，展示输入空间如何被分割成独立子空间。此外，还通过使用SVQ和链接SVQ链获得了许多数值解：(1) 多个独立目标的图像（出现针对单个目标的编码器），(2) 多个相关目标的图像（出现针对单个和多个目标的各种类型的编码器），(3) 各种波形的叠加（出现针对各个波形的编码器——这是一种独立成分分析（ICA）），(4) 母体和胎儿心电图（ICA的另一个例子），(5) 纹理图像（出现方向图和优势条纹）。总体而言，SVQ表现出丰富的自组织行为，能有效发现训练数据的内部结构。这将立即对“智能”计算产生影响，因为它减少了在数据处理算法设计中对专家人工干预的需求。