向量量化
維基百科,自由的 encyclopedia
向量量化(英語:Vector quantization)是一個在訊號處理中的一個量化(離散化)方法。其為藉由樣本向量(prototype vector)的訓練來估算密度概率函數,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,此種壓縮法對於高概率出現(密集)的資料誤差小,而對低概率(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。