向量量化
维基百科,自由的 encyclopedia
向量量化(英语:Vector quantization)是一个在讯号处理中的一个量化(离散化)方法。其为借由样本向量(prototype vector)的训练来估算密度几率函数,并借由此密度函数推估最有效的量化方案。此技术原用于资料压缩,透过分割大数量的资料点(函数),让每个小群集都有相同的资料点,而这些小群集的所有资料就由其正中央的点作为代表,这点与k-平均算法以及其他群集分析的特性相当。 向量量化所使用的密度分布法的优势在于,此种压缩法对于高几率出现(密集)的资料误差小,而对低几率(稀疏)的资料误差大,故特别适用于大量且高维度的向量破坏性资料压缩。 向量量化是竞逐式学习的一种技巧,故与深度学习的自编码器其中使用的自组织对应以及稀疏神经编码有关系。