فشرده‌سازي اطّلاعات متغير با زمان با استفاده از كد هافمن

Compression time variable information using Huffman code

در اين مقاله با استفاده از شبكه عصبي مصنوعي، تابعي بر منحني چگالي احتمال، رشته‌اطّلاعات افراز مي‌شود. اين امر باعث مي شود كه منحني چگالي احتمال رشته‌اطّلاعات به‌وسيله تعداي پارامتر تقريب زده شده و از آن به‌منظور حافظه‌دار‌كردن منحني چگالي احتمال و نيز جهت فشرده‌سازي اطّلاعات با روش هافمن استفاده مي‌شود. تفاوت بين روش پيشنهادي و روش عمومي الگوريتم هافمن در اين است كه در روش پيشنهادي به جهت حافظه‌دار‌كردن منحني چگالي احتمال، مي‌توان چندين‌بار از الگوريتم هافمن براي كد‌كردن رشته‌اطّلاعات استفاده كرد و در هر بار كد‌كردن اطّلاعات، تابع چگالي احتمال را تقريب‌زده و اطّلاعات مربوط به تابع چگالي احتمال را به انتهاي رشته مورد نظر اضافه كرد. بنابراين علي‌رغم متغير‌بودن تابع چگالي احتمال در هر مرحله، الگوريتم هافمن با استفاده از روش پيشنهادي قابل پياده‌سازي است. همچنين دو الگوريتم براي كدكردن و ديكد‌كردن رشته‌اطّلاعات پيشنهاد شده است. درانتها درصد فشرده سازي روش پيشنهادي با دو روش FDR Code وGolomb مقايسه مي گردد.

In this paper, we fit a function on probability density curve representing an information stream using artificial neural network. This methodology results in a specific function which represents a memorize able probability density curve. We then use the obtained function for information compression by Huffman algorithm. The difference between the proposed method with the general methods is, to use the Huffman algorithm in several times. In every time, the probability density function is fitted, estimated and then the information representing the function is added to end of the information stream. We next propose two different algorithms for information encoding and decoding using time variable estimation of probability density function. In order to evaluate the proposed algorithm, the percentage of the compression resulting our method has been compared with two popular methods named FDR code and Golomb at the end.