فشرده‌سازی اطّلاعات متغیر با زمان با استفاده از کد هافمن

در این مقاله با استفاده از شبکه عصبی مصنوعی، تابعی بر منحنی چگالی احتمال، رشته‌اطّلاعات افراز می‌شود. این امر باعث می شود که منحنی چگالی احتمال رشته‌اطّلاعات به‌وسیله تعدای پارامتر تقریب زده شده و از آن به‌منظور حافظه‌دار‌کردن منحنی چگالی احتمال و نیز جهت فشرده‌سازی اطّلاعات با روش هافمن استفاده می‌شود. تفاوت بین روش پیشنهادی و روش عمومی الگوریتم هافمن در این است که در روش پیشنهادی به جهت حافظه‌دار‌کردن منحنی چگالی احتمال، می‌توان چندین‌بار از الگوریتم هافمن برای کد‌کردن رشته‌اطّلاعات استفاده کرد و در هر بار کد‌کردن اطّلاعات، تابع چگالی احتمال را تقریب‌زده و اطّلاعات مربوط به تابع چگالی احتمال را به انتهای رشته مورد نظر اضافه کرد. بنابراین علی‌رغم متغیر‌بودن تابع چگالی احتمال در هر مرحله، الگوریتم هافمن با استفاده از روش پیشنهادی قابل پیاده‌سازی است. همچنین دو الگوریتم برای کدکردن و دیکد‌کردن رشته‌اطّلاعات پیشنهاد شده است. درانتها درصد فشرده سازی روش پیشنهادی با دو روش fdr code وgolomb مقایسه می گردد.