فشرده سازی اطلاعات متغیر با زمان با استفاده از کد هافمن

در این مقاله با استفاده از شبکه عصبی مصنوعی، تابعی بر منحنی چگالی احتمال، رشته اطلاعات افراز می شود. این امر باعث می شود که منحنی چگالی احتمال رشته اطلاعات به وسیله تعدای پارامتر تقریب زده شده و از آن به منظور حافظه دار کردن منحنی چگالی احتمال و نیز جهت فشرده سازی اطلاعات با روش هافمن استفاده می شود. تفاوت بین روش پیشنهادی و روش عمومی الگوریتم هافمن در این است که در روش پیشنهادی به جهت حافظه دار کردن منحنی چگالی احتمال، می توان چندین بار از الگوریتم هافمن برای کد کردن رشته اطلاعات استفاده کرد و در هر بار کد کردن اطلاعات، تابع چگالی احتمال را تقریب زده و اطلاعات مربوط به تابع چگالی احتمال را به انتهای رشته مورد نظر اضافه کرد. بنابراین علی رغم متغیر بودن تابع چگالی احتمال در هر مرحله، الگوریتم هافمن با استفاده از روش پیشنهادی قابل پیاده سازی است. همچنین دو الگوریتم برای کدکردن و دیکد کردن رشته اطلاعات پیشنهاد شده است. درانتها درصد فشرده سازی روش پیشنهادی با دو روش FDR Code وGolomb مقایسه می گردد